Liquidity Optimization in Gross Settlement Systems with Quantum Reordering: Application to TARGET2∗

McMahon et autres (2024) ont démontré l’efficacité d’un solveur quantique hybride pour améliorer l’efficience des liquidités du système de paiement de grande valeur du Canada, en modifiant la file d’attente des paiements afin de réduire au minimum les besoins de liquidités. Dans cette étude, nous employons une technique semblable à celle appliquée par le segment italien de TARGET2, le système de transferts express automatisés transeuropéens à règlement brut en temps réel de l’Eurosystème, en utilisant le solveur de modèle quadratique sous contrainte fourni par la société D-Wave. Cette technique améliore l’optimisation des lots de 70 et de 140 paiements, et donne lieu à des économies de liquidités quotidiennes moyennes de 23 et 38 millions d’euros, respectivement, sur un échantillon de 35 jours. En outre, nous élucidons les causes et l’étendue possible des économies de liquidités réalisées. En introduisant un cadre d’apprentissage automatique pour cerner les caractéristiques des lots qui accroissent les économies de liquidités, nous constatons que les possibilités d’optimisation des lots augmentent parallèlement avec le nombre de participants qui agissent à la fois comme expéditeurs et destinataires, ainsi qu’avec le nombre de destinataires uniques dans le lot. Enfin, nous comparons les résultats du solveur de modèle quadratique sous contrainte à ceux obtenus au moyen d’un algorithme de recuit simulé soumis aux mêmes contraintes de temps, et observons des économies de liquidités comparables pour des lots de 70 et de 140 paiements. Cet algorithme est élargi pour prendre en charge des lots allant jusqu’à 700 paiements – des tailles de lots qui représentent un défi pour le matériel quantique actuel – et permet ainsi de constater des économies de liquidités plus que décuplées.