Stellen Sie sich eine Welt vor, in der Computer nicht nur einer einzelnen Anweisung nach der anderen folgen, sondern viele Möglichkeiten gleichzeitig erkunden, wie ein Reisender, der jeden Pfad in einem Wald gleichzeitig beschreiten kann, um den Ausgang zu finden. Dies ist das Versprechen des Quantencomputings, eines Feldes, das die seltsamen Regeln des Allerkleinsten nutzt, um Informationen auf eine Weise zu verarbeiten, die klassische Maschinen nicht leisten können. Obwohl sich diese Maschinen noch in einem frühen, verrauschten Stadium befinden, glauben Wissenschaftler, dass sie bald Probleme lösen werden, die selbst für die leistungsstärksten Supercomputer derzeit unmöglich sind. Einer der spannendsten Orte, um nach dieser Kraft zu suchen, ist das Finanzwesen – eine Branche, die mit massiven Datenmengen, komplexen Risiken und dem ständigen Bedürfnis nach der Vorhersage der Zukunft befasst ist. Die Frage ist nicht nur, ob diese neuen Maschinen funktionieren können, sondern wie man ihnen beibringen kann, aus Daten zu lernen, ganz ähnlich wie ein Mensch, um bessere Entscheidungen über Geld, Märkte und Risiken zu treffen.

Ein Team von Forschern von JPMorgan Chase hat einen umfassenden Überblick geschrieben, der genau darlegt, wie diese Quantenmaschinen darauf trainiert werden, als Finanzexperten zu agieren. Sie behaupten nicht, dass die Technologie bereit ist, morgen jeden Händler oder Analysten zu ersetzen. Stattdessen zeichnen sie ein klares, realistisches Bild des aktuellen Stands der Technik und zeigen auf, welche Finanzaufgaben heute verbessert werden können und welche vielleicht länger dauern werden. Die Arbeit konzentriert sich auf eine spezifische Art der künstlichen Intelligenz namens maschinelles Lernen, bei dem Computer Muster aus Daten lernen, anstatt starren Regeln zu folgen. Die Forscher untersuchen sieben Hauptbereiche, in denen Quantenmaschinen Anwendung finden: die Vorhersage von Preisen, das Sortieren von Informationen in Gruppen, das Finden verborgener Muster, das Erstellen neuer Daten, das Auswählen der wichtigsten Fakten, das Treffen von Entscheidungen über die Zeit und das Verständnis menschlicher Sprache.

Der erste Bereich, den sie untersuchen, ist die Vorhersage von Zahlen, eine Aufgabe, die als Regression bekannt ist. Im Finanzwesen wird dies verwendet, um zukünftige Aktienkurse oder den Wert von Anleihen basierend auf vergangenen Daten zu erraten. Klassische Computer machen dies, indem sie die beste Linie finden, die zu einer Punktwolke passt, aber das kann bei riesigen Datenmengen langsam sein. Die Forscher erklären, dass Quantenalgorithmen spezifische mathematische Subroutinen innerhalb dieser Probleme viel schneller lösen können, was potenziell einen Geschwindigkeitsvorteil bietet, der exponentiell wächst, wenn die Daten größer werden. Sie weisen jedoch vorsichtig auf eine erhebliche Hürde hin: Die Daten überhaupt erst in den Quantencomputer zu bekommen, ist immer noch schwierig und langsam. Während die Mathematik innerhalb der Maschine schnell ist, kann der Prozess des Ladens der Informationen und des Auslesens der Antwort den Nutzen manchmal zunichtemachen. Das Papier stellt fest, dass bisher noch keine End-to-End-Anwendung von Quanten-Maschinellem-Lernen mit exponentiellem Geschwindigkeitsvorteil gegenüber seinem klassischen Gegenstück entdeckt wurde. Dennoch legt das Papier nahe, dass Quantenmethoden für spezifische Arten von Finanzmodellen schließlich Verbesserungen der Effizienz bieten könnten, sofern die Herausforderungen beim Laden der Daten bewältigt werden.

