다음은 요청하신 내용을 한국어로 번역한 결과입니다.
두 위치에 동시에 존재하는 입자를 설명하는 수학은, 두 포지션에 동시에 존재하는 포트폴리오를 설명하는 데 사용될 수 있습니다. 여기서는 양자 역학의 구조를 자율 트레이딩 에이전트로 전환하는 방법과, 그 analogies 가 실제로 유효한 지점과 마케팅에 불과해지는 지점을 살펴보겠습니다.
1. 왜 양자이며, 왜 지금인가
지구상의 모든 헤지 펀드는 모멘텀, 평균 회귀, 그리고 주문 흐름에 대한 머신러닝이라는 동일한 세 가지 아이디어를 닳도록 사용하고 있습니다. 시장의 모델이 모두 동일하기 때문에 우위는 계속해서 줄어들고 있습니다. 이는 고전적인 모델로, 가격은 하나의 숫자이고 미래는 하나의 잡음이 섞인 경로에 불과합니다.
양자 역학은 다른 데이터 모델을 제공합니다. 양자 시스템은 절대 하나의 상태에 있지 않습니다. 모든 가능한 상태의 중첩 상태에 동시에 존재하며, 각 상태는 복소수 확률 진폭을 가집니다. 이는 거래를 하기 전 시장을 놀랍도록 잘 설명합니다. 자산은 동시에 상승, 하락, 횡보하고 있으며, 각 결과는 확률에 따라 가중치가 부여되다가, 주문이 현실을 하나로 선택하도록 강제할 때까지 기다립니다.
대부분의 글에서 생략하는 부분이 있으니, 여기서 미리 말씀드리겠습니다. 이 모든 것을 위해 물리적인 양자 컴퓨터가 필요하지 않으며, 다음에 나오는 내용의 대부분은 문자 그대로 양자가 아닙니다. 이는 양자에서 영감을 받은 것입니다: 상태 벡터, 복소 진폭, 해밀토니안, 어닐링, 간섭과 같은 양자 역학의 수학적 구조를 차용하여, 여러분이 이미 소유하고 있는 동일한 GPU 에서 실행되는 고전적인 알고리즘입니다. 가치는 큐비트가 아닌 구조에 있습니다. 그 차이점에 대해 정직해지는 것이 사용 가능한 프레임워크를 유행어와 구분짓는 요소입니다.
Goldman Sachs, JPMorgan, HSBC 및 Multiverse Computing 과 같은 전문 기업을 포함한 은행 및 퀀트 샵들은 파생 상품 가격 결정, Monte Carlo 리스크 및 포트폴리오 최적화를 위한 양자 및 양자에서 영감을 받은 방법을 적극적으로 연구하고 발표했습니다. 이론은 공개되어 있습니다. 하지만 이를 자율 에이전트, 즉 스스로 인지하고, 결정하고, 실행하고, 학습하는 시스템에 연결하는 방법을 문서화한 곳은 거의 없습니다. 이것이 우리가 여기서 구축하는 내용입니다.
2. 양자-시장 변환 사전
코드를 작성하기 전에, 매핑이 필요합니다. 아래의 각 양자 개념은 정확한 트레이딩 대응 개념을 가지고 있습니다. 이 섹션을 이후 모든 내용의 개념적 계약으로 간주하십시오.
확률 진폭은 확신으로 매핑되지만 위상(phase)이 있습니다. 고전적 확률은 단순히 음수가 아닌 숫자일 뿐입니다. 양자 진폭은 복소수입니다. 각각은 크기와 위상 각을 가집니다. 위상이 바로 업그레이드의 전부입니다. 이것이 두 개의 강세 신호가 상쇄 간섭하여 소멸되거나, 두 개의 약한 신호가 보강 간섭하여 강한 신호가 되도록 하는 것입니다. 양의 확률을 평균내는 고전적 앙상블은 물리적으로 이 작업을 수행할 수 없습니다. 최선의 경우는 희석시키는 것입니다. 위상은 신호가 서로 적극적으로 거부권을 행사할 수 있게 합니다.
얽힘은 분리할 수 없는 상관관계로 매핑됩니다. 두 자산이 연결된 체제로 움직일 때, 예를 들어 메이저 코인과 그 유동성을 타는 밈 코인을 생각해보면, 하나를 다른 하나 없이 정직하게 설명할 수 없습니다. 에이전트는 이것을 분리할 수 없는 상태로 인코딩하며, 이는 정적 상관관계 행렬이 평탄화하고 과소평가하는 경향이 있는 체제 연결 공동 움직임을 포착합니다. 특히 꼬리 부분에서 두드러집니다.
