⚛️ quantum physics

Quantum Portfolio Optimization: An Extensive Benchmark

Cet article présente une analyse comparative approfondie comparant les méthodes d'optimisation quantique (recuit quantique et QAOA) aux algorithmes classiques de pointe sur des instances réelles d'optimisation de portefeuille, concluant que la programmation linéaire en nombres entiers et les heuristiques adaptées surpassent de manière significative les approches quantiques tant en qualité de solution qu'en vitesse, indiquant ainsi un potentiel très limité pour l'avantage quantique dans ce domaine spécifique.

Auteurs originaux : Eric Stopfer, Friedrich Wagner

Publié 2026-07-10

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Eric Stopfer, Friedrich Wagner

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes le capitaine d'un immense navire de trésors et que votre tâche consiste à décider comment répartir votre or entre 1 000 îles différentes. Vous voulez maximiser votre butin (le rendement) mais aussi éviter que le navire ne tangue trop violemment pendant la tempête (la volatilité). C'est le problème de l'« Optimisation de Portefeuille », un casse-tête classique de la finance que les chercheurs tentent de résoudre à l'aide de l'outil le plus récent et le plus brillant de l'univers : les ordinateurs quantiques.

Récemment, une équipe de scientifiques de l'Institut Fraunhofer a décidé de mettre ces machines quantiques à l'épreuve ultime. Ils ne se sont pas contentés de deviner ; ils ont mené une expérience massive et réelle avec 250 cartes au trésor différentes, certaines impliquant jusqu'à 1 000 îles. Leur objectif ? Voir si les ordinateurs quantiques pouvaient battre les meilleures stratégies humaines (les méthodes classiques) pour trouver la répartition parfaite de l'or.

Le Champion Poids Lourds : Le Résolveur de la Vieille École
Parlons d'abord des méthodes « classiques » — celles que nous utilisons depuis des décennies. Les chercheurs ont découvert que les résolveurs classiques modernes et très intelligents (comme un programme appelé Guroi) sont de véritables bêtes de somme. Lorsqu'ils ont essayé de résoudre le problème pour 1 000 actifs, ces résolveurs ont trouvé la réponse mathématiquement parfaite en l'espace de quelques secondes. C'était comme avoir un bibliothécaire capable de trouver le livre parfait dans une bibliothèque d'un million de livres avant même que vous n'ayez fini de dire « bonjour ».

Les Contendants Quantiques : Les Nouveaux Arrivants
Ensuite vinrent les challengers quantiques. Les chercheurs ont testé deux principaux types de « magie » quantique :

Le Recuit Quantique (Quantum Annealing) : Imaginez cela comme une bille magique roulant sur un paysage complexe et accidenté pour trouver la vallée la plus profonde (la meilleure solution). Ils ont utilisé une machine D-Wave dotée de plus de 4 400 qubits physiques.
Le QAOA (Algorithme d'Optimisation Approchée Quantique) : C'est comme un ordinateur quantique à portes logiques (spécifiquement une machine IBM avec 127 qubits) qui tente de « régler » un état quantique pour trouver la réponse, de la même manière qu'on accorde une radio pour capter la station parfaite.

La Grande Révélation : La Lutte Quantique
C'est ici que l'intrigue s'épaissit. Les chercheurs ont imposé une limite de temps stricte de 60 secondes aux ordinateurs quantiques pour accomplir leur travail. Pourquoi ? Parce que dans le monde réel, on ne peut pas attendre indéfiniment une réponse.

Les résultats ont été un peu décevants pour le train de la hype quantique.

La Limite de Taille : Les machines quantiques ont rapidement heurté un mur. Parce que le problème exige que chaque actif soit connecté à tous les autres (un problème « dense »), les ordinateurs quantiques ne pouvaient gérer que des instances allant jusqu'à 30 actifs. Au-delà, les machines ne pouvaient tout simplement pas faire entrer le puzzle dans leur mémoire.
L'Écart de Qualité : Même dans cette petite plage, les méthodes quantiques ont eu du mal. Lorsque les chercheurs ont examiné les solutions trouvées en 60 secondes, les ordinateurs quantiques ne parvenaient souvent même pas à trouver une solution valide (une solution qui respecte toutes les règles). Lorsqu'ils en trouvaient une, elle était souvent loin d'être parfaite.
La Surprise du « Hasard » : Dans certains cas, les performances des ordinateurs quantiques n'étaient pas meilleures que le simple choix de réponses aléatoires. Imaginez essayer de trouver une aiguille dans une botte de foin en lançant des fléchettes les yeux bandés ; les ordinateurs quantiques étaient parfois aussi susceptibles de toucher l'aiguille que la paille.

