Imaginez un monde où les ordinateurs ne se contentent pas de suivre une seule ligne d'instruction après l'autre, mais explorent plutôt de nombreuses possibilités à la fois, tel un voyageur qui pourrait emprunter tous les sentiers d'une forêt simultanément pour trouver la sortie. C'est la promesse de l'informatique quantique, un domaine qui utilise les règles étranges de l'infiniment petit pour traiter l'information de manières impossibles pour les machines classiques. Bien que ces machines soient encore à leurs stades précoces et bruyants, les scientifiques pensent qu'elles résoudront bientôt des problèmes actuellement impossibles même pour les supercalculateurs les plus puissants. L'un des endroits les plus passionnants pour chercher cette puissance est la finance, un secteur qui traite de quantités massives de données, de risques complexes et du besoin constant de prédire l'avenir. La question n'est pas seulement de savoir si ces nouvelles machines peuvent fonctionner, mais comment elles peuvent apprendre à partir de données, tout comme un humain, pour prendre de meilleures décisions concernant l'argent, les marchés et le risque.

Une équipe de chercheurs de JPMorgan Chase a rédigé une revue complète qui cartographie précisément comment ces machines quantiques sont entraînées pour agir en tant qu'experts financiers. Ils ne prétendent pas que la technologie est prête à remplacer chaque trader ou analyste dès demain. Au lieu de cela, ils fournissent une image claire et réaliste de l'état actuel de l'art, montrant quelles tâches financières peuvent être améliorées aujourd'hui et lesquelles pourraient prendre plus de temps. Le document se concentre sur un type spécifique d'intelligence artificielle appelée apprentissage automatique (machine learning), où les ordinateurs apprennent des modèles à partir de données plutôt que de suivre des règles rigides. Les chercheurs examinent sept domaines principaux où les machines quantiques sont appliquées : la prédiction de prix, le regroupement d'informations, la recherche de modèles cachés, la création de nouvelles données, la sélection des faits les plus importants, la prise de décision au fil du temps et la compréhension du langage humain.

Le premier domaine qu'ils explorent est la prédiction de nombres, une tâche connue sous le nom de régression. En finance, cela est utilisé pour deviner les futurs prix des actions ou la valeur des obligations sur la base de données passées. Les ordinateurs classiques font cela en trouvant la meilleure ligne qui s'ajuste à un nuage de points, mais cela peut être lent lorsque les données sont énormes. Les chercheurs expliquent que les algorithmes quantiques peuvent résoudre des sous-programmes mathématiques spécifiques au sein de ces problèmes beaucoup plus rapidement, offrant potentiellement un avantage de vitesse qui croît exponentiellement à mesure que les données s'élargissent. Cependant, ils prennent soin de noter un obstacle important : l'introduction des données dans l'ordinateur quantique est encore difficile et lente. Bien que le calcul à l'intérieur de la machine soit rapide, le processus de chargement de l'information et de lecture de la réponse peut parfois annuler les bénéfices. Le document note qu'aucune application de bout en bout de l'apprentissage automatique quantique présentant une accélération exponentielle par rapport à son homologue classique n'a encore été découverte. Malgré cela, le document suggère que pour certains types de modèles financiers, les méthodes quantiques pourraient éventuellement offrir des améliorations d'efficacité, à condition que les défis de chargement des données soient relevés.

Ensuite, l'équipe examine la classification, qui est l'art de trier les choses en catégories. Dans le monde financier, cela peut signifier décider si un demandeur de prêt est susceptible de rembourser sa dette ou si une action est un "achat" ou une "vente". Les ordinateurs classiques utilisent des méthodes comme les machines à vecteurs de support pour tracer une ligne entre ces groupes. Les chercheurs décrivent comment les versions quantiques de ces outils peuvent créer des frontières beaucoup plus complexes, leur permettant de séparer des données qui semblent mélangées pour un ordinateur classique. Ils mettent en avant une technique spécifique appelée carte de caractéristiques quantiques (quantum feature map), qui prend des données simples et les élève dans un espace multidimensionnel vaste où les modèles deviennent évidents. Bien que ces méthodes aient été testées sur de petits ensembles de données, le document indique qu'elles sont prometteuses pour gérer les données réelles et désordonnées de la banque et de l'investissement, bien que les gains de vitesse pratiques dépendent du dépassement des goulots d'étranglement de l'accès aux données.

La revue passe ensuite au clustering (regroupement), qui consiste à trouver des groupes naturels au sein d'un amas de données sans être informé de ce que l'on cherche. Cela est utile pour détecter la fraude ou regrouper des actions similaires. Les chercheurs discutent d'une méthode appelée clustering quantique, qui traite les points de données comme des particules dans un système physique, cherchant les zones où ils se rassemblent naturellement. Ils mentionnent également une technique appelée clustering quantique dynamique, qui observe comment ces groupes changent au fil du temps. Cette approche a déjà été utilisée pour analyser les données du marché boursier et classer différents types de fonds d'investissement, aidant les investisseurs à voir des connexions qui pourraient autrement rester cachées. Le document note que bien que ces méthodes soient encore en cours de perfectionnement, elles offrent une nouvelle façon de voir la structure des marchés financiers, bien que leur plein potentiel soit limité par les contraintes matérielles actuelles.

