Leveraging Quantum Uncertainty for Modeling Financial Volatility via Quantum Reservoir Computing

Le monde de la finance est un paysage agité et changeant. Les prix ne se déplacent pas en lignes droites ; ils montent en flèche, stagnent et spiralent selon des modèles qui sont souvent trop complexes pour être capturés par les mathématiques traditionnelles. Pendant des décennies, les économistes et les scientifiques des données ont tenté de construire des modèles capables de prédire ces mouvements, traitant le marché comme une machine dotée d'engrenages que l'on peut comprendre et actionner. Pourtant, le marché se comporte souvent moins comme une machine et davantage comme un système vivant, réagissant aux nouvelles, à la peur et à l'espoir de manières qui défient les règles simples. Pour relever ce défi, une nouvelle approche a émergé de la frontière de la physique : l'informatique quantique. Contrairement aux ordinateurs de nos poches, qui traitent l'information sous la forme d'une série de zéros et de uns définis, les ordinateurs quantiques utilisent les lois étranges du monde subatomique. Ils peuvent maintenir l'information dans un état de « superposition », où une unité de donnée unique existe dans plusieurs possibilités à la fois, et ils peuvent lier des unités distinctes par l'« intrication », créant une connexion qui défie les limites de la distance ordinaire. Ces propriétés offrent une nouvelle façon d'envisager l'incertitude, non pas comme un problème à résoudre, mais comme une caractéristique à exploiter.

Une équipe de chercheurs de l'Université de Lancaster a repris ces concepts et les a appliqués au monde chaotique des marchés boursiers. Ils ont développé un nouveau système appelé Entangled Quantum Coherent Reservoir Network, ou eQCRN, conçu pour modéliser la volatilité financière en embrassant l'incertitude même qui rend les marchés si difficiles à prédire. Au lieu de tenter de forcer les données du marché dans un cadre classique rigide, ce système utilise un réseau de circuits quantiques qui évoluent et changent en réponse aux données, de la même manière qu'un fluide s'adapte à la forme de son contenant. Les chercheurs ont testé ce système par rapport à trente actions différentes issues de grands indices mondiaux, incluant le NASDAQ, très axé sur la technologie, le S&P 500 plus large, et le FTSE 100 du Royaume-Uni. Leur objectif était de voir si les propriétés uniques de la mécanique quantique pouvaient déceler des motifs dans les mouvements de prix que les ordinateurs classiques ne perçoivent pas.

Les résultats de leur étude, menée via des simulations informatiques détaillées, suggèrent que l'approche quantique offre effectivement un avantage, mais uniquement sous certaines conditions. Lorsque les chercheurs ont appliqué leur système à des actions technologiques hautement volatiles, le modèle quantique a systématiquement surpassé les meilleurs modèles classiques, atteignant une précision de 60,4 % sur les actions technologiques à haute volatilité, contre 58,2 % pour les meilleurs modèles classiques. Des exemples notables incluent Apple (AAPL), qui a atteint 60,4 % de précision contre 57,1 % pour le meilleur modèle classique, ainsi que NVIDIA et Tesla, qui ont enregistré des gains similaires. Cet avantage était plus prononcé dans les marchés caractérisés par des fluctuations rapides et imprévisibles, ainsi que par des dépendances complexes entre différents facteurs. Le système semblait particulièrement apte à naviguer dans les eaux turbulentes du NASDAQ, où le sentiment et les cycles d'innovation dictent les prix de manière non linéaire.

Cependant, l'étude a également révélé que cet avantage quantique n'est pas une solution universelle. Lorsque les chercheurs ont testé ce même système sur le FTSE 100, un groupe d'actions dominé par des entreprises stables et de grande taille avec des politiques de dividendes et des moteurs macroéconomiques prévisibles, les modèles classiques ont été plus performants. Dans ces marchés plus calmes et plus ordonnés, la machinerie quantique complexe n'a pas trouvé les motifs supplémentaires nécessaires pour obtenir un avantage. Cette distinction est cruciale : le système quantique brille lorsque les données sont bruitées, chaotiques et pleines de corrélations cachées, mais il n'apporte que peu de bénéfices lorsque le marché suit des tendances fluides et prévisibles. Les chercheurs ont constaté que l'avantage quantique n'était pas un simple coup de chance ; des tests statistiques ont confirmé que les améliorations étaient significatives pour douze des trente actions, dont huit étaient des entreprises technologiques.

Pour comprendre pourquoi cela fonctionne, il faut examiner la structure du système. Les chercheurs n'ont pas simplement exécuté un algorithme standard sur un ordinateur quantique. Au lieu de cela, ils ont créé un réseau de multiples « réservoirs », qui sont essentiellement des circuits quantiques fixes et connectés de manière aléatoire, traitant l'information sans nécessiter un entraînement complet. Chaque réservoir de leur réseau était configuré avec un motif d'intrication différent, reliant ses parties internes de manières uniques. Cela a permis au système d'explorer de nombreuses régions de possibilité simultanément. Lorsque les données entraient dans le système, elles étaient encodées dans les états quantiques, et les connexions intriquées permettaient au système de capturer des relations entre différents points temporels que les ordinateurs classiques peinent à percevoir. Les chercheurs ont découvert que la meilleure performance provenait de l'utilisation de six à huit unités quantiques, ou qubits, et de l'exécution de dix à douze de ces réservoirs en parallèle. Un nombre trop faible d'unités manquait de la complexité nécessaire pour capturer la nuance du marché, tandis qu'un nombre trop élevé introduisait trop de bruit, faisant perdre le cap au système.

L'équipe a également découvert que le système pouvait s'adapter aux changements des conditions de marché. Ils ont construit une version du réseau capable de modifier ses connexions internes en fonction de la situation : marché calme, modérément actif ou hautement volatil. En période de haute volatilité, le système engageait un réseau dense et hautement connecté pour capturer les changements rapides et complexes. En période plus calme, il passait à une configuration plus clairsemée et plus simple. Cette capacité d'adaptation a permis au système d'améliorer sa précision sur