해밀토니안은 위험/수익 비용 함수로 매핑됩니다. 물리학에서 해밀토니안 H는 시스템의 에너지를 인코딩합니다. 트레이딩에서는 목표인 기대 수익률 최대화, 분산 최소화, 포지션 및 예산 제한 준수를 에너지 경관으로 인코딩합니다. 최적의 포트폴리오는 바닥 상태, 즉 H 의 가장 낮은 에너지 구성입니다. 포트폴리오 구성은 에너지 최소화 문제가 되며, 이는 해결 방법이 매우 잘 연구된 분야입니다.
측정과 붕괴는 실행으로 매핑됩니다. 주문을 보내는 순간, 중첩은 하나의 실현된 결과로 붕괴됩니다. 에이전트의 진짜 임무는 언제, 무엇을 측정할지 선택하여 붕괴가 수익성 있는 구성으로 향하도록 하는 것입니다. 하이젠베르크의 불확정성 원리와 유사하게, 내재된 위험 원칙도 있습니다. 포지션의 정확한 가격과 정확한 모멘텀을 무제한의 정밀도로 동시에 파악할 수는 없습니다. 한쪽에 대한 확실성을 더 요구하면 다른 쪽의 확실성을 희생해야 합니다. 이것은 금융의 법칙이 아니라 비유이지만, 유용한 비유이며, 나중에 구체적인 포지션 사이징 규칙으로 변환됩니다.
3. 양자 트레이딩 에이전트의 아키텍처
에이전트는 6개의 모듈로 구성된 폐쇄 루프입니다. 이 게시물에 첨부된 아키텍처 다이어그램은 전체 사이클을 보여줍니다. 각 단계가 수행하는 작업은 다음과 같습니다.
1. 인식. 원시 시장 데이터(호가창, OHLCV, 자금 조달 비율, 온체인 흐름)를 수집합니다. 이를 특성 벡터 x로 정규화합니다. 이것은 일반적인 퀀트 파이프라인으로, 아직 양자와 관련된 것은 없습니다.
3. 해밀토니안 빌더. 위험/수익 목표와 제약 조건을 QUBO / Ising 해밀토니안 H로 변환합니다. 여기서 예산 제한, 위험 회피도 및 기대 수익률이 에너지 경관으로 통합됩니다.
4. 양자에서 영감을 받은 솔버. 시뮬레이션된 어닐링, 시뮬레이터의 QAOA 회로 또는 텐서-네트워크 솔버를 통해 H 의 바닥 상태, 즉 최적의 자산 선택을 찾습니다. 이 모듈이 바로 포트폴리오 최적화 도구이며, 의도적으로 교체 가능하게 설계되었습니다.
5. 측정을 통한 결정. 상태를 구체적인 포지션과 크기로 붕괴시키며, 불확실성이 높을 때 익스포저를 줄이는 하이젠베르크 스타일의 규칙을 적용합니다.
6. 실행 및 피드백. 주문을 전달하고, 실현된 손익을 관찰하며, 진폭을 업데이트합니다. 측정된 결과는 다음 날의 사전 확률이 됩니다. 이는 에이전트가 고정된 전략을 실행하는 대신 적응할 수 있도록 하는 강화 학습 루프입니다.
4. 코드: 시장을 양자 상태로 인코딩하기
상태 계산에는 numpy를 사용하고, 양자에서 영감을 받은 부분에는 qiskit / pennylane 규칙을 활용합니다. 여기에는 실제 양자 하드웨어가 필요하지 않으며, 랩탑에서 실행됩니다.
간섭이 핵심이므로, 인코딩은 확률을 취하기 전에 신호가 복소수로 더해질 수 있도록 해야 합니다. 각 알파 모델은 각 시장 시나리오에 대해 복소 진폭(크기는 확신, 위상은 타이밍 또는 체제 정렬)을 기여합니다. 모델 전체의 기여도를 합산한 후에야 Born 규칙을 적용합니다.
