นี่คือบทความภาษาไทยที่แปลตามข้อกำหนดทั้งหมดแล้ว:
คณิตศาสตร์ที่ใช้อธิบายอนุภาคที่อยู่สองแห่งพร้อมกัน สามารถใช้อธิบายพอร์ตการลงทุนที่อยู่ในสองสถานะพร้อมกันได้เช่นกัน นี่คือวิธีการเปลี่ยนโครงสร้างของกลศาสตร์ควอนตัมให้เป็นเอเจนต์การซื้อขายอัตโนมัติ - และที่สำคัญไม่แพ้กัน คือจุดที่การเปรียบเทียบนี้เลิกเป็นเรื่องจริงและเริ่มกลายเป็นการตลาด
1. ทำไมต้องควอนตัม และทำไมต้องตอนนี้
กองทุนเฮดจ์ฟันด์ทุกแห่งบนโลกกำลังบดขยี้แนวคิดเดิมๆ สามอย่างจนหมด: โมเมนตัม, การกลับสู่ค่าเฉลี่ย และการเรียนรู้ของเครื่องในรูปแบบใดรูปแบบหนึ่งบน order-flow ความได้เปรียบเริ่มบางลงเพราะ โมเดลของตลาด ที่ทุกคนใช้เหมือนกันหมด - เป็นโมเดลแบบคลาสสิก ที่ราคาเป็นตัวเลขเดียว และอนาคตเป็นเส้นทางที่มีสัญญาณรบกวนเส้นเดียว
กลศาสตร์ควอนตัมนำเสนอโมเดลข้อมูลที่แตกต่างออกไป ระบบควอนตัมไม่เคยอยู่ในสถานะเดียว มันอยู่ใน การซ้อนทับ ของสถานะที่เป็นไปได้ทั้งหมดพร้อมกัน แต่ละสถานะมี แอมพลิจูดความน่าจะเป็น เชิงซ้อน สิ่งนี้กลายเป็นคำอธิบายที่ดีอย่างน่าทึ่งของตลาด ก่อน ที่คุณจะวางคำสั่งซื้อขาย: สินทรัพย์กำลังขึ้น, กำลังลง, และไซด์เวย์ในเวลาเดียวกัน แต่ละผลลัพธ์ถูกถ่วงน้ำหนักด้วยความน่าจะเป็น จนกว่าคำสั่งของคุณจะบังคับให้ความเป็นจริงเลือกเพียงหนึ่งเดียว
นี่คือส่วนที่บทความส่วนใหญ่มักข้ามไป ผมขอวางไว้ตรงนี้เลย คุณไม่จำเป็นต้องใช้คอมพิวเตอร์ควอนตัมจริงๆ สำหรับสิ่งนี้ และสิ่งที่ตามมาส่วนใหญ่ไม่ใช่ควอนตัมตามตัวอักษร มันคือ แนวคิดที่ได้รับแรงบันดาลใจจากควอนตัม (quantum-inspired): อัลกอริทึมแบบคลาสสิกที่ยืมโครงสร้างทางคณิตศาสตร์ของกลศาสตร์ควอนตัมมาใช้ - เวกเตอร์สถานะ, แอมพลิจูดเชิงซ้อน, แฮมิลโทเนียน, การแอนนีล, การแทรกสอด - และทำงานบน GPU เดียวกันที่คุณมีอยู่แล้ว คุณค่าอยู่ที่โครงสร้าง ไม่ใช่ที่คิวบิต การซื่อสัตย์เกี่ยวกับความแตกต่างนี้คือสิ่งที่แยกกรอบการทำงานที่ใช้งานได้จริงออกจากคำฮิตติดปาก
ธนาคารและสำนักควอนท์ - Goldman Sachs, JPMorgan, HSBC และผู้เชี่ยวชาญอย่าง Multiverse Computing ในจำนวนนี้ - ได้ทำการวิจัยและตีพิมพ์ผลงานเกี่ยวกับวิธีการควอนตัมและควอนตัม-inspired สำหรับการกำหนดราคาอนุพันธ์, ความเสี่ยงแบบ Monte Carlo และการเพิ่มประสิทธิภาพพอร์ตโฟลิโออย่างแข็งขัน ทฤษฎีนี้เปิดเผยต่อสาธารณะ สิ่งที่แทบไม่มีใครเขียนถึงคือวิธีการเชื่อมต่อมันเข้ากับ เอเจนต์อัตโนมัติ - ระบบที่รับรู้, ตัดสินใจ, ดำเนินการ และเรียนรู้ได้ด้วยตัวเอง นั่นคือสิ่งที่เราจะสร้างขึ้นที่นี่