Le Vrai Vainqueur : Un Outil Sur Mesure
Mais attendez, il y a un rebondissement ! Les chercheurs n'ont pas seulement comparé le quantique aux « résolveurs classiques standards » ; ils ont également construit un outil spécial, conçu sur mesure (une heuristique spécifique au problème) pour cette carte au trésor.

Cet outil sur mesure a été une véritable superstar. Il a systématiquement trouvé de meilleures solutions que les ordinateurs quantiques dans les mêmes 60 secondes.
Il était si performant qu'il faisait passer les machines quantiques pour des enfants jouant avec des jouets. L'outil sur mesure trouvait des solutions valides pour presque toutes les instances, tandis que les machines quantiques échouaient souvent à trouver ne serait-ce qu'une seule solution valide pour les problèmes plus larges.

Qu'est-ce que cela signifie ?
L'article conclut que pour ce type spécifique de problème de portefeuille (minimiser la volatilité), il y a actuellement très peu de place pour un « avantage quantique ».

Les résolveurs classiques peuvent résoudre de vastes problèmes parfaitement en quelques secondes.
Les heuristiques classiques personnalisées battent les ordinateurs quantiques pour trouver de bonnes solutions rapidement.
Les ordinateurs quantiques (tant pour le recuit que pour le QAOA) sont actuellement bloqués. Ils ont du mal avec la nature « dense » du problème, ce qui les force à utiliser trop de ressources juste pour mapper le problème sur la puce.

Les auteurs précisent avec prudence que cela ne signifie pas que l'informatique quantique est inutile pour toujours. Ils suggèrent que pour des versions plus complexes de ce problème (avec des règles et des variables supplémentaires), le quantique pourrait avoir sa chance. Mais pour la version testée ? Les méthodes de la vieille école sont toujours les rois de la colline, et les challengers quantiques sont encore à l'entraînement, incapables de terminer la course face à un coureur classique sur mesure.

En bref : si vous devez optimiser un portefeuille de 1 000 actifs aujourd'hui, vous n'avez pas besoin d'un ordinateur quantique. Vous avez besoin d'un bon résolveur classique et peut-être d'un script personnalisé. La révolution quantique pour cette tâche spécifique attend encore dans les coulisses, n'étant pas encore tout à fait prête à monter sur scène.

Résumé Technique : Optimisation de Portefeuille Quantique : Un Benchmark Étendu

Définition du Problème
Cette étude examine le potentiel computationnel des algorithmes quantiques pour l'optimisation de portefeuille, en se concentrant spécifiquement sur une variante de minimisation de la volatilité. Contrairement aux formulations de type « choisir l'actif ou non », ce travail traite du problème plus pratique de la détermination des poids optimaux d'actifs continus ( $\omega_i \in [0, 1]$ ) afin de minimiser la volatilité du portefeuille ( $\sigma^2$ ) sous réserve d'un rendement attendu minimum ( $\epsilon$ ) et de contraintes d'investissement total ( $\sum \omega_i = 1$ ). Les auteurs identifient cette variante spécifique, nommée MinVola, comme étant la plus exigeante sur le plan computationnel pour les solveurs classiques par rapport aux formulations de maximisation de rendement ou multi-objectifs, ce qui en fait le candidat le plus prometteur pour démontrer un avantage quantique.

L'étude utilise un ensemble de données de 250 instances dérivées de données réelles du Nasdaq (2020–2023), allant de 3 à 1 000 actifs. En raison des limitations matérielles actuelles, les méthodes quantiques ont été testées sur des instances allant jusqu'à 30 actifs, tandis que les méthodes classiques ont été évaluées sur toute la gamme.

Méthodologie
Les auteurs ont mené un benchmark comparatif des approches quantiques et classiques sous une limite de temps stricte de 60 secondes pour l'échantillonnage et l'analyse des résultats. L'étude respecte les principes d'équité, de reproductibilité et de vérifiabilité.