1import numpy as np23def combine_signals(contributions: np.ndarray) -> np.ndarray:4 """5 contributions: complex matrix of shape [n_signals, n_scenarios].6 |value| = a model's conviction for a scenario,7 angle = its phase (timing / regime alignment).8 returns: normalized state |psi> over the scenarios.9 """10 amplitudes = contributions.sum(axis=0) # signals INTERFERE here11 return amplitudes / np.linalg.norm(amplitudes)1213# Scenarios: [up, down, chop, breakout]14# Two momentum models both lean 'up' -- but they are out of phase, so they partly cancel.15signal_A = np.array([0.7+0j, 0.1+0j, 0.2+0j, 0.3+0j]) # bullish, phase 016signal_B = np.array([0.6*np.exp(1j*2.7), 0.15, 0.2, 0.25]) # bullish but ~anti-phase1718psi = combine_signals(np.vstack([signal_A, signal_B]))1920# Probability of each scenario = |amplitude|^2 (the Born rule)21probs = np.abs(psi) ** 222print(probs.round(3)) # -> [0.147 0.102 0.26 0.491]
핵심 라인은 Born 규칙입니다. 확률은 진폭 크기의 제곱과 같습니다. 두 강세 신호가 제곱 전에 복소수로 합산되기 때문에, 위상이 다른 성분은 상쇄되고, 혼잡한 "상승" 시나리오는 순진한 0.76 에서 0.147 로 억제됩니다. 에이전트는 자동으로 과도하게 상관된 합의 베팅을 페이드 아웃합니다. 이것이 일반적인 확률 평균 앙상블과 이 방법 사이의 구체적이고 측정 가능한 차이점이며, 이 게시물에 첨부된 간섭 다이어그램은 동일한 숫자를 나란히 보여줍니다.
5. 아무도 보여주지 않는 어려운 부분: 위상은 어디서 오는가?
"양자 트레이딩"을 판매하는 모든 글은 조용히 위상을 하드코딩하고 여러분이 눈치채지 못하기를 바랍니다. 위의 스니펫에서 저는 np.exp(1j\2.7) 을 직접 작성했습니다. 실제 시스템에서는 위상을 발명하는 것이 전체 연구 문제*이며, 그렇지 않은 척하는 것은 자신을 속이는 가장 빠른 길입니다.
따라서 위상을 장식이 아닌 일급 모델링 대상으로 취급하십시오. 추측 대신 위상을 도출하는 몇 가지 근거 있는 방법은 다음과 같습니다.
타이밍 / 주기 위상. 각 신호에 Hilbert 변환이나 웨이블릿 분해를 적용하고 지배적인 주기의 순간 위상을 읽어냅니다. 같은 방향이지만 다른 주기 위상에서 발동하는 두 모멘텀 모델은 실제로 부분적으로 상쇄되어야 합니다. 이것이 바로 감지하려는 혼잡입니다.
선행-지연 위상. 신호와 미래 수익률 간의 교차 상관 지연을 추정합니다. 이 지연을 각도로 변환합니다. 가격을 선행하는 신호는 하나의 위상을 얻고, 단순히 추종하는 지연 신호는 다른 위상을 얻어, 이중 계산 대신 선행 신호와 상쇄 간섭을 일으킵니다.
체제 위상. 체제 분류기(추세 대 범위, 고변동성 대 저변동성)를 각도에 매핑하여 체제가 회전함에 따라 신호의 기여도가 회전하도록 합니다. 그러면 돌파 모델과 평균 회귀 모델은 자연스럽게 반대 위상 근처에 위치하게 됩니다.
규율은 간단합니다. 신호가 가진 위상을 설명할 수 없다면, 위상을 사용할 자격이 없습니다. 모든 것에 대해 위상을 0 으로 되돌리면, 고전적 앙상블로 돌아가게 됩니다. 이것은 괜찮고 정직한 방법입니다. 위상이 강력한 이유는 바로 얻기가 어렵기 때문입니다.
6. 코드: 바닥 상태 탐색으로서의 포트폴리오
제약 조건 하의 포트폴리오 선택은 조합 최적화 문제입니다. 예산과 위험 한도가 주어졌을 때 최상의 자산 하위 집합을 선택하는 것입니다. 이것은 어닐링이 구축된 문제의 형태와 정확히 일치합니다. "보유할 자산"을 Ising 해밀토니안의 고전적 쌍둥이인 QUBO (Quadratic Unconstrained Binary Optimization) 로 인코딩합니다.