2. พจนานุกรมควอนตัมสู่ตลาดการเงิน
ก่อนที่จะเขียนโค้ดใดๆ คุณต้องมีการแมปก่อน แนวคิดควอนตัมแต่ละข้อด้านล่างนี้มีคู่เทียบทางการซื้อขายที่แม่นยำ ให้ถือว่าส่วนนี้เป็นสัญญาเชิงแนวคิดสำหรับทุกสิ่งที่ตามมา
แอมพลิจูดความน่าจะเป็น (Probability amplitude) แมปไปยังความเชื่อมั่น (conviction) - แต่มีเฟส (phase)
ความน่าจะเป็นแบบคลาสสิกเป็นเพียงตัวเลขที่ไม่เป็นลบ แอมพลิจูดควอนตัมเป็น เชิงซ้อน: แต่ละตัวมีขนาดและ มุมเฟส เฟสคือการอัปเกรดทั้งหมด มันคือสิ่งที่ทำให้สัญญาณ bullish สองตัว แทรกสอดแบบหักล้างและหักล้างกัน หรือสัญญาณอ่อนสองตัว แทรกสอดแบบเสริมสร้างกันเป็นสัญญาณที่แข็งแกร่ง กลุ่ม ensemble แบบคลาสสิกที่เฉลี่ยความน่าจะเป็นเชิงบวกไม่สามารถทำสิ่งนี้ได้ทางกายภาพ - สิ่งที่ดีที่สุดที่ทำได้คือการเจือจาง เฟสช่วยให้สัญญาณสามารถยับยั้งซึ่งกันและกันได้อย่างแข็งขัน
การพัวพัน (Entanglement) แมปไปยังความสัมพันธ์ที่คุณไม่สามารถแยกออกจากกันได้
เมื่อสินทรัพย์สองชนิดเคลื่อนไหวในลักษณะที่เป็นระบอบเดียวกัน - คิดถึงเหรียญหลักและมีมคอยน์ที่ขี่ตามสภาพคล่องของมัน - คุณไม่สามารถอธิบายสิ่งหนึ่งโดยปราศจากอีกสิ่งหนึ่งได้อย่างซื่อสัตย์ เอเจนต์จะเข้ารหัสสิ่งนี้เป็นสถานะที่ไม่สามารถแยกออกจากกันได้ ซึ่งจับการเคลื่อนไหวร่วมที่เชื่อมโยงกับระบอบ ซึ่งเมทริกซ์สหสัมพันธ์แบบคงที่มักจะทำให้เรียบและประเมินต่ำเกินไป โดยเฉพาะในส่วนหาง (tails)
แฮมิลโทเนียน (Hamiltonian) แมปไปยังฟังก์ชันต้นทุนความเสี่ยง/ผลตอบแทนของคุณ
ในฟิสิกส์ แฮมิลโทเนียน H เข้ารหัสพลังงานของระบบ ในการเทรด คุณเข้ารหัสวัตถุประสงค์ของคุณ - เพิ่มผลตอบแทนที่คาดหวังให้สูงสุด, ลดความแปรปรวนให้น้อยที่สุด, เคารพข้อจำกัดด้านตำแหน่งและงบประมาณ - เป็นภูมิทัศน์พลังงาน (energy landscape) พอร์ตโฟลิโอที่เหมาะสมที่สุดคือ สถานะพื้น (ground state): การกำหนดค่าพลังงานต่ำสุดของ H การสร้างพอร์ตโฟลิโอกลายเป็นปัญหาการลดพลังงานให้เหลือน้อยที่สุด ซึ่งเป็นสิ่งที่ได้รับการศึกษามาเป็นอย่างดีในการแก้ไข
การวัดและการยุบตัว (Measurement and collapse) แมปไปยังการดำเนินการ