Als Nächstes betrachtet das Team die Klassifizierung, die Kunst des Sortierens von Dingen in Kategorien. In der Finanzwelt könnte dies bedeuten, zu entscheiden, ob ein Kreditnehmer wahrscheinlich seine Schulden zurückzahlen wird oder ob eine Aktie ein „Kauf“ oder ein „Verkauf“ ist. Klassische Computer verwenden Methoden wie Support Vector Machines, um eine Linie zwischen diesen Gruppen zu ziehen. Die Forscher beschreiben, wie Quantenversionen dieser Werkzeuge viel komplexere Grenzen ziehen können, was es ihnen ermöglicht, Daten zu trennen, die für einen klassischen Computer vermischt erscheinen. Sie heben eine spezifische Technik hervor, die als Quantum Feature Map bezeichnet wird, die einfache Daten nimmt und sie in einen riesigen, mehrdimensionalen Raum hebt, in dem Muster offensichtlich werden. Während diese Methoden an kleinen Datensätzen getestet wurden, gibt das Papier an, dass sie vielversprechend für den Umgang mit den unordentlichen, realen Daten im Bank- und Investmentwesen sind, obwohl praktische Geschwindigkeitsvorteile vom Überwinden von Engpässen beim Datenzugriff abhängen.

Die Rezension geht dann zum Clustering über, bei dem es darum geht, natürliche Gruppen innerhalb eines Datenchaos zu finden, ohne vorher gesagt bekommen zu haben, wonach man sucht. Dies ist nützlich, um Betrug aufzuspüren oder ähnliche Aktien zusammenzugruppieren. Die Forscher diskutieren eine Methode namens Quanten-Clustering, die Datenpunkte wie Teilchen in einem physikalischen System behandelt und nach Bereichen sucht, in denen sie sich natürlich sammeln. Sie erwähnen auch eine Technik namens dynamisches Quanten-Clustering, die beobachtet, wie sich diese Gruppen im Laufe der Zeit verändern. Dieser Ansatz wurde bereits zur Analyse von Börsendaten und zur Klassifizierung verschiedener Arten von Investmentfonds eingesetzt, was Investoren hilft, Verbindungen zu sehen, die sonst verborgen geblieben wären. Das Papier stellt fest, dass diese Methoden zwar noch verfeinert werden, aber einen neuen Weg bieten, die Struktur der Finanzmärkte zu sehen, wenngleich ihr volles Potenzial durch aktuelle Hardwarebeschränkungen begrenzt ist.

Ein weiterer großer Abschnitt befasst sich mit generativen Modellen, bei denen der Computer lernt, neue Daten zu erstellen, die genau wie das Original aussehen. Dies ist unglaublich nützlich, um Strategien zu testen, ohne echtes Geld zu riskieren. Die Forscher erklären, wie Quantenmaschinen die Wahrscheinlichkeitsverteilung von Finanzereignissen lernen können, was im Wesentlichen bedeutet, die „Form“ des Marktes zu lernen. Sie beschreiben, wie diese Maschinen realistische, aber künstliche Marktszenarien generieren können, um zu testen, wie ein Portfolio in einer Krise abschneiden würde. Dies geschieht mithilfe von Quantenversionen neuronaler Netze, die potenziell in der Lage sind, in spezifischen Subroutinen schneller aus komplexen Verteilungen zu sampeln als klassische Computer. Das Papier legt nahe, dass dies Banken letztendlich dabei helfen könnte, ihre Systeme Stresstests zu unterziehen, um seltene, aber gefährliche Ereignisse klarer zu sehen, obwohl bisher keine End-to-End-Anwendung mit exponentiellem Geschwindigkeitsvorteil entdeckt wurde.

