Cùng một phép toán mô tả một hạt ở hai nơi cùng lúc cũng có thể mô tả một danh mục đầu tư ở hai vị thế cùng lúc. Dưới đây là cách biến cấu trúc của cơ học lượng tử thành một tác nhân giao dịch tự động – và quan trọng không kém, ranh giới giữa sự thật và tiếp thị bắt đầu từ đâu.
1. Tại sao lại là lượng tử, và tại sao là bây giờ
Mọi quỹ phòng hộ trên hành tinh này đều đang nghiền nát ba ý tưởng giống nhau: momentum, mean-reversion, và một số dạng học máy trên dòng lệnh. Lợi thế ngày càng mỏng đi vì mô hình thị trường mà mọi người chia sẻ là giống hệt nhau – một mô hình cổ điển, nơi giá là một con số duy nhất và tương lai là một đường đi nhiễu duy nhất.
Cơ học lượng tử cung cấp một mô hình dữ liệu khác. Một hệ lượng tử không bao giờ ở một trạng thái duy nhất. Nó sống trong một chồng chập của tất cả các trạng thái có thể cùng lúc, mỗi trạng thái mang một biên độ xác suất phức. Điều đó tình cờ là một mô tả rất tốt về thị trường trước khi bạn đặt lệnh: tài sản đồng thời tăng, giảm và đi ngang, mỗi kết quả được gán một xác suất, cho đến khi lệnh của bạn buộc thực tế phải chọn một.
Đây là phần mà hầu hết các bài viết bỏ qua, vì vậy hãy để tôi nói thẳng ngay từ đầu. Bạn không cần một máy tính lượng tử vật lý cho bất kỳ điều nào trong số này, và hầu hết những gì tiếp theo không phải là lượng tử theo nghĩa đen. Nó là lấy cảm hứng từ lượng tử: các thuật toán cổ điển mượn cấu trúc toán học của cơ học lượng tử – vector trạng thái, biên độ phức, Hamiltonian, ủ, nhiễu – và chạy trên cùng GPU bạn đã sở hữu. Giá trị nằm ở cấu trúc, không phải ở qubit. Trung thực về sự khác biệt đó là điều phân biệt một khuôn khổ có thể sử dụng với một từ khóa thông thường.
Các ngân hàng và công ty định lượng – trong số đó có Goldman Sachs, JPMorgan, HSBC và các chuyên gia như Multiverse Computing – đã tích cực nghiên cứu và công bố về các phương pháp lượng tử và lấy cảm hứng từ lượng tử cho định giá phái sinh, rủi ro Monte Carlo và tối ưu hóa danh mục đầu tư. Lý thuyết đã được công khai. Điều mà hầu như không ai viết ra là cách kết nối nó vào một tác nhân tự động – một hệ thống tự nhận thức, quyết định, thực thi và học hỏi. Đó là những gì chúng tôi xây dựng ở đây.
2. Từ điển lượng tử-to-thị trường
Trước bất kỳ mã nào, bạn cần bản đồ. Mỗi khái niệm lượng tử dưới đây có một tương đồng giao dịch chính xác. Hãy coi phần này như hợp đồng khái niệm cho mọi thứ tiếp theo.
Biên độ xác suất ánh xạ tới niềm tin – nhưng có pha. Xác suất cổ điển chỉ là các số không âm. Biên độ lượng tử là phức: mỗi cái mang một độ lớn và một góc pha. Pha là toàn bộ bản nâng cấp. Nó là thứ cho phép hai tín hiệu tăng giá nhiễu triệt tiêu và hủy bỏ, hoặc hai tín hiệu yếu nhiễu xây dựng thành một tín hiệu mạnh. Một tập hợp cổ điển trung bình các xác suất dương về mặt vật lý không thể làm điều này – điều tốt nhất nó có thể làm là pha loãng. Pha cho phép các tín hiệu chủ động phủ quyết lẫn nhau.
Rối lượng tử ánh xạ tới tương quan bạn không thể tách rời. Khi hai tài sản di chuyển như một chế độ liên kết – nghĩ đến một đồng coin lớn và các memecoin đi theo thanh khoản của nó – bạn không thể trung thực mô tả cái này mà không có cái kia. Tác nhân mã hóa điều này như một trạng thái không thể tách rời, nắm bắt sự di chuyển đồng thời liên kết chế độ mà một ma trận tương quan tĩnh có xu hướng làm phẳng và đánh giá thấp, đặc biệt là ở phần đuôi.