ทันทีที่คุณส่งคำสั่งซื้อขาย การซ้อนทับจะยุบตัวลงสู่ผลลัพธ์ที่เกิดขึ้นจริงหนึ่งเดียว งานจริงของเอเจนต์คือ การเลือกว่าจะวัดเมื่อไรและวัดอะไร เพื่อให้การยุบตัวมีแนวโน้มที่จะลงบนการกำหนดค่าที่ทำกำไรได้ นอกจากนี้ยังมีหลักการความเสี่ยงในตัวโดยการเปรียบเทียบกับไฮเซนเบิร์ก: คุณไม่สามารถระบุราคาที่แน่นอนของตำแหน่งและโมเมนตัมที่แน่นอนของมันได้พร้อมกันด้วยความแม่นยำที่ไม่จำกัด การต้องการความแน่นอนมากขึ้นในสิ่งหนึ่งจะทำให้คุณสูญเสียความแน่นอนในอีกสิ่งหนึ่ง นี่คือการเปรียบเทียบ ไม่ใช่กฎของเศรษฐศาสตร์ - แต่มันมีประโยชน์ และต่อมามันจะกลายเป็นกฎการกำหนดขนาดตำแหน่งที่ชัดเจน
3. สถาปัตยกรรมของเอเจนต์เทรดดิ้งควอนตัม
เอเจนต์เป็นวงรอบปิดของหกโมดูล แผนภาพสถาปัตยกรรมที่แนบมากับโพสต์นี้แสดงวงรอบเต็มรูปแบบ นี่คือสิ่งที่แต่ละขั้นตอนทำ
1. การรับรู้ (Perception) รับข้อมูลตลาดดิบ - order book, OHLCV, อัตราเงินทุน (funding rates), กระแสบนเชน (on-chain flow) ทำให้เป็นมาตรฐานเป็นเวกเตอร์คุณลักษณะ x นี่คืองานประปาเชิงปริมาณทั่วไป ยังไม่มีอะไรเป็นควอนตัม
3. การสร้างแฮมิลโทเนียน (Hamiltonian builder) แปลวัตถุประสงค์ความเสี่ยง/ผลตอบแทนของคุณบวกกับข้อจำกัดเป็น QUBO / Ising Hamiltonian H นี่คือจุดที่ข้อจำกัดด้านงบประมาณ, การ aversion ความเสี่ยง และผลตอบแทนที่คาดหวังถูกฝังลงในภูมิทัศน์พลังงาน
4. ตัวแก้ปัญหาแบบควอนตัม-inspired (Quantum-inspired solver) ค้นหาสถานะพื้นของ H - การเลือกสินทรัพย์ที่เหมาะสมที่สุด - ผ่าน simulated annealing, วงจร QAOA บนซิมูเลเตอร์ หรือ tensor-network solver โมดูลนี้ คือ ตัวปรับแต่งพอร์ตโฟลิโอของคุณ และมันสามารถสับเปลี่ยนได้โดยเจตนา
5. การตัดสินใจโดยการวัด (Decision by measurement) ยุบสถานะเป็นตำแหน่งและขนาดที่ชัดเจน โดยมีกฎแบบไฮเซนเบิร์กที่ลดความเสี่ยงเมื่อความไม่แน่นอนสูง
6. การดำเนินการและข้อเสนอแนะ (Execution and feedback) ส่งคำสั่งซื้อขาย, สังเกต P&L ที่เกิดขึ้นจริง และอัปเดตแอมพลิจูด ผลลัพธ์ที่วัดได้กลายเป็นความเชื่อก่อนหน้า (prior) ของวันพรุ่งนี้ - วงรอบการเสริมแรง (reinforcement loop) ที่ช่วยให้เอเจนต์ปรับตัวแทนที่จะใช้กลยุทธ์ที่หยุดนิ่ง
4. โค้ด: การเข้ารหัสตลาดเป็นสถานะควอนตัม
เราจะใช้ numpy สำหรับคณิตศาสตร์สถานะ และพึ่งพาแบบแผนของ qiskit / pennylane สำหรับส่วนที่เป็นควอนตัม-inspired ไม่มีอะไรในที่นี้จำเป็นต้องใช้ฮาร์ดแวร์ควอนตัมจริง - มันทำงานบนแล็ปท็อป