Das Team untersucht auch, wie Quantencomputer helfen können, die wichtigsten Fakten aus einer Flut von Informationen herauszufiltern, ein Prozess, der als Merkmalsextraktion (Feature Extraction) bezeichnet wird. Im Finanzwesen kann ein Übermaß an Variablen ein Modell verwirren, daher ist es entscheidend, die wenigen zu finden, die wirklich zählen. Die Forscher beschreiben, wie Quantenalgorithmen die Beziehungen zwischen tausenden von Datenpunkten analysieren können, um die signifikantesten zu finden, und damit einen massiven Datensatz effektiv auf seinen Kern reduziert wird. Dies ist besonders hilfreich für das Kredit-Scoring, bei dem das System entscheiden muss, welche Faktoren tatsächlich vorhersagen, ob eine Person einen Kredit zurückzahlen wird. Durch die Verwendung von Quantenmethoden könnte das System theoretisch diese Schlüsselfaktoren effizienter identifizieren, obwohl das Papier betont, dass das Laden der Daten ein Engpass bleibt, der gelöst werden muss, bevor diese Vorteile in der Praxis voll ausgeschöpelt werden können.

Entscheidungsfindung über die Zeit ist ein weiterer kritischer Bereich, bekannt als Reinforcement Learning. Dies ist die Art und Weise, wie ein Computer lernt, eine Reihe von Entscheidungen zu treffen, um eine Belohnung zu maximieren, ähnlich wie ein Trader sein Portfolio Tag für Tag anpassen könnte. Das Papier erklärt, dass Quantencomputer diesen Lernprozess theoretisch beschleunigen könnten, was es Agenten ermöglichen würde, Handelsstrategien viel schneller zu finden. Aufgrund aktueller Hardwarebeschränkungen weisen die Forscher jedoch darauf hin, dass Quanten-Reinforcement-Learning-Ansätze bisher noch nicht direkt auf den automatisierten Handel angewendet wurden. Sie schlagen vor, dass die theoretische Grundlage zwar stark ist, Komponenten des algorithmischen Handels aber letztendlich von Quantenvorteilen profitieren könnten, wir aber noch nicht in der Phase des vollautomatisierten Quantenhandels sind.

Schließlich berührt die Rezension auch die Frage, wie diese Maschinen die menschliche Sprache verstehen können. Finanzmärkte werden von Nachrichten, Berichten und sozialen Medien angetrieben, die alle unstrukturierte Texte enthalten. Die Forscher beschreiben, wie Quantenalgorithmen die Grammatik und Bedeutung von Sätzen analysieren können, um die Stimmung zu erfassen oder Betrug in Finanzdokumenten zu erkennen. Durch die Verwendung einer Methode, die Wörter als Teile einer größeren Struktur behandelt, können diese Systeme theoretisch Berechnungen der Satzähnlichkeit mit einer Komplexitätsverbesserung gegenüber klassischen Methoden durchführen. Dies könnte Banken helfen, Risiken zu bewerten, indem sie tausende von Kreditanträgen oder Prüfberichten lesen, wobei das Papier klarstellt, dass die Beschleunigung aus spezifischen algorithmischen Verbesserungen bei Ähnlichkeitsberechnungen resultiert und nicht aus einer allgemeinen Fähigkeit, den Kontext besser zu verstehen als einfache Stichwortsuche in allen Szenarien.

Das Papier schließt mit einer nüchternen, aber optimistischen Zusammenfassung. Die Forscher machen deutlich, dass Quanten-Maschinelles-Lernen kein Zauberstab ist, der jedes Finanzproblem sofort löst, aber ein mächtiges neues Werkzeug ist, das sich rasant entwickelt. Sie räumen ein, dass aktuelle Maschinen durch Rauschen und geringe Größe begrenzt sind und dass das Laden von Daten eine Herausforderung bleibt. Sie argumentieren jedoch, dass das Potenzial für Geschwindigkeit und Genauigkeit real ist, insbesondere für die spezifischen Arten komplexer Probleme, die im Finanzwesen vorkommen. Die Rezension dient als Roadmap, die zeigt, dass wir uns von der Theorie zur Praxis bewegen und dass die Finanzindustrie gut positioniert ist, um einer der Ersten zu sein, die von dieser neuen Ära des Computings profitieren werden. Die Reise hat gerade erst begonnen, aber das Ziel verspricht eine Welt, in der Finanzentscheidungen mit einer Tiefe des Verständnisses getroffen werden, die zuvor unerreichbar war.