Hamiltonian ánh xạ tới hàm chi phí rủi ro/lợi nhuận của bạn. Trong vật lý, Hamiltonian H mã hóa năng lượng của một hệ thống. Trong giao dịch, bạn mã hóa mục tiêu của mình – tối đa hóa lợi nhuận kỳ vọng, tối thiểu hóa phương sai, tôn trọng giới hạn vị thế và ngân sách – như một cảnh quan năng lượng. Danh mục đầu tư tối ưu sau đó là trạng thái cơ bản: cấu hình năng lượng thấp nhất của H. Xây dựng danh mục đầu tư trở thành một bài toán tối thiểu hóa năng lượng, một vấn đề rất được nghiên cứu kỹ lưỡng để giải quyết.
Đo lường và sụp đổ ánh xạ tới thực thi. Ngay khi bạn gửi lệnh, sự chồng chập sụp đổ thành một kết quả thực tế. Công việc thực sự của tác nhân là chọn khi nào và đo lường cái gì để sự sụp đổ có xu hướng rơi vào một cấu hình có lợi nhuận. Thậm chí còn có một nguyên tắc rủi ro tích hợp sẵn theo phép loại suy với Heisenberg: bạn không thể đồng thời xác định chính xác giá của một vị thế và động lượng chính xác của nó với độ chính xác không giới hạn. Đòi hỏi nhiều chắc chắn hơn về một cái sẽ làm bạn mất chắc chắn về cái kia. Đây là một phép loại suy, không phải là một quy luật tài chính – nhưng nó là một phép loại suy hữu ích, và sau này nó sẽ trở thành một quy tắc xác định kích thước vị thế cụ thể.
3. Kiến trúc của một tác nhân giao dịch lượng tử
Tác nhân là một vòng khép kín gồm sáu mô-đun. Sơ đồ kiến trúc đính kèm bài đăng này cho thấy toàn bộ chu trình; đây là những gì mỗi giai đoạn làm.
1. Nhận thức. Tiếp nhận dữ liệu thị trường thô – sổ lệnh, OHLCV, tỷ lệ tài trợ, dòng on-chain. Chuẩn hóa nó thành một vector đặc trưng x. Đây là đường ống định lượng thông thường; chưa có gì lượng tử.
3. Xây dựng Hamiltonian. Dịch mục tiêu rủi ro/lợi nhuận cộng với các ràng buộc thành Hamiltonian QUBO / Ising H. Đây là nơi các giới hạn ngân sách, mức độ ngại rủi ro và lợi nhuận kỳ vọng được nướng vào một cảnh quan năng lượng.
4. Bộ giải lấy cảm hứng từ lượng tử. Tìm trạng thái cơ bản của H – lựa chọn tài sản tối ưu – thông qua ủ mô phỏng, mạch QAOA trên bộ mô phỏng hoặc bộ giải mạng tensor. Mô-đun này là bộ tối ưu hóa danh mục đầu tư của bạn và nó được cố tình có thể hoán đổi.
5. Quyết định bằng đo lường. Sụp đổ trạng thái thành các vị thế và kích thước cụ thể, với quy tắc kiểu Heisenberg thu hẹp mức độ tiếp xúc khi sự không chắc chắn cao.
6. Thực thi và phản hồi. Định tuyến các lệnh, quan sát P&L thực tế và cập nhật các biên độ. Kết quả đo được trở thành tiền nghiệm của ngày mai – một vòng lặp củng cố cho phép tác nhân thích ứng thay vì chạy một chiến lược cố định.
4. Mã: mã hóa thị trường như một trạng thái lượng tử
Chúng tôi sẽ sử dụng numpy cho toán học trạng thái và dựa vào các quy ước của qiskit / pennylane cho các phần lấy cảm hứng từ lượng tử. Không có gì ở đây cần phần cứng lượng tử thực tế – nó chạy trên một máy tính xách tay.
Nhiễu là toàn bộ mục đích, vì vậy việc mã hóa phải cho phép các tín hiệu cộng dưới dạng số phức trước khi bạn tính xác suất. Mỗi mô hình alpha đóng góp một biên độ phức – độ lớn bằng niềm tin, pha bằng thời gian hoặc sự liên kết chế độ – cho mỗi kịch bản thị trường. Bạn tổng hợp các đóng góp trên các mô hình, và chỉ sau đó áp dụng quy tắc Born.