การแทรกสอดคือประเด็นหลัก ดังนั้นการเข้ารหัสต้องปล่อยให้สัญญาณ รวมกันเป็นจำนวนเชิงซ้อน ก่อนที่คุณจะหาความน่าจะเป็น แต่ละโมเดลอัลฟ่ามีส่วนสนับสนุนแอมพลิจูดเชิงซ้อน - ขนาดเท่ากับความเชื่อมั่น, เฟสเท่ากับจังหวะเวลา (timing) หรือการจัดตำแหน่งระบอบ (regime alignment) - ต่อ แต่ละ สถานการณ์ตลาด คุณรวมส่วนสนับสนุนจากทุกโมเดล จากนั้นจึงใช้กฎบอร์น (Born rule)
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]
บรรทัดสำคัญคือ กฎบอร์น (Born rule): ความน่าจะเป็นเท่ากับขนาดกำลังสองของแอมพลิจูด เนื่องจากสัญญาณ bullish สองตัวถูกรวมเป็นจำนวนเชิงซ้อนก่อนการยกกำลังสอง องค์ประกอบที่อยู่นอกเฟสของพวกมันจึง หักล้างกัน และสถานการณ์ "ขึ้น" ที่แออัดถูกกดจาก 0.76 ตามปกติลงเหลือ 0.147 เอเจนต์จะจางหาย (fade) ข้อตกลงที่เป็นความเห็นพ้องที่มีความสัมพันธ์เกินไปโดยอัตโนมัติ นั่นคือความแตกต่างที่เป็นรูปธรรมและวัดผลได้ระหว่างสิ่งนี้กับกลุ่ม ensemble การเฉลี่ยความน่าจะเป็นแบบธรรมดา และแผนภาพการแทรกสอดที่แนบมากับโพสต์นี้แสดงตัวเลขเดียวกันแบบเคียงข้างกัน
5. ส่วนที่ยากที่ไม่มีใครแสดงให้คุณเห็น: เฟสมาจากไหน?
ทุกบทความที่ขาย "ควอนตัมเทรดดิ้ง" ให้คุณ มักจะฮาร์ดโค้ดเฟสอย่างเงียบๆ และหวังว่าคุณจะไม่สังเกตเห็น ในโค้ดด้านบนผมเขียน np.exp(1j\2.7) ด้วยตัวเอง ในระบบจริง การคิดค้นเฟสคือปัญหาการวิจัยทั้งหมด* และการแสร้งทำเป็นอย่างอื่นเป็นวิธีที่เร็วที่สุดในการหลอกตัวเอง
ดังนั้น ให้ถือว่าเฟสเป็นเป้าหมายการสร้างโมเดลอันดับหนึ่ง ไม่ใช่แค่ของตกแต่ง วิธีการที่มีหลักการในการหาเฟสแทนการเดา:
จังหวะเวลา / เฟสของวงจร (Timing / cycle phase) รันแต่ละสัญญาณผ่านการแปลงฮิลเบิร์ต (Hilbert transform) หรือการแยกเวฟเล็ต (wavelet decomposition) และอ่านค่าเฟสทันทีของวงจรที่โดดเด่น โมเดลโมเมนตัมสองตัวที่ยิงในทิศทางเดียวกันแต่ในเฟสวงจรที่แตกต่างกัน ควรหักล้างกันบางส่วนจริงๆ - นั่นคือความแออัดที่คุณต้องการตรวจจับ
เฟสนำ-ตาม (Lead-lag phase) ประมาณการหน่วงเวลาสหสัมพันธ์ข้าม (cross-correlation lag) ระหว่างสัญญาณกับผลตอบแทนในอนาคต แปลงหน่วงเวลาเป็นมุม สัญญาณที่นำหน้าราคาจะได้เฟสหนึ่ง สัญญาณที่ตามหลังซึ่งจริงๆ แล้วแค่ไล่ตามจะได้อีกเฟสหนึ่ง ดังนั้นพวกมันจะแทรกสอดแบบหักล้างกับสัญญาณนำแทนที่จะนับซ้ำ
