Jeśli interesuje Cię temat komputerów kwantowych w finansach, to QAOA (Quantum Approximate Optimization Algorithm) pojawia się niemal zawsze. I nic dziwnego: obiecuje przyspieszyć rozwiązywanie problemów optymalizacyjnych, a budowa portfela to w praktyce ciągłe „układanie” kompromisu między tym, co chcemy zyskać, a tym, co chcemy ograniczyć.
Jest jednak haczyk, o którym rzadko mówi się głośno: w QAOA bardzo łatwo popełnić błędy nie w samym algorytmie, ale w tym, co do niego włożymy. A szczególnie w doborze wag portfela, czyli w tym, jak modelujemy decyzję „ile czego kupić”. Zobacz, gdzie najczęściej pojawiają się pułapki i jak je rozpoznawać, zanim zachwycisz się „ładnym wynikiem” z symulatora.
Dlaczego „wagi portfela” w QAOA to temat podstępny?
W klasycznym podejściu waga portfela to po prostu liczba, często ciągła: 0,12 oznacza 12% kapitału w danym aktywie. W QAOA świat jest zwykle bardziej „kanciasty”, bo algorytm najlepiej czuje się w problemach dyskretnych. To oznacza, że wagi często trzeba zakodować w bitach (a więc skwantować) albo nawet uprościć problem do wyboru: „biorę / nie biorę”.
W praktyce to prowadzi do kluczowego napięcia: im wierniej chcesz odtworzyć rzeczywiste wagi, tym więcej potrzebujesz zmiennych i połączeń między nimi, a to szybko robi się trudne dla dzisiejszego sprzętu kwantowego. Im bardziej upraszczasz, tym większe ryzyko, że optymalizujesz „zastępczy” problem, który tylko z daleka przypomina realną decyzję inwestycyjną.
Najczęstszy błąd: zbyt gruba dyskretyzacja wag
Najbardziej typowy kłopot wygląda niewinnie: wybierasz krok wag, na przykład 5% lub 10%, bo tak jest wygodnie. Problem w tym, że QAOA może wtedy nie mieć jak złożyć portfela, który w ogóle przypomina sensowny kompromis.
Jeżeli masz 20 aktywów i pozwalasz na wagi co 10%, to przestrzeń możliwych portfeli robi się dziurawa. Algorytm może „chcieć” dać 3% lub 7% ekspozycji, ale nie może. Zamiast tego przeskakuje między 0% a 10% i próbuje ratować resztę portfela innymi aktywami. Wynik bywa stabilny matematycznie, ale niestabilny interpretacyjnie.
Jak rozpoznać, że dyskretyzacja psuje wynik?
Najprostsza wskazówka: jeśli minimalna zmiana w danych wejściowych (na przykład delikatna zmiana oczekiwanych zwrotów) powoduje, że „optymalne” wagi skaczą o całe progi, to często nie jest to prawdziwa wrażliwość rynku, tylko artefakt zbyt grubego kodowania.
Błąd, który wygląda jak „sukces”: źle ustawione ograniczenie budżetowe
Wagi portfela mają banalne ograniczenie: powinny się sumować do 1 (albo do 100%). W QAOA nie dzieje się to „samo”. Zwykle dodaje się do funkcji celu karę za złamanie ograniczenia, na przykład za to, że suma wag jest inna niż założony budżet.
Typowy błąd polega na tym, że ograniczenie budżetowe jest zakodowane w sposób niezgodny z tym, jak naprawdę reprezentujesz wagi. Jeśli używasz kilku bitów na jedno aktywo (np. 0%, 5%, 10%…), to „suma bitów” nie jest sumą wag. To brzmi oczywiście, ale w kodzie łatwo się pomylić: w jednej linijce liczysz wartość wagi, w drugiej przez przypadek karzesz liczbę ustawionych bitów.
Efekt? Algorytm może produkować portfele, które w Twojej interpretacji są „przekupione” (suma wag > 1) albo „niedokupione” (suma wag < 1). Na wykresach energia funkcji celu może wyglądać świetnie, tylko że optymalizujesz coś innego, niż myślisz.
Klasyk QAOA: kara (penalty) za duża albo za mała
W QAOA ograniczenia często realizuje się przez człon kary. I tu pojawia się bardzo ludzka pokusa: „Dajmy wielką karę, żeby algorytm na pewno nie łamał ograniczeń”. W praktyce to częściej szkodzi, niż pomaga.
Jeśli kara jest za mała, algorytm będzie „kupował” lepszy wynik, łamiąc ograniczenia. To akurat łatwo zauważyć, jeśli na końcu sprawdzisz sumę wag i ewentualne limity.