1import numpy as np23def combine_signals(contributions: np.ndarray) -> np.ndarray:4 """5 contributions: ma trận phức có shape [n_signals, n_scenarios].6 |value| = niềm tin của một mô hình cho một kịch bản,7 angle = pha của nó (thời gian / sự liên kết chế độ).8 trả về: trạng thái |psi> đã chuẩn hóa trên các kịch bản.9 """10 amplitudes = contributions.sum(axis=0) # các tín hiệu NHIỄU ở đây11 return amplitudes / np.linalg.norm(amplitudes)1213# Các kịch bản: [tăng, giảm, đi ngang, breakout]14# Hai mô hình momentum đều nghiêng về 'tăng' -- nhưng chúng lệch pha, nên chúng hủy một phần.15signal_A = np.array([0.7+0j, 0.1+0j, 0.2+0j, 0.3+0j]) # tăng giá, pha 016signal_B = np.array([0.6*np.exp(1j*2.7), 0.15, 0.2, 0.25]) # tăng giá nhưng ~đối pha1718psi = combine_signals(np.vstack([signal_A, signal_B]))1920# Xác suất của mỗi kịch bản = |biên độ|^2 (quy tắc Born)21probs = np.abs(psi) ** 222print(probs.round(3)) # -> [0.147 0.102 0.26 0.491]
Dòng quan trọng là quy tắc Born: xác suất bằng độ lớn bình phương của biên độ. Bởi vì hai tín hiệu tăng giá được tổng hợp dưới dạng số phức trước khi bình phương, các thành phần lệch pha của chúng hủy bỏ, và kịch bản "tăng" đông đúc bị giảm từ 0.76 xuống 0.147. Tác nhân tự động mờ dần một cược đồng thuận quá tương quan. Đó là sự khác biệt cụ thể, có thể đo lường được giữa cái này và một tập hợp trung bình xác suất đơn thuần, và sơ đồ nhiễu đính kèm bài đăng này cho thấy cùng các con số cạnh nhau.
5. Phần khó mà không ai chỉ cho bạn: pha đến từ đâu?
Mọi bài viết bán cho bạn "giao dịch lượng tử" đều lặng lẽ mã hóa cứng các pha và hy vọng bạn không để ý. Trong đoạn mã trên, tôi đã viết np.exp(1j\2.7) bằng tay. Trong một hệ thống thực tế, phát minh ra pha là toàn bộ vấn đề nghiên cứu*, và giả vờ ngược lại là cách nhanh nhất để tự lừa dối bản thân.
Vì vậy, hãy coi pha như một mục tiêu mô hình hóa hạng nhất, không phải là vật trang trí. Một vài cách có cơ sở để suy ra pha thay vì đoán:
Thời gian / pha chu kỳ. Chạy mỗi tín hiệu qua biến đổi Hilbert hoặc phân tích wavelet và đọc pha tức thời của chu kỳ chi phối. Hai mô hình momentum bắn cùng hướng nhưng ở các pha chu kỳ khác nhau thực sự nên hủy một phần – đó chính xác là sự đông đúc bạn muốn phát hiện.
Pha dẫn-trễ. Ước tính độ trễ tương quan chéo giữa một tín hiệu và lợi nhuận tương lai. Chuyển đổi độ trễ đó thành một góc. Các tín hiệu dẫn trước giá nhận được một pha; các tín hiệu đi sau thực sự chỉ đuổi theo nhận được một pha khác, vì vậy chúng nhiễu triệt tiêu với các tín hiệu dẫn đầu thay vì đếm trùng.
Pa chế độ. Ánh xạ một bộ phân loại chế độ (xu hướng vs phạm vi, biến động cao vs thấp) thành một góc để đóng góp của tín hiệu xoay khi chế độ xoay. Một mô hình breakout và một mô hình mean-reversion sau đó tự nhiên nằm gần các pha đối lập.
Kỷ luật rất đơn giản: nếu bạn không thể giải thích tại sao một tín hiệu có pha như nó có, bạn không được sử dụng pha. Quay lại pha 0 cho mọi thứ, và bạn quay lại một tập hợp cổ điển – điều đó ổn và trung thực. Pha mạnh mẽ chính xác bởi vì nó khó giành được.
