Komputery kwantowe mogą już niedługo mieć znaczący wpływ na branżę finansową, ponieważ będą w stanie rozwiązywać niektóre problemy znacznie szybciej niż najlepsze dotychczas znane algorytmy. Takie są oczekiwania. Czy słusznie?

Po raz pierwszy wykorzystanie właściwości kwantowo-mechanicznych materii do rozwiązywania skomplikowanych obliczeń miało miejsce w latach 80. XX wieku. Wykorzystanie obliczeń kwantowych uzupełniało, powstałe wcześniej, cyfrowe przetwarzanie komputerowe i jednocześnie zapoczątkowało erę komputerów kwantowych. W porównaniu z klasycznym, cyfrowym przetwarzaniem informacji, obliczenia kwantowe dają nadzieję na wysoce wydajne algorytmy, zapewniające wykładnicze przyspieszenie rozwiązywania niektórych technologicznie ważnych problemów.

Obecnie są dostępne tylko małe procesory kwantowe, jednak eksperci oczekują, że obliczenia kwantowe w najbliższej przyszłości będą charakteryzowały się ogromnym tempem wzrostu. Pod względem liczby kubitów (kubit to minimalna ilość przetwarzalnej informacji w komputerach kwantowych) do niedawna rekordzistą, z 72-kubitowym procesorem kwantowym, był Google.

Komputer kwantowy Google był w stanie rozwiązać obliczenia – udowadniając losowość liczb generowanych przez generator liczb losowych – w 3 minuty i 20 sekund, co zajęłoby najszybszemu tradycyjnemu superkomputerowi świata, Summit, około 10 000 lat. Jednak pod koniec ubiegłego roku naukowcy z chińskiego Uniwersytetu Nauki i Technologii (USTC) poinformowali o stworzeniu 76-kubitowego komputera kwantowego.

Innymi ważnymi firmami, które obecnie rozwijają procesory kwantowe ogólnego przeznaczenia są także m.in.: Alibaba, IBM, Rigetti, IonQ, Xanadu i Microsoft (firmy te wykorzystują różne strategie wdrażania fizycznych kubitów).

Mechanika kwantowa w finansach

Dzięki rozwojowi obliczeń kwantowych, można spodziewać się dużej zmiany w zakresie dotychczasowego podejścia do finansów, ponieważ wiele problemów w tej dziedzinie można określić jako problemy optymalizacyjne. Są to zadania szczególnie trudne dla klasycznych komputerów, ale można je formułować i rozwiązywać, stosując metody optymalizacji kwantowej. Dotyczy to w szczególności prognozowania zachowania rynków finansowych, optymalizacji portfela inwestycyjnego, poprawy jakości badania wiarygodności kredytowej, czy też wykrywania oszustw.

Niektóre problemy finansowe można bezpośrednio wyrazić w postaci mechaniki kwantowej. Na przykład równanie Blacka-Scholesa, które jest używane do wyceny opcji, jest ujęciem równania Schrödingera, używanego do opisu funkcji falowych cząstek w układzie kwantowo-mechanicznym. Nawet cały rynek finansowy można modelować jako proces kwantowy – co stanowiłoby postęp w stosunku do obecnie stosowanych metod, takich jak symulacje Monte Carlo – między innymi do testów warunków skrajnych prowadzonych przez banki centralne i organy nadzoru finansowego.

Ponadto algorytmy kwantowe będzie można wykorzystywać do wyboru optymalnego i skutecznego portfela inwestycyjnego, a także w zakresie poszukiwania wzorców w danych z przeszłości. Taka analiza danych może służyć do prognozowania ekonomicznego – dziedziny, w której niezwykle skuteczne okazały się metody uczenia maszynowego.

W ostatnich latach poczyniono istotne postępy w celu opracowania algorytmów kwantowego uczenia maszynowego, co ma dostarczyć narzędzi spełniających rosnące wymagania dotyczące analizy danych.

Jednak, podobnie, jak w przypadku dotychczasowych metod uczenia maszynowego, także w przypadku kwantowego uczenia maszynowego należy liczyć się z tym, że metody te mogą dawać błędne prognozy w jakościowo nowych sytuacjach. Przykładem jest kryzys z 2008 r., spowodowany w dużej mierze przez ekstrapolację przeszłych wyników aktywów opartych na hipotece o niskim ryzyku na jakościowo różną sytuację stworzoną przez znaczący wzrost popularności kredytów hipotecznych subprime. Na razie nie wiadomo, czy dzięki obliczeniom kwantowym będzie można przewidzieć tego typu zdarzenia.

Kwantowe uczenie maszynowe będzie miało zastosowanie także w ocenie wiarygodności kredytowej, dzięki której banki i inne instytucje finansowe szacują poziom ryzyka związanego z udzielanym kredytem.

Kto pierwszy, ten lepszy

Sektor finansowy nie jest jedyną branżą, która już teraz może skorzystać nawet na małych i jeszcze niestabilnych komputerach kwantowych. W przypadku tego sektora nowy algorytm finansowy można wdrożyć szybciej niż nowy proces przemysłowy, dzięki czemu efekty i skala wpływu – ze względu na wielkość i powiązania w ramach sektora finansowego – będą znacznie większe.

Niektóre banki komercyjne od niedawna inwestują w nowe możliwości, tworzą zespoły badawcze oraz współpracują z fizykami i matematykami, aby uzyskać przewagę konkurencyjną jak najszybciej – np. bbva, Citigroup, JPMorgan, Standard Chartered. Oczekuje się, że ​​proste algorytmy kwantowe mogłyby zostać zastosowane w branży finansowej już w ciągu najbliższego roku, a jednym z pierwszych zastosowań byłby scoring kredytowy.

Jednak spektakularny przełom to nadal sprawa przyszłości, ponieważ ograniczeniem jest sprzęt. Obecnie nie można jeszcze wykonać obliczeń w skali, w której maszyna kwantowa oferowałaby przewagę nad klasyczną. Zbudowanie komputera kwantowego, który jest w stanie przewyższyć klasyczne komputery, jest trudnym zadaniem i prawdopodobnie jednym z największych wyzwań tego stulecia. Zanim taki komputer zostanie zbudowany, inżynierowie będą musieli uporać się z kilkoma problemami, spośród których jednym z najważniejszych jest dekoherencja, czyli niekontrolowane interakcje pomiędzy systemem a jego otoczeniem.

Obliczenia kwantowe, jako dziedzina, rozwijają się w szybkim tempie – częściowo z powodu eksperymentalnego rozwoju sprzętu kwantowego, a częściowo z powodu postępów koncepcyjnych w zakresie algorytmów. W przyszłości, poza wskazanymi przykładami możliwych zastosowań obliczeń kwantowych w finansach, fizyka kwantowa będzie oddziaływać również na inne dziedziny związane z systemem finansowym, takie jak blockchain, pieniądze kwantowe, kryptowaluty i finanse kwantowe oraz wpływ kryptografii kwantowej na bezpieczeństwo transakcji finansowych.

Milena Kabza, dr nauk ekonomicznych, Departament Stabilności Finansowej NBP
Źródło nieznane