เฟสระบอบ (Regime phase) แมปตัวแยกประเภทระบอบ (แนวโน้ม vs ช่วง sideways, สูง vs ต่ำ vol) ลงบนมุมเพื่อให้การมีส่วนร่วมของสัญญาณหมุนไปตามการหมุนของระบอบ โมเดล breakout และโมเดล mean-reversion จะนั่งอยู่ใกล้เฟสตรงข้ามกันโดยธรรมชาติ
วินัยนั้นง่าย: ถ้าคุณไม่สามารถอธิบายได้ว่าทำไมสัญญาณถึงมีเฟสที่เป็นอยู่ คุณไม่มีสิทธิ์ใช้เฟส กลับไปใช้เฟส 0 สำหรับทุกอย่าง แล้วคุณก็กลับไปสู่กลุ่ม ensemble แบบคลาสสิก - ซึ่งก็ใช้ได้และซื่อสัตย์ เฟสมีพลังเพราะมันได้มายาก
6. โค้ด: พอร์ตโฟลิโอในฐานะการค้นหาสถานะพื้น
การเลือกพอร์ตโฟลิโอภายใต้ข้อจำกัดคือการเพิ่มประสิทธิภาพเชิงการจัด (combinatorial optimization) - เลือกชุดย่อยของสินทรัพย์ที่ดีที่สุดภายใต้งบประมาณและข้อจำกัดความเสี่ยง นั่นคือรูปร่างของปัญหาที่การแอนนีลถูกสร้างขึ้นมาอย่างพอดี เราจะเข้ารหัส "สินทรัพย์ที่จะถือ" เป็น QUBO (Quadratic Unconstrained Binary Optimization) ซึ่งเป็นคู่แฝดแบบคลาสสิกของ Ising Hamiltonian
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))
ข้อสังเกตที่ซื่อสัตย์เรื่องขนาด ที่ห้าสินทรัพย์ คุณไม่จำเป็นต้องแอนนีล — คุณสามารถ brute-force ทั้ง 32 ชุดค่าผสมได้ การแอนนีลจะคุ้มค่าเมื่อมี สินทรัพย์หลายร้อยรายการที่มีข้อจำกัดที่ยาก ซึ่งพื้นที่การค้นหาจะระเบิดและตัวแก้ปัญหาที่แม่นยำจะทำงานไม่ได้ เหตุผลที่เขียนแบบนี้ในขนาดเล็กคืออินเทอร์เฟซไม่เคยเปลี่ยนแปลง: สลับ simulated_anneal เป็นแบ็กเอนด์จริง — ตัวแอนนีลของ D-Wave, วงจร QAOA บนซิมูเลเตอร์ของ Qiskit หรือ tensor-network solver ชนิดที่ Multiverse จัดส่ง — และ ไม่มีอะไรอื่นในเอเจนต์ที่เปลี่ยน ตัวแก้ปัญหาเป็นปลั๊ก (plug)
7. โค้ด: วงรอบเอเจนต์ (การรับรู้สู่การยุบตัวสู่การดำเนินการ)
ตอนนี้เชื่อมต่อเข้าด้วยกัน นี่คือโครงกระดูกของเอเจนต์อัตโนมัติ - วงรอบควบคุม perceive/decide/act เดียวกับที่เอเจนต์ LLM ใช้ แต่มีสถานะแบบควอนตัมเป็นโมเดลโลกแทนที่จะเป็นข้อความ
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