6. Mã: danh mục đầu tư như một tìm kiếm trạng thái cơ bản
Lựa chọn danh mục đầu tư dưới các ràng buộc là tối ưu hóa tổ hợp – chọn tập con tài sản tốt nhất chịu sự ràng buộc về ngân sách và giới hạn rủi ro. Đó chính xác là hình dạng của bài toán mà ủ được xây dựng để giải. Chúng tôi mã hóa "tài sản nào để nắm giữ" như một QUBO (Quadratic Unconstrained Binary Optimization), bản sao cổ điển của Hamiltonian Ising.
1import numpy as np23def build_portfolio_hamiltonian(expected_returns, cov, risk_aversion=1.0,4 budget=3, penalty=5.0):5 """6 Xây dựng ma trận QUBO Q sao cho việc tối thiểu hóa x^T Q x (x in {0,1}^n)7 chọn các tài sản 'budget' tốt nhất: tối đa hóa lợi nhuận, tối thiểu hóa rủi ro,8 và phạt nhẹ việc vi phạm ràng buộc ngân sách.9 """10 n = len(expected_returns)11 Q = np.zeros((n, n))1213 # lợi nhuận (phủ định, vì chúng ta tối thiểu hóa) cộng với một số hạng rủi ro từ hiệp phương sai14 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 # ràng buộc ngân sách (sum x_i - budget)^2 như một hình phạt mềm20 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 """Ủ lấy cảm hứng từ lượng tử: làm nguội từ từ hệ thống vào trạng thái cơ bản của nó."""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) # lịch trình nhiệt độ tuyến tính34 i = np.random.randint(n)35 x_new = x.copy(); x_new[i] ^= 1 # lật một tài sản vào/ra36 e_new = energy(x_new)37 # luôn chấp nhận cải thiện, và đôi khi chấp nhận các bước xấu hơn (đó là cách nó thoát khỏi cực tiểu cục bộ)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("Nắm giữ tài sản:", np.where(selection == 1)[0], "| năng lượng:", round(ground_energy, 3))
Một lưu ý trung thực về quy mô. Ở năm tài sản, bạn không cần ủ — bạn có thể thử tất cả 32 tổ hợp. Ủ chứng tỏ giá trị của nó ở hàng trăm tài sản với các ràng buộc cứng, nơi không gian tìm kiếm bùng nổ và các bộ giải chính xác nghẹt thở. Lý do để viết nó theo cách này ở quy mô nhỏ là giao diện không bao giờ thay đổi: hoán đổi simulated_anneal cho một backend thực tế — bộ ủ của D-Wave, một mạch QAOA trên bộ mô phỏng Qiskit, hoặc một bộ giải mạng tensor loại mà Multiverse cung cấp — và không có gì khác trong tác nhân di chuyển. Bộ giải là một plug.
7. Mã: vòng lặp tác nhân (nhận thức đến sụp đổ đến thực thi)
Bây giờ kết nối nó lại với nhau. Đây là bộ xương của một tác nhân tự động – cùng một vòng lặp điều khiển perceive/decide/act mà một tác nhân LLM sử dụng, nhưng với trạng thái kiểu lượng tử làm mô hình thế giới của nó thay vì văn bản.
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 = [] # bộ đệm phản hồi / RL89 def perceive(self, market):10 contributions = self.model_conviction(market) # các mô hình alpha của bạn -> ma trận phức11 return combine_signals(contributions) # -> trạng thái |psi> trên các kịch bản1213 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 Sụp đổ thành các lệnh. Hai điều xảy ra ở đây:23 1) một cổng NIỀM TIN toàn cầu từ trạng thái kịch bản (định hướng + thu nhỏ vol Heisenberg)24 2) một TRỌNG SỐ trên mỗi tài sản để các tài sản được chọn có kích thước theo lợi nhuận kỳ vọng riêng của chúng25 """26 scenario_probs = np.abs(psi) ** 227 directional = scenario_probs[0] + scenario_probs[3] # P(tăng) + P(breakout)28 vol = market["volatility"]29 gate = directional / (1.0 + self.risk_aversion * vol) # thu nhỏ trong biến động cao / niềm tin thấp3031 idx = np.where(selection == 1)[0]32 if len(idx) == 0:33 return {}34 edge = np.clip(market["expected_returns"][idx], 0, None) # chỉ mua tên có lợi nhuận kỳ vọng dương35 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) <- định tuyến đến sàn giao dịch / môi giới ở đây45 self.memory.append((market, orders))46 return orders
Hãy nhìn kỹ vào measure(), bởi vì phiên bản ngây thơ trước đó có một lỗi thực sự: nó áp dụng một kích thước giống hệt nhau cho mọi tài sản được chọn, bỏ qua mức độ tốt của từng cái. Phiên bản này sửa nó với hai giai đoạn. Một cổng toàn cầu đọc trạng thái kịch bản – niềm tin định hướng, là P(tăng) + P(breakout), chia cho một số hạng biến động. Sự chia đó là quy tắc kiểu Heisenberg thực hiện quản lý rủi ro: thị trường càng kháng cự việc định giá chính xác, nghĩa là biến động càng cao, thì tổng cam kết của tác nhân càng nhỏ. Sau đó, một trọng số trên mỗi tài sản phân phối ngân sách đó trên các tên được chọn tỷ lệ với lợi thế kỳ vọng riêng của chúng, và từ chối mua bất kỳ thứ gì có lợi nhuận kỳ vọng âm. Niềm tin đặt ra bạn đặt cược bao nhiêu; lợi thế trên mỗi tài sản đặt ra nó đi đâu.