Une autre section majeure couvre la modélisation générative, où l'ordinateur apprend à créer de nouvelles données qui ressemblent exactement aux réelles. Cela est extrêmement utile pour tester des stratégies sans risquer d'argent réel. Les chercheurs expliquent comment les machines quantiques peuvent apprendre la distribution de probabilité des événements financiers, apprenant essentiellement la « forme » du marché. Ils décrivent comment ces machines peuvent générer des scénarios de marché fictifs mais réalistes pour tester la performance d'un portefeuille lors d'une crise. Ceci est fait à l'aide de versions quantiques de réseaux neuronaux qui peuvent potentiellement échantillonner des distributions complexes plus rapidement que les ordinateurs classiques dans des sous-programmes spécifiques. Le document suggère que cela pourrait éventuellement aider les banques à tester la résistance de leurs systèmes, leur permettant de voir plus clairement les événements rares mais dangereux, bien qu'aucune application de bout en bout avec une accélération exponentielle n'ait encore été découverte.

L'équipe examine également comment les ordinateurs quantiques peuvent aider à choisir les faits les plus importants parmi une mer d'informations, un processus appelé extraction de caractéristiques (feature extraction). En finance, avoir trop de variables peut confondre un modèle, donc trouver les quelques facteurs qui comptent vraiment est essentiel. Les chercheurs décrivent comment les algorithmes quantiques peuvent analyser les relations entre des milliers de points de données pour trouver les plus significatifs, réduisant efficacement un ensemble de données massif à son essence. C'est particulièrement utile pour le scoring de crédit, où le système doit décider quels facteurs prédisent réellement si une personne remboursera un prêt. En utilisant des méthodes quantiques, le système pourrait théoriquement identifier ces facteurs clés plus efficacement, bien que le document souligne que le chargement des données reste un goulot d'étranglement qui doit être résolu avant que ces avantages ne puissent être pleinement réalisés en pratique.

La prise de décision au fil du temps est un autre domaine critique, connu sous le nom d'apprentissage par renforcement (reinforcement learning). C'est ainsi qu'un ordinateur apprend à prendre une série de décisions pour maximiser une récompense, de la même manière qu'un trader pourrait ajuster un portefeuille jour après jour. Le document explique que les ordinateurs quantiques pourraient théoriquement accélérer ce processus d'apprentissage, permettant aux agents de trouver les meilleures stratégies de trading beaucoup plus rapidement. Cependant, les chercheurs soulignent qu'en raison des limitations matérielles actuelles, les approches d'apprentissage par renforcement quantique n'ont pas encore été directement appliquées au trading automatisé. Ils suggèrent que bien que le fondement théorique soit solide, des composants du trading algorithmique pourraient éventuellement bénéficier d'avantages quantiques, mais nous ne sommes pas encore au stade du trading quantique entièrement automatisé.

Enfin, la revue aborde la manière dont ces machines peuvent comprendre le langage humain. Les marchés financiers sont mus par les nouvelles, les rapports et les réseaux sociaux, qui contiennent tous du texte non structuré. Les chercheurs décrivent comment les algorithmes quantiques peuvent analyser la grammaire et le sens des phrases pour évaluer le sentiment ou détecter la fraude dans les documents financiers. En utilisant une méthode qui traite les mots comme des parties d'une structure plus large, ces systèmes peuvent théoriquement traiter les calculs de similitude de phrases avec une amélioration de la complexité par rapport aux méthodes classiques. Cela pourrait aider les banques à évaluer le risque en lisant des milliers de demandes de prêt ou de rapports d'audit, bien que le document précise que l'accélération provient d'améliorations algorithmiques spécifiques dans les calculs de similitude plutôt que d'une capacité générale à mieux comprendre le contexte que de simples recherches par mots-clés dans tous les scénarios.

Le document conclut par un résumé sobre mais optimiste. Les chercheurs précisent que si l'apprentissage automatique quantique n'est pas une baguette magique qui résout instantanément chaque problème financier, c'est un outil puissant qui évolue rapidement. Ils reconnaissent que les machines actuelles sont limitées par le bruit et la petite taille, et que le chargement des données reste un défi. Cependant, ils soutiennent que le potentiel de vitesse et de précision est réel, en particulier pour les types spécifiques de problèmes complexes rencontrés en finance. Cette revue sert de feuille de route, montrant que nous passons de la théorie à la pratique, et que le secteur financier est bien positionné pour être l'un des premiers à bénéficier de cette nouvelle ère de l'informatique. Le voyage ne fait que commencer, mais la destination promet un monde où les décisions financières seront prises avec une profondeur de compréhension qui était auparavant hors de portée.