Quanten-Algorithmen optimieren TARGET2-Liquidität: Millionen-Einsparungen
Eine Studie der Banca d'Italia zeigt, wie die Optimierung der Zahlungsreihenfolge in TARGET2 mittels Quanten- und Machine-Learning-Algorithmen erhebliche Liquiditätsersparnisse generieren kann. Täglich können so zwischen 23 und 38 Millionen Euro eingespart werden.
Quanten-Algorithmen reorganisieren TARGET2-Zahlungen für Liquiditäts-Einsparungen
Hochwertige Zahlungssysteme (HVPS) wie TARGET2 sind essenziell für Finanzsysteme, wobei ihre Liquiditätseffizienz stark von der Reihenfolge der Transaktionsabwicklung abhängt.
Aufbauend auf McMahon et al. (2024), die eine Liquiditätsoptimierung durch Neuordnung von Zahlungsblöcken mittels hybrider Quanten-Solver zeigten, wendet diese Studie eine ähnliche Technik auf den italienischen Teil des TARGET2-Systems an.
Mit dem Constrained Quadratic Model (CQM) Solver von D-Wave wird die optimale Reihenfolge von Zahlungsblöcken identifiziert, um Liquiditätsanforderungen zu minimieren.
Dies führt zu durchschnittlichen täglichen Ersparnissen zwischen 23,16 Millionen Euro (für 70 Zahlungen) und 38,35 Millionen Euro (für 140 Zahlungen).
Maximale Einsparungen an einem Tag erreichten 167 Millionen Euro.
Relativ entsprechen diese 0,4 Prozent bzw. 0,7 Prozent der täglichen Liquiditätsreserven.
Die Optimierung eines Zahlungsblocks dauert dabei nur etwa 5 Sekunden.
Maschinelles Lernen und erweiterte Simulationen für größere Effizienz
Ein Machine-Learning-Klassifikationsrahmen (ML) identifiziert Merkmale von Zahlungsblöcken, die hohe Liquiditätsersparnisse vorhersagen.
Blöcke mit 5 bis 15 Teilnehmern, die sowohl senden als auch empfangen, sowie eine höhere Anzahl einzigartiger Empfänger, sind demnach besser optimierbar.
Die Studie vergleicht den CQM-Algorithmus auch mit dem klassischen Simulated Annealing Algorithm (SAA), der vergleichbare Einsparungen liefert.
Der SAA kann auf Batch-Größen von bis zu 700 Zahlungen erweitert werden, was tägliche Liquiditätsersparnisse von bis zu 3,9 Milliarden Euro ermöglicht.
Dies unterstreicht das Potenzial klassischer Algorithmen für größere Zahlungsblöcke, angesichts der aktuellen Grenzen der Quantenhardware.