8. Kiểm tra thực tế Phố Wall
Ở đâu điều này thực sự kiếm tiền, và ở đâu nó chỉ là một bản demo đẹp? Cụ thể ở đây là điều làm cho phần còn lại đáng tin cậy.
Lợi thế thực sự ngày hôm nay, trên phần cứng cổ điển:
Tối ưu hóa danh mục đầu tư ở quy mô lớn. Với hàng trăm tài sản và các ràng buộc cứng, các bộ ủ và phương pháp mạng tensor xử lý các tổ hợp và các ràng buộc một cách duyên dáng hơn so với các bộ giải mean-variance ngây thơ, và thường nhanh hơn. Đây là ứng dụng trưởng thành nhất, ít hype nhất.
Ước tính rủi ro thông qua ước lượng biên độ lượng tử. Về lý thuyết, điều này cung cấp một tốc độ tăng bậc hai so với Monte Carlo cổ điển cho VaR và CVaR. Nó vẫn là một trong những hướng nghiên cứu tích cực nhất tại các ngân hàng lớn, bởi vì các lần chạy rủi ro tốn kém và chạy liên tục. Lưu ý cảnh báo: tốc độ tăng tiêu đề là một kết quả tiệm cận lý thuyết, và phần cứng ngày nay chưa nhận ra nó ở quy mô sản xuất.
Kết hợp tín hiệu thông qua nhiễu. Mô hình hóa niềm tin với một pha để các giao dịch đông đúc, quá tương quan hủy bỏ là một sự tái cấu trúc thực sự hữu ích, và nó hoạt động trên GPU hiện tại của bạn ngay hôm nay. Nó là ý tưởng thực tế nhất ngay lập tức trong bài viết này – với điều kiện bạn giải quyết vấn đề pha từ Phần 5 một cách trung thực.
Vẫn chủ yếu là nghiên cứu:
Định giá phái sinh đầu cuối trên phần cứng lượng tử thực tế. Hứa hẹn về nguyên tắc, nhưng nhiễu và số lượng qubit hạn chế nó ngày nay.
Dự đoán giá "ML lượng tử". Được thổi phồng quá mức. Chi phí tải dữ liệu thị trường cổ điển vào trạng thái lượng tử thường ăn hết bất kỳ tốc độ tăng nào bạn hy vọng đạt được. Hãy rất hoài nghi về bất kỳ ai bán điều này.
Kết luận trung thực: tác nhân lấy cảm hứng từ lượng tử có thể xây dựng và backtest ngay bây giờ, bởi vì mọi mô-đun chạy trên phần cứng cổ điển. Bạn nắm bắt các ý tưởng cấu trúc – chồng chập các giả thuyết, nhiễu triệt tiêu chống lại sự đông đúc, tối ưu hóa dựa trên Hamiltonian – mà không cần chờ đợi máy tính lượng tử chịu lỗi. Khi phần cứng trưởng thành, bạn hoán đổi mô-đun 4 và giữ nguyên phần còn lại.