Jeśli kara jest za duża, robi się subtelniej. Wtedy dominującym celem staje się spełnienie ograniczenia, a nie optymalizacja sensownego kompromisu ryzyko–zwrot. Krajobraz optymalizacji bywa spłaszczony, a parametry QAOA uczą się głównie tego, jak „wepchnąć” rozwiązanie w ramy, zamiast szukać jakościowego portfela. To jeden z powodów, dla których demonstracje QAOA potrafią być nadwrażliwe na dobór skal.
Praktyczny nawyk, który ratuje czas
Warto patrzeć na skale składników w funkcji celu. Jeśli typowe wartości części „zwrotu” i „ryzyka” są rzędu, powiedzmy, jedności, a kara jest rzędu tysięcy, to sygnał ostrzegawczy. QAOA zaczyna wtedy rozwiązywać przede wszystkim „problem kary”.
Nieporównywalne jednostki: zwrot i ryzyko w różnych skalach
W finansowych wersjach problemu portfelowego często łączy się dwa składniki: zachętę do zysku i karę za ryzyko. W klasycznych metodach też to istnieje, ale w QAOA błąd skali potrafi być bardziej dotkliwy, bo bezpośrednio wpływa na współczynniki w Hamiltonianie (czyli na to, co fizycznie „steruje” obwodem).
Jeśli jeden składnik ma wartości o dwa rzędy wielkości większe od drugiego, to optymalizacja w praktyce będzie ignorować mniejszy składnik. Czasem wygląda to jak „cudowna” stabilność: algorytm zawsze wybiera podobne rozwiązanie. Tyle że ta stabilność może wynikać z tego, że realnie rozwiązujesz problem jednowymiarowy, bo drugi wymiar został zagłuszony skalą.
To jest szczególnie zdradliwe, gdy przygotowujesz dane w różnych krokach: zwroty liczysz w jednej konwencji, a ryzyko (np. z macierzy kowariancji) w innej. QAOA nie „zorientuje się”, że to nieporównywalne. On po prostu wykona optymalizację liczb, które mu podasz.
Ukryte założenia o shortowaniu i limitach wag
Wagi portfela w praktyce często mają ograniczenia typu „bez shortowania” (wagi nieujemne) albo „maksymalnie 10% na pojedyncze aktywo”. W QAOA to są dodatkowe ograniczenia, które trzeba jawnie zakodować.
Błąd pojawia się, gdy w kodowaniu wag zostawiasz „furtkę” na wartości ujemne albo na przekroczenia limitów. Na przykład, jeśli używasz kodowania ze znakiem (bo tak Ci wygodnie w binarnej reprezentacji), a potem zapomnisz dodać twarde ograniczenie, algorytm może preferować rozwiązania, które matematycznie obniżają ryzyko przez kompensację dodatnich i ujemnych wag. To może wyglądać jak sprytny portfel, ale jest to spryt uzyskany przez zmianę zasad gry.
Nawet jeśli nie dopuszczasz wag ujemnych, podobny problem dotyczy limitów. Bez jawnej kary albo konstrukcji, która uniemożliwia przekroczenie, QAOA będzie korzystać z pełnej przestrzeni, którą mu dasz. A jeśli Twoja przestrzeń jest „szersza” niż zakładasz, wynik przestaje być porównywalny z klasycznym benchmarkiem.
Błąd modelu: wagi nie są jedyną decyzją (a QAOA udaje, że są)
W realnym portfelu znaczenie mają też koszty zmiany składu, płynność, minimalne wielkości transakcji czy progi, które w praktyce i tak wymuszają dyskretność. W prototypach QAOA często się to pomija, bo to „psuje” elegancję funkcji celu i zwiększa liczbę terminów.
W efekcie możesz dostać wagi, które są poprawne w Twoim uproszczonym modelu, ale po przeniesieniu na bardziej realistyczny kontekst natychmiast się rozpadają. To nie jest argument przeciwko QAOA. To raczej przypomnienie, że wagi portfela są wyjściem z pewnej historii, a nie samą historią.
Pułapka implementacyjna: mapowanie na QUBO/Ising zmienia intuicję
QAOA często startuje od problemu w formie QUBO albo Ising. Samo mapowanie bywa „księgowo poprawne”, ale potrafi wprowadzać skutki uboczne: dodatkowe stałe, przesunięcia energii i zmiany znaków, które nie zmieniają matematycznego minimum, ale zmieniają skalę i kondycję optymalizacji.
W kontekście wag portfela ma to praktyczny skutek: dwa pozornie równoważne zapisy tego samego problemu mogą prowadzić do bardzo różnych zachowań treningu parametrów QAOA. Jeśli porównujesz warianty kodowania wag, a nie trzymasz w ryzach skal i przesunięć, możesz wyciągnąć błędny wniosek, że „QAOA jest niestabilne”, podczas gdy niestabilne jest Twoje mapowanie.
