[论文解读] Improving the Efficiency of Payments Systems Using Quantum Computing

Christopher McMahon, Donald McGillivray+6 more|arXiv (Cornell University)|Sep 19, 2022

Quantum Computing Algorithms and Architecture被引用 7

一句话总结

本文提出了一种混合量子-经典算法，通过实时重排大额支付系统（RTGS）中的高价值支付，以减少流动性需求。该方法利用D-Wave硬件上的约束二次模型（CQM）进行量子退火，对70笔支付批次的处理实现了平均每日节省2.4亿加元流动性，仅增加90秒延迟，展示了量子计算在金融基础设施组合优化中的优势。

ABSTRACT

High-value payment systems (HVPSs) are typically liquidity-intensive as the payment requests are indivisible and settled on a gross basis. Finding the right order in which payments should be processed to maximize the liquidity efficiency of these systems is an $NP$-hard combinatorial optimization problem, which quantum algorithms may be able to tackle at meaningful scales. We developed an algorithm and ran it on a hybrid quantum annealing solver to find an ordering of payments that reduced the amount of system liquidity necessary without substantially increasing payment delays. Despite the limitations in size and speed of today's quantum computers, our algorithm provided quantifiable efficiency improvements when applied to the Canadian HVPS using a 30-day sample of transaction data. By reordering each batch of 70 payments as they entered the queue, we achieved an average of C\$240 million in daily liquidity savings, with a settlement delay of approximately 90 seconds. For a few days in the sample, the liquidity savings exceeded C\$1 billion. This algorithm could be incorporated as a centralized preprocessor into existing HVPS without entailing a fundamental change to their risk management models.

研究动机与目标

• 在不改变现有风险模型的前提下，提升大额支付系统（HVPS）的流动性效率。
• 利用量子计算解决支付排序这一NP难的组合优化问题。
• 设计一种实用的集中式预处理器，将量子优化集成到现有的RTGS系统中。
• 评估量子增强型支付排序在真实世界加拿大HVPS数据上的性能与可扩展性。
• 量化在生产规模金融系统中，流动性节省与结算延迟之间的权衡。

提出的方法

• 将支付重排问题建模为混合二值优化（MBO）问题。
• 将MBO问题转换为适用于量子退火的无约束二次二值优化（QUBO）格式。
• 使用D-Wave的约束二次模型（CQM）基础设施上的混合量子-经典求解器求解该问题。
• 处理了30天内非紧急加拿大HVPS交易样本，批次大小分别为70笔和140笔。
• 采用集中式预处理器模型，参与者在系统结算前提交支付以进行量子优化重排。
• 采用成本函数以最小化最大净借方头寸（mNDP），这是RTGS系统中的关键流动性风险指标。

实验结果

研究问题

• RQ1 量子增强型优化是否能在不增加结算延迟的前提下，减少大额支付系统的流动性需求？
• RQ2 在真实世界HVPS数据中，基于量子的重排性能与标准FIFO处理相比如何？
• RQ3 在量子优化预处理器中，平衡流动性节省与处理延迟的最优批次大小是多少？
• RQ4 流动性节省如何随批次规模增加而变化？量子硬件能力在此过程中扮演何种角色？
• RQ5 流动性节省在多大程度上与参与者的交易量成正比？

主要发现

• 在处理70笔支付批次时，该算法实现了平均每日2.4亿加元的流动性节省，平均延迟为90秒。
• 在26%的日期中，系统实现了流动性节省，其中三天的节省超过10亿加元。
• 将批次大小加倍至140笔后，平均每日节省增加至2.757亿加元，单日结束时的节省额飙升978%。
• 在单日测试中，当批次从70笔增至140笔时，中位数和最大节省额分别提升了172%和53%。
• 流动性节省与参与者的总交易金额成正比，表明利益分配具有公平性。
• 混合量子求解器将计算时间降低至可行水平，使得对经典方法难以处理的非平凡批次规模实现了优化。