Transformation du Problème : Pour s'interfacer avec le matériel quantique, le problème continu MinVola a été transformé en un modèle d'Optimisation Binaire Quadratique Non Contrainte (QUBO). Les poids continus ont été discrétisés à l'aide d'une expansion binaire avec un paramètre de précision $d=3$ , résultant en $4n$ variables binaires pour $n$ actifs. Des facteurs de pénalité ( $\phi, \psi = 1000$ ) ont été appliqués pour imposer les contraintes de rendement et de normalisation.
Méthodes Quantiques :
- Recuit Quantique (QA - Quantum Annealing) : Exécuté sur un processeur D-Wave Advantage 2 (plus de 4 400 qubits physiques). L'étude a testé divers temps de recuit (1–50 $\mu$ s) et des forces de chaîne (chain strengths). En raison de la nature entièrement connectée du QUBO, une stratégie d'incorporation de type clique a été employée, ce qui a considérablement augmenté la surcharge de qubits.
- Algorithme d'Optimisation Approchée Quantique (QAOA) : Implémenté sur l'IBM ibm_strasbourg (127 qubits) et des simulateurs idéaux. L'étude a testé trois stratégies de sélection de paramètres : recherche par grille (pour $p=1$ ), initialisation par rampe linéaire, et optimisation COBYLA. L'étude a été limitée à de petites instances ( $n \le 30$ ) en raison des exigences de mémoire exponentielles de la simulation classique et des contraintes de connectivité du matériel.
Méthodes Classiques :
- Solveurs Exacts : Gurobi et SCIP ont été utilisés pour établir l'optimalité prouvée du problème discrétisé.
- Heuristiques : Le benchmark comprenait le Recuit Simulé (Simulated Annealing), la Descente la plus raide (Steepest Descent), la Recherche Tabou (Tabu Search), ainsi qu'une nouvelle heuristique spécifique au problème conçue pour ajuster itérativement les poids des actifs afin de réduire la variance sans construire un modèle mathématique complet.
Métriques : La performance a été évaluée sur la base du ratio d'approximation (valeur de l'objectif par rapport à la solution optimale), du pourcentage de faisabilité (fraction des instances produisant au moins une solution faisable) et du nombre d'échantillons générés dans la limite de temps impartie.

Résultats Clés

Performance Classique : Les solveurs classiques modernes, particulièrement Gurobi, ont résolu des instances allant jusqu'à 1 000 actifs avec une optimalité prouvée en quelques secondes. Il a été constaté que Gurobi était plus de 1 000 fois plus rapide que le solveur open-source SCIP pour les instances de grande taille, principalement grâce à sa capacité à détecter la convexité du problème et à utiliser des méthodes de point intérieur.
Quantique vs Heuristiques Classiques : L'heuristique spécifique au problème a systématiquement surpassé toutes les approches quantiques (tant QA que QAOA) en termes de qualité de solution (ratio d'approximation) et de faisabilité pour des temps d'exécution fixes.
Performance Quantique :
- Faisabilité : Le QA et le QAOA ont tous deux eu des difficultés à trouver des solutions faisables, les pourcentages de faisabilité chutant de manière significative à mesure que la taille du problème augmentait.
- Qualité : Les ratios d'approximation pour les méthodes quantiques étaient souvent sous-optimaux (ex: $\ge 2$ pour $n \ge 20$ pour QAOA).
- Comparaison avec l'Aléatoire : Dans de nombreuses configurations, les méthodes quantiques ont performé de manière comparable, voire moins bien, que l'échantillonnage aléatoire concernant la faisabilité et le ratio d'approximation.
- Limitations Matérielles : La connectivité dense, de type "all-to-all", requise par la formulation QUBO a entraîné une surcharge d'incorporation (embedding) significative pour le QA (limitant les instances solubles à $n=25$ ) ainsi qu'une surcharge massive de portes (swaps) pour le QAOA lors de la transpilation, ce qui a dégradé les performances à mesure que la profondeur du circuit augmentait.
Recuit Quantique (QA) vs QAOA : Le recuit quantique a légèrement surpassé le QAOA basé sur les portes en termes de faisabilité et de qualité de solution, mais cet avantage était conditionné par un ajustement fin des paramètres de force de chaîne. Même avec cet ajustement, le QA n'a pas surpassé les heuristiques classiques.

Signification et Revendications
L'article conclut que pour la variante considérée de l'optimisation de portefeuille (minimisation de la volatilité avec des poids continus), il existe actuellement un espace très limité pour un avantage quantique pratique.

Dominance Classique : L'étude démontre que les solveurs classiques de pointe peuvent résoudre des instances à grande échelle vers l'optimalité en quelques secondes, et que les heuristiques classiques spécialisées surpassent les méthodes quantiques en termes de qualité de solution dans des délais fixes.
Contraintes Matérielles : La faible performance des algorithmes quantiques est principalement attribuée à la connectivité dense du problème d'optimisation de portefeuille, ce qui exacerbe les surcharges d'incorporation et de transpilation sur le matériel actuel.
Standard de Benchmark : Les auteurs affirment que leur travail fournit un benchmark complet et équitable en isolant les contributions quantiques des composants classiques (contrairement aux solveurs hybrides de type "boîte noire") et en utilisant des données réelles.
Perspectives Modestes : Bien que ces résultats fixent une barre élevée pour un futur avantage quantique, les auteurs notent que des variantes de problèmes plus complexes avec des contraintes supplémentaires pourraient donner des résultats différents, bien que ces scénarios nécessitent des investigations plus approfondies. L'étude ne prétend pas que l'informatique quantique est inutile pour la finance, mais plutôt que pour cette formulation spécifique et pratiquement pertinente, les méthodes classiques restent supérieures.

Articles similaires