Szum pomiarowy i „ładne” wagi, które są tylko średnią
QAOA na prawdziwym sprzęcie (i często nawet na realistycznym symulatorze z szumem) działa z ograniczoną liczbą pomiarów. To oznacza, że dostajesz próbki bitstringów, a nie jedną magiczną odpowiedź. Jeśli wagi kodujesz w bitach, a potem „uśredniasz” bity po wielu próbkach, możesz otrzymać coś, co wygląda jak wagi ciągłe. Tyle że to bywa statystyczny miraż.
Przykład intuicyjny: jeśli aktywo ma w połowie próbek wagę 0%, a w połowie 10%, to średnia da Ci 5%. Ale 5% nie było nigdy faktycznie wygenerowane jako spójne rozwiązanie. A w portfelu liczy się spójna całość, nie średnia z niespójnych scenariuszy.
Dlatego przy ocenie „wag z QAOA” warto patrzeć na najlepsze i najczęstsze kompletne bitstringi, a nie tylko na średnie marginalne. To często zmienia odbiór jakości wyniku.
Co robić, żeby nie wpaść w te błędy? Prosty zestaw testów sanity-check
Nie trzeba od razu budować całego laboratorium walidacji, żeby odsiać większość problemów z wagami. W praktyce pomagają krótkie testy, które brzmią nudno, ale oszczędzają dni pracy.
-
Najpierw sprawdź ograniczenia na końcowych rozwiązaniach, a nie na „średnich wagach”. Jeśli budżet się nie domyka albo limity są łamane, to nie jest drobna niedokładność, tylko błąd modelu albo skali kary.
-
Porównaj dwa poziomy dyskretyzacji (np. krok 10% i 5%) na tych samych danych. Jeśli wynik zmienia się dramatycznie, a nie potrafisz wyjaśnić dlaczego, to sygnał, że kodowanie wag dominuje nad treścią problemu.
-
Uruchom „wariant zerowy”: ustaw zwroty równe (albo wyłącz je), zostaw samo ryzyko i ograniczenia. Jeśli wtedy QAOA nadal wybiera dziwne koncentracje wag, to często oznacza błąd w macierzy ryzyka, mapowaniu albo w definicji ograniczeń.
-
Zrób szybki benchmark klasyczny dla małego rozmiaru (nawet brutalną metodą przeszukiwania dla kilku aktywów). Jeśli QAOA wygrywa „zbyt mocno” albo przegrywa „bez sensu”, to zazwyczaj nie jest magia, tylko rozjazd definicji problemu.
FAQ: krótkie odpowiedzi na typowe wątpliwości
Czy QAOA jest dobrym wyborem do optymalizacji portfela już dziś?
Jako narzędzie do eksperymentów i nauki o modelowaniu problemu optymalizacyjnego w języku kwantowym, jak najbardziej. Jako „silnik”, który po prostu wypluje lepsze wagi niż klasyczne podejścia, zwykle jeszcze nie, bo kluczowe ograniczenia wynikają z rozmiaru problemu, szumu i kosztu strojenia.
Dlaczego wagi w QAOA często sprowadzają się do 0/1?
Bo wybór podzbioru aktywów jest prostszy do zakodowania i mieści się w mniejszej liczbie kubitów. Wagi wielopoziomowe wymagają więcej zmiennych binarnych i bardziej złożonych zależności, co szybko komplikuje obwód i funkcję celu.
Czy da się „naprawić” wagi po fakcie, normalizując je do sumy 1?
Czasem da się to zrobić jako heurystykę, ale trzeba uważać: normalizacja potrafi zmienić sens ograniczeń i relacje ryzyka do zwrotu. Jeśli wagi łamią budżet, lepiej potraktować to jako sygnał, że ograniczenie w modelu wymaga poprawy.
Podsumowanie: w QAOA najpierw wygrywa model, dopiero potem algorytm
W finansowych zastosowaniach QAOA łatwo wpaść w pułapkę myślenia, że „kwantowość” zrobi robotę za nas. A prawda jest bardziej przyziemna: jakość wag portfela w QAOA zależy przede wszystkim od tego, jak je zakodujesz, jak zbilansujesz skale w funkcji celu i jak pilnujesz ograniczeń.
Dobra wiadomość jest taka, że większość błędów da się wychwycić wcześnie prostymi testami. A jeśli podejdziesz do tego spokojnie, krok po kroku, QAOA potrafi być świetnym nauczycielem: pokazuje, gdzie kończy się „ładna teoria”, a zaczyna rzemiosło modelowania decyzji w liczbach.