9. Điều gì thực sự sẽ giết chết điều này trong sản xuất
Mọi chiến lược trông tuyệt vời cho đến khi nó gặp thị trường. Trước khi bạn mạo hiểm một đô la, hãy thấm nhuần bốn điều lặng lẽ phá hủy các tác nhân lấy cảm hứng từ lượng tử một cách cụ thể.
Chi phí giao dịch và trượt giá. Lớp nhiễu sắp xếp lại niềm tin mỗi khi dữ liệu mới đến, điều này cám dỗ tác nhân xáo trộn sách của nó. Phí và trượt giá không quan tâm vector trạng thái của bạn thanh lịch thế nào. Thêm một hình phạt doanh thu trực tiếp vào Hamiltonian và chạy lại – nhiều "lợi thế" bốc hơi ngay khi các chi phí thực tế được tính.
Quá khớp các pha. Pha cung cấp cho bạn một bộ tham số tự do hoàn toàn mới, và các tham số tự do là cách các backtest nói dối. Việc điều chỉnh các pha cho đến khi năm ngoái in tiền và năm sau chảy máu là cực kỳ dễ dàng. Sửa các quy tắc pha từ lý thuyết (Phần 5) trước khi bạn nhìn vào lợi nhuận, và không bao giờ để backtest chọn chúng cho bạn.
Rò rỉ dữ liệu qua vòng lặp. Bởi vì đây là một vòng lặp phản hồi khép kín, rò rỉ sẽ tích lũy. Nếu mô hình niềm tin, ước tính hiệp phương sai hoặc nhãn chế độ của bạn nhìn trộm vào tương lai dù chỉ một chút, toàn bộ tác nhân thừa hưởng lời nói dối. Kiểm tra walk-forward toàn bộ vòng lặp, không chỉ tín hiệu một cách riêng lẻ.
Tính mong manh của chế độ đối với hiệp phương sai. QUBO dựa vào ma trận hiệp phương sai, và hiệp phương sai nổ tung chính xác khi bạn cần chúng nhất – trong một sự sụp đổ, các tương quan lao đến một. Kiểm tra ứng suất lựa chọn trạng thái cơ bản dưới hiệp phương sai bị sốc, không chỉ hiệp phương sai thị trường yên tĩnh, nếu không bộ tối ưu hóa sẽ vui vẻ trao cho bạn một danh mục đầu tư chỉ đa dạng hóa trên giấy tờ.
10. Danh sách kiểm tra xây dựng của bạn
Nếu bạn thực sự muốn triển khai điều này, đây là thứ tự các bước.
Bắt đầu với bộ giải lấy cảm hứng từ lượng tử – numpy đơn thuần cộng với ủ mô phỏng. Không có phần cứng, không có tài khoản, không có phụ thuộc.
Thay thế các biên độ được điều chỉnh bằng tay bằng một mô hình niềm tin đã học cung cấp combine_signals, và suy ra các pha từ lý thuyết thay vì khớp chúng.
Backtest toàn bộ vòng lặp, với chi phí, không chỉ tín hiệu. Tính phí và trượt giá thực tế, thêm hình phạt doanh thu, và walk-forward. Logic nhiễu và định cỡ là nơi cả lợi thế và sự tự lừa dối ẩn náu.
Chỉ sau khi sự trừu tượng đã tự trả tiền trong mô phỏng, bạn mới nên với tới một backend thực tế – bộ mô phỏng Qiskit hoặc PennyLane trước, sau đó D-Wave, sau đó phần cứng. Hoán đổi mô-đun 4 là một thay đổi một dòng theo thiết kế.
Thị trường luôn là một sóng xác suất. Hầu như mọi người vẫn giao dịch nó như một con số duy nhất – và khoảng cách giữa hai quan điểm đó là toàn bộ cơ hội.
Nếu điều này đã thay đổi cách bạn nghĩ về thị trường, hãy repost phần đầu và theo dõi. Kho repo tác nhân nguồn mở đầy đủ sẽ ra mắt tiếp theo. ⚛️
Tuyên bố miễn trách nhiệm. Không phải lời khuyên tài chính, và không phải là lời hứa về lợi nhuận. Lấy cảm hứng từ lượng tử không có nghĩa là đảm bảo lượng tử – hầu hết những gì làm cho điều này hoạt động là mô hình hóa cổ điển có kỷ luật mặc một chiếc áo lượng tử. Hãy backtest mọi thứ với chi phí thực tế; thị trường sụp đổ hàm sóng của bạn cho dù bạn có sẵn sàng hay không.