ดูที่ measure() ให้ดี เพราะเวอร์ชันก่อนหน้านี้ที่ดู naive มีข้อบกพร่องจริง: มันใช้ขนาดที่เหมือนกันกับทุกสินทรัพย์ที่เลือก โดยไม่สนว่าสินทรัพย์แต่ละตัวดีแค่ไหน เวอร์ชันนี้แก้ไขด้วยสองขั้นตอน เกทระดับโลก (global gate) อ่านสถานะสถานการณ์ - ความเชื่อมั่นในทิศทาง (directional conviction) ซึ่งก็คือ P(up) + P(breakout) หารด้วยเทอมความผันผวน การหารนั้นคือกฎแบบไฮเซนเบิร์กที่ทำการบริหารความเสี่ยง: ยิ่งตลาดต่อต้านการกำหนดราคาที่แม่นยำมากเท่าไร ซึ่งหมายถึงความผันผวนที่สูงขึ้น ภาระผูกพันทั้งหมดของเอเจนต์ก็จะยิ่งน้อยลงเท่านั้น จากนั้น น้ำหนักต่อสินทรัพย์ (per-asset weight) จะกระจายงบประมาณนั้นไปยังชื่อที่เลือกตามสัดส่วนของความได้เปรียบ (edge) ที่คาดหวังของตัวเอง และปฏิเสธที่จะถือยาว (long) สิ่งใดก็ตามที่มีผลตอบแทนที่คาดหวังเป็นลบ ความเชื่อมั่นกำหนดว่าคุณเดิมพันมากแค่ไหน ความได้เปรียบต่อสินทรัพย์กำหนดว่ามันจะไปที่ไหน
8. การตรวจสอบความเป็นจริงของวอลล์สตรีท
ที่ไหนที่สิ่งนี้สร้างรายได้จริงๆ และที่ไหนที่มันเป็นเพียงเดโม่ที่สวยงาม? การเจาะจงที่นี่คือสิ่งที่ทำให้ส่วนที่เหลือเชื่อถือได้
ความได้เปรียบที่แท้จริงในวันนี้ บนฮาร์ดแวร์คลาสสิก:
การเพิ่มประสิทธิภาพพอร์ตโฟลิโอในวงกว้าง (Portfolio optimization at scale) ด้วยสินทรัพย์หลายร้อยรายการและข้อจำกัดที่ยาก ตัวแอนนีลและวิธีการ tensor-network จัดการกับการจัดหมู่ (combinatorics) และข้อจำกัดต่างๆ ได้อย่างสวยงามกว่าตัวแก้ปัญหาความแปรปรวน-ค่าเฉลี่ย (mean-variance solvers) แบบพื้นฐาน และมักจะเร็วกว่า นี่คือการใช้งานที่成熟ที่สุดและมี hype น้อยที่สุด
การประมาณความเสี่ยงผ่านการประมาณค่าแอมพลิจูดควอนตัม (Risk estimation via quantum amplitude estimation) ในทางทฤษฎี สิ่งนี้ให้ความเร็วที่เพิ่มขึ้นแบบกำลังสอง (quadratic speedup) เมื่อเทียบกับ Monte Carlo แบบคลาสสิกสำหรับ VaR และ CVaR นี่ยังคงเป็นหนึ่งในแนวทางการวิจัยที่มีการดำเนินการมากที่สุดในธนาคารขนาดใหญ่ เนื่องจากการรันความเสี่ยงมีค่าใช้จ่ายสูงและดำเนินการอย่างต่อเนื่อง ข้อสังเกต: การเพิ่มความเร็วในพาดหัวเป็นผลเชิงเส้นกำกับทางทฤษฎี และฮาร์ดแวร์ในปัจจุบันยังไม่สามารถทำได้ในระดับการผลิต
การรวมสัญญาณผ่านการแทรกสอด (Signal combination via interference) การสร้างโมเดลความเชื่อมั่นด้วยเฟสเพื่อให้การเทรดที่แออัดและมีความสัมพันธ์เกินไปหักล้างกัน เป็นการปรับกรอบความคิดที่มีประโยชน์อย่างแท้จริง และมันทำงานบน GPU ที่คุณมีอยู่แล้วในวันนี้ มันเป็นแนวคิดที่ใช้งานได้จริงมากที่สุดในบทความนี้ - โดยมีเงื่อนไขว่าคุณแก้ปัญหาเฟสจากส่วนที่ 5 อย่างซื่อสัตย์