1import numpy as np23def build_portfolio_hamiltonian(expected_returns, cov, risk_aversion=1.0,4 budget=3, penalty=5.0):5 """6 Build a QUBO matrix Q so that minimizing x^T Q x (x in {0,1}^n)7 picks the best 'budget' assets: maximize return, minimize risk,8 and softly penalize breaking the budget constraint.9 """10 n = len(expected_returns)11 Q = np.zeros((n, n))1213 # return (negated, since we minimize) plus a risk term from the covariance14 for i in range(n):15 Q[i, i] += -expected_returns[i] + risk_aversion * cov[i, i]16 for j in range(i + 1, n):17 Q[i, j] += 2 * risk_aversion * cov[i, j]1819 # budget constraint (sum x_i - budget)^2 as a soft penalty20 for i in range(n):21 Q[i, i] += penalty * (1 - 2 * budget)22 for j in range(i + 1, n):23 Q[i, j] += 2 * penalty24 return Q2526def simulated_anneal(Q, steps=20000, T0=5.0):27 """Quantum-inspired annealing: slowly cool the system into its ground state."""28 n = Q.shape[0]29 x = np.random.randint(0, 2, n)30 def energy(x): return x @ Q @ x31 e = energy(x)32 for t in range(steps):33 T = T0 * (1 - t / steps) # linear temperature schedule34 i = np.random.randint(n)35 x_new = x.copy(); x_new[i] ^= 1 # flip one asset in/out36 e_new = energy(x_new)37 # accept improvements always, and worse moves sometimes (that is how it escapes local minima)38 if e_new < e or np.random.rand() < np.exp(-(e_new - e) / max(T, 1e-9)):39 x, e = x_new, e_new40 return x, e4142returns = np.array([0.12, 0.09, 0.15, 0.04, 0.11])43cov = np.array([44 [0.10, 0.02, 0.01, 0.00, 0.03],45 [0.02, 0.08, 0.02, 0.01, 0.01],46 [0.01, 0.02, 0.18, 0.00, 0.02],47 [0.00, 0.01, 0.00, 0.03, 0.00],48 [0.03, 0.01, 0.02, 0.00, 0.09],49])50Q = build_portfolio_hamiltonian(returns, cov, risk_aversion=2.0, budget=2)51selection, ground_energy = simulated_anneal(Q)52print("Hold assets:", np.where(selection == 1)[0], "| energy:", round(ground_energy, 3))
규모에 대한 솔직한 참고 사항입니다. 5개의 자산에서는 어닐링이 필요하지 않습니다. 32개의 모든 조합을 무차별 대입할 수 있기 때문입니다. 어닐링은 수백 개의 자산과 엄격한 제약 조건이 있을 때 그 가치를 발휘합니다. 이 경우 탐색 공간이 폭발적으로 증가하고 정확한 솔버가 어려움을 겪습니다. 소규모로 이렇게 작성하는 이유는 인터페이스가 절대 변하지 않기 때문입니다. simulated_anneal 을 실제 백엔드(D-Wave 의 어닐러, Qiskit 시뮬레이터의 QAOA 회로 또는 Multiverse 가 제공하는 종류의 텐서-네트워크 솔버)로 교체해도 에이전트의 다른 부분은 전혀 움직이지 않습니다. 솔버는 플러그인입니다.
7. 코드: 에이전트 루프 (인식에서 붕괴, 실행까지)
이제 함께 연결합니다. 이것은 자율 에이전트의 뼈대입니다. LLM 에이전트가 사용하는 것과 동일한 인식/결정/행동 제어 루프이지만, 텍스트 대신 세계 모델로 양자 스타일 상태를 사용합니다.