ยังคงเป็นงานวิจัยเป็นส่วนใหญ่:
การกำหนดราคาอนุพันธ์แบบครบวงจรบนฮาร์ดแวร์ควอนตัมจริง (End-to-end derivative pricing on real quantum hardware) มีแนวโน้มดีในหลักการ แต่สัญญาณรบกวน (noise) และจำนวนคิวบิตที่จำกัดในปัจจุบัน
การทำนายราคา "Quantum ML" มี hype มากเกินไป ต้นทุนในการโหลดข้อมูลตลาดคลาสสิกเข้าสู่สถานะควอนตัมมักจะกินความเร็วที่เพิ่มขึ้นใดๆ ที่คุณหวังจะได้รับ จงสงสัยอย่างมากกับใครก็ตามที่ขายสิ่งนี้
บรรทัดล่างที่ซื่อสัตย์: เอเจนต์แบบควอนตัม-inspired สามารถสร้างและทำ backtest ได้ในตอนนี้** เพราะทุกโมดูลทำงานบนฮาร์ดแวร์คลาสสิก คุณจับแนวคิดเชิงโครงสร้าง - การซ้อนทับของสมมติฐาน, การแทรกสอดแบบหักล้างกับความแออัด, การเพิ่มประสิทธิภาพตามแฮมิลโทเนียน - โดยไม่ต้องรอคอมพิวเตอร์ควอนตัมที่ทนต่อความผิดพลาด (fault-tolerant) เมื่อฮาร์ดแวร์เติบโตเต็มที่ คุณก็สลับโมดูล 4 และเก็บส่วนที่เหลือไว้
9. สิ่งที่จะฆ่าสิ่งนี้ในการผลิตจริง
ทุกกลยุทธ์ดูยอดเยี่ยมจนกว่าจะเจอตลาด ก่อนที่คุณจะเสี่ยงเงินแม้แต่ดอลลาร์เดียว ให้ซึมซับสี่สิ่งที่ทำลายเอเจนต์แบบควอนตัม-inspired โดยเฉพาะอย่างเงียบๆ
ต้นทุนธุรกรรมและสลิปเพจ (Transaction costs and slippage) ชั้นการแทรกสอดจะสับเปลี่ยนความเชื่อมั่นใหม่ทุกครั้งที่มีข้อมูลใหม่มาถึง ซึ่งล่อลวงให้เอเจนต์พลิก (churn) หนังสือของมัน ค่าธรรมเนียมและสลิปเพจไม่สนใจว่าเวกเตอร์สถานะของคุณจะสวยงามแค่ไหน เพิ่มบทลงโทษการหมุนเวียน (turnover penalty) ลงในแฮมิลโทเนียนโดยตรงแล้วรันใหม่ - "ความได้เปรียบ" มากมายจะหายไปทันทีที่คิดต้นทุนตามความเป็นจริง
การโอเวอร์ฟิตเฟส (Overfitting the phases) เฟสทำให้คุณมีพารามิเตอร์อิสระชุดใหม่ทั้งหมด และพารามิเตอร์อิสระคือวิธีที่ backtest โกหก มันง่ายมากที่จะปรับเฟสจนกว่าปีที่แล้วจะทำเงินได้มากมายและปีหน้าจะขาดทุน แก้ไขกฎเฟสจากทฤษฎี (ส่วนที่ 5) ก่อนที่คุณจะดูผลตอบแทน และอย่าปล่อยให้ backtest เลือกให้คุณเด็ดขาด
การสอดแนมข้อมูลข้ามวงรอบ (Data-snooping across the loop) เนื่องจากนี่คือวงรอบข้อเสนอแนะแบบปิด การรั่วไหล (leakage) จึงทวีคูณ ถ้าโมเดลความเชื่อมั่นของคุณ, การประมาณความแปรปรวนร่วมของคุณ หรือป้ายระบอบของคุณแม้แต่แอบมองไปยังอนาคตเพียงเล็กน้อย ทั้งเอเจนต์จะสืบทอดคำโกหกนั้น ทดสอบแบบ walk-forward ทดสอบ ทั้งวงรอบ ไม่ใช่แค่สัญญาณที่แยกออกมา
ความเปราะบางของความแปรปรวนร่วมต่อระบอบ (Regime fragility of the covariance) QUBO พึ่งพาเมทริกซ์ความแปรปรวนร่วม และความแปรปรวนร่วมจะระเบิดขึ้นอย่างแม่นยำเมื่อคุณต้องการมันมากที่สุด - ในภาวะวิกฤต ความสัมพันธ์จะพุ่งไปที่หนึ่ง ทดสอบความเครียดในการเลือกสถานะพื้นภายใต้ความแปรปรวนร่วมที่ถูกช็อค (shocked covariance) ไม่ใช่แค่ในตลาดสงบ มิฉะนั้น ตัวปรับแต่งจะมอบพอร์ตโฟลิโอที่กระจายความเสี่ยงเพียงในกระดาษให้คุณอย่างมีความสุข
10. รายการตรวจสอบสำหรับการสร้างของคุณ
ถ้าคุณต้องการจัดส่งสิ่งนี้จริงๆ นี่คือลำดับการดำเนินงาน
เริ่มต้นด้วย ตัวแก้ปัญหาแบบควอนตัม-inspired (quantum-inspired solver) - numpy ธรรมดาพร้อม simulated annealing ไม่ต้องใช้ฮาร์ดแวร์, ไม่ต้องมีบัญชี, ไม่ต้องมี dependencies
แทนที่แอมพลิจูดที่ปรับแต่งด้วยมือด้วย โมเดลความเชื่อมั่นที่เรียนรู้ได้ (learned conviction model) ที่ป้อนให้ combine_signals และหาเฟสจากทฤษฎีมากกว่าการปรับให้เข้ากับข้อมูล
Backtest ทั้งวงรอบ โดยรวมต้นทุน ไม่ใช่แค่สัญญาณ เรียกเก็บค่าธรรมเนียมและสลิปเพจตามความเป็นจริง เพิ่มบทลงโทษการหมุนเวียน และเดินหน้าแบบ walk-forward ตรรกะการแทรกสอดและการกำหนดขนาดคือที่ที่ทั้งความได้เปรียบและการหลอกลวงตนเองซ่อนตัวอยู่
หลังจากที่นามธรรม (abstraction) จ่ายคืนตัวเองในการจำลองแล้วเท่านั้น คุณควรเอื้อมไปหาแบ็กเอนด์จริง - ซิมูเลเตอร์ของ Qiskit หรือ PennyLane ก่อน จากนั้น D-Wave จากนั้นฮาร์ดแวร์ การสลับโมดูล 4 เป็นการเปลี่ยนแปลงโค้ดบรรทัดเดียวโดยการออกแบบ
ตลาดเป็นคลื่นความน่าจะเป็นมาโดยตลอด เกือบทุกคนยังคงเทรดมันเหมือนตัวเลขตัวเดียว - และช่องว่างระหว่างสองมุมมองนี้คือโอกาสทั้งหมด
ถ้าสิ่งนี้เปลี่ยนวิธีที่คุณคิดเกี่ยวกับตลาด กรุณา repost ข้อความด้านบนและติดตามเต็มไปด้วย. พร้อมกับ repo โอเพนซอร์สของเอเจนต์ครบวงจรที่จะเผยแพร่ต่อไป ⚛️
คำปฏิเสธความรับผิดชอบ ไม่ใช่คำแนะนำทางการเงิน และไม่ใช่คำสัญญาเรื่องผลตอบแทน Quantum-inspired ไม่ได้หมายถึง quantum-guaranteed - ส่วนใหญ่ที่ทำให้สิ่งนี้ใช้งานได้คือการสร้างโมเดลคลาสสิกที่มีระเบียบวินัยซึ่งสวมเสื้อคลุมของควอนตัม ทดสอบ backtest ทุกอย่างด้วยต้นทุนจริง ตลาดจะยุบฟังก์ชันคลื่นของคุณไม่ว่าคุณจะพร้อมหรือไม่ก็ตาม