1class QuantumTradingAgent:2 def __init__(self, universe, risk_aversion=2.0, budget=2, gross_leverage=1.0):3 self.universe = universe4 self.risk_aversion = risk_aversion5 self.budget = budget6 self.gross_leverage = gross_leverage7 self.memory = [] # feedback / RL buffer89 def perceive(self, market):10 contributions = self.model_conviction(market) # your alpha models -> complex matrix11 return combine_signals(contributions) # -> state |psi> over scenarios1213 def deliberate(self, market):14 Q = build_portfolio_hamiltonian(15 market["expected_returns"], market["cov"],16 self.risk_aversion, self.budget)17 selection, _ = simulated_anneal(Q)18 return selection1920 def measure(self, psi, selection, market):21 """22 Collapse into orders. Two things happen here:23 1) a GLOBAL conviction gate from the scenario state (directional + Heisenberg vol shrink)24 2) a PER-ASSET weight so the chosen assets are sized by their own expected return25 """26 scenario_probs = np.abs(psi) ** 227 directional = scenario_probs[0] + scenario_probs[3] # P(up) + P(breakout)28 vol = market["volatility"]29 gate = directional / (1.0 + self.risk_aversion * vol) # shrink in high vol / low conviction3031 idx = np.where(selection == 1)[0]32 if len(idx) == 0:33 return {}34 edge = np.clip(market["expected_returns"][idx], 0, None) # only long positive-edge names35 weights = edge / edge.sum() if edge.sum() > 0 else np.ones(len(idx)) / len(idx)3637 sizes = self.gross_leverage * gate * weights38 return {int(a): round(float(s), 4) for a, s in zip(idx, sizes)}3940 def act(self, market):41 psi = self.perceive(market)42 selection = self.deliberate(market)43 orders = self.measure(psi, selection, market)44 # execute(orders) <- route to exchange / broker here45 self.memory.append((market, orders))46 return orders
measure() 메서드를 자세히 살펴보십시오. 이전의 순진한 버전에는 실제 결함이 있었습니다. 선택된 모든 자산에 동일한 크기를 적용하여 각 자산이 실제로 얼마나 좋은지 무시했습니다. 이 버전은 두 단계로 수정합니다. 전역 게이트는 시나리오 상태(방향 확신, 즉 P(up) + P(breakout) 을 변동성 항으로 나눈 값)를 읽습니다. 이 나눗셈은 위험 관리를 수행하는 하이젠베르크 스타일 규칙입니다. 시장이 정확한 가격 결정에 저항할수록(변동성이 높을수록) 에이전트의 총 약정은 작아집니다. 그런 다음 자산별 가중치는 해당 예산을 자체 기대 이점에 비례하여 선택된 이름들에 분배하며, 음의 기대 수익률을 가진 자산은 매수하지 않습니다. 확신은 얼마나 베팅할지 결정하고, 자산별 이점은 어디에 베팅할지 결정합니다.
8. 월스트리트 현실 점검
이것이 실제로 어디서 수익을 창출하고, 어디서 아름다운 데모에 불과한지 살펴보겠습니다. 여기서 구체적으로 설명하는 것이 나머지 내용을 신뢰할 수 있게 만듭니다.
오늘날 고전적인 하드웨어에서의 진정한 우위:
대규모 포트폴리오 최적화. 수백 개의 자산과 엄격한 제약 조건이 있는 경우, 어닐러와 텐서-네트워크 방법은 순진한 평균-분산 솔버보다 조합론과 제약 조건을 더 우아하게 처리하며, 종종 더 빠릅니다. 이것은 가장 성숙하고 과대광고에 덜 취약한 응용 분야입니다.
양자 진폭 추정을 통한 리스크 추정. 이론적으로 VaR 및 CVaR 에 대해 고전적인 Monte Carlo 방법보다 2차 속도 향상을 제공합니다. 리스크 실행은 비용이 많이 들고 지속적으로 실행되기 때문에, 이는 대형 은행에서 가장 활발히 연구되는 방향 중 하나입니다. 주의 사항: 주요 속도 향상은 이론적인 점근적 결과이며, 오늘날의 하드웨어는 아직 생산 규모에서 이를 실현하지 못합니다.
간섭을 통한 신호 결합. 혼잡하고 과도하게 상관된 거래가 상쇄되도록 확신을 위상으로 모델링하는 것은 진정으로 유용한 재구성이며, 현재 보유한 GPU 에서 즉시 작동합니다. 이 문서에서 가장 즉시 실용적인 아이디어입니다. 단, 섹션 5 의 위상 문제를 정직하게 해결해야 합니다.
여전히 대부분 연구 단계:
실제 양자 하드웨어에서의 종단 간 파생 상품 가격 결정. 원칙적으로는 유망하지만, 노이즈와 큐비트 수 제한으로 인해 현재는 제한적입니다.
"양자 ML" 가격 예측. 심하게 과장되었습니다. 고전적인 시장 데이터를 양자 상태로 로드하는 비용은 일반적으로 얻고자 했던 속도 향상을 상쇄합니다. 이것을 판매하는 사람은 매우 회의적으로 바라보십시오.
정직한 결론: 양자에서 영감을 받은 에이전트는 지금 바로 구축 및 백테스트 가능합니다. 모든 모듈이 고전적인 하드웨어에서 실행되기 때문입니다. 내결함성 양자 컴퓨터를 기다리지 않고도 구조적 아이디어(가설의 중첩, 혼잡에 대한 상쇄 간섭, 해밀토니안 기반 최적화)를 활용할 수 있습니다. 하드웨어가 성숙해지면 모듈 4를 교체하고 나머지는 유지하면 됩니다.
9. 실제로 운영 환경에서 이것을 망칠 것들
모든 전략은 시장을 만나기 전까지는 화려해 보입니다. 돈을 걸기 전에, 양자에서 영감을 받은 에이전트를 특히 조용히 파괴하는 네 가지 요소를 내면화하십시오.
거래 비용 및 슬리피지. 간섭 계층은 새로운 데이터가 도착할 때마다 확신을 재조정하여 에이전트가 포트폴리오를 자주 회전시키도록 유혹합니다. 수수료와 슬리피지는 여러분의 상태 벡터가 아무리 우아해도 상관하지 않습니다. 직접 해밀토니안에 회전율 패널티를 추가하고 다시 실행하십시오. 현실적인 비용이 부과되는 순간 많은 "우위"가 증발합니다.
위상에 대한 오버피팅. 위상은 완전히 새로운 추가 매개변수 세트를 제공하며, 자유 매개변수는 백테스트가 거짓말을 하는 방법입니다. 작년 수익률이 좋아지고 내년 수익률이 나빠지도록 위상을 조정하는 것은 매우 쉽습니다. 수익률을 보기 전에 이론(섹션 5)에서 위상 규칙을 고정하고, 백테스트가 위상을 선택하도록 절대 허용하지 마십시오.
루프 전반의 데이터 스누핑. 폐쇄 피드백 루프이기 때문에 데이터 누출이 누적됩니다. 확신 모델, 공분산 추정치 또는 체제 레이블이 미래를 조금이라도 엿본다면, 전체 에이전트가 그 거짓말을 물려받습니다. 신호만 따로 테스트하지 말고 전체 루프를 워크 포워드 테스트하십시오.
공분산의 체제 취약성. QUBO 는 공분산 행렬에 의존하며, 공분산은 정확히 필요할 때, 즉 폭락 시에 폭발합니다. 상관관계가 1로 수렴합니다. 안정적인 시장의 공분산뿐만 아니라 충격을 받은 공분산 하에서 바닥 상태 선택을 스트레스 테스트하십시오. 그렇지 않으면 최적화 도구가 서류상으로만 분산된 포트폴리오를 기꺼이 제공할 것입니다.
10. 구축 체크리스트
이것을 실제로 출시하려면 다음 작업 순서를 따르십시오.
양자에서 영감을 받은 솔버부터 시작하십시오. 일반 numpy 와 시뮬레이션된 어닐링을 사용합니다. 하드웨어, 계정, 종속성이 필요 없습니다.
수동으로 조정된 진폭을 combine_signals 에 공급하는 학습된 확신 모델로 대체하고, 위상을 피팅보다는 이론에서 도출하십시오.
신호만이 아니라 비용을 포함한 전체 루프를 백테스트하십시오. 현실적인 수수료와 슬리피지를 부과하고, 회전율 패널티를 추가한 후 워크 포워드 테스트를 진행하십시오. 우위와 자기기만은 간섭 및 사이징 로직에 숨어 있습니다.
추상화가 시뮬레이션에서 그 가치를 입증한 후에야 실제 백엔드(Qiskit 또는 PennyLane 시뮬레이터, 그 다음 D-Wave, 그 다음 하드웨어)를 사용하십시오. 모듈 4 교체는 설계상 한 줄 변경으로 가능합니다.
시장은 항상 확률 파동이었습니다. 거의 모든 사람이 여전히 하나의 숫자처럼 거래합니다. 그리고 이 두 관점 사이의 격차가 바로 전체 기회입니다.
이 글이 시장에 대한 생각을 바꿔놓았다면, 상단을 리포스트하고 팔로우해 주세요. 전체 오픈소스 에이전트 저장소는 다음에 공개됩니다. ⚛️
면책 조항. 재정적 조언이 아니며, 수익을 약속하지 않습니다. 양자에서 영감을 받았다고 해서 양자로 보장되는 것은 아닙니다. 이 작업을 가능하게 하는 대부분은 양자 코트를 입은 규율 잡힌 고전적 모델링입니다. 실제 비용으로 모든 것을 백테스트하십시오. 시장은 여러분이 준비가 되었든 아니든 여러분의 파동함수를 붕괴시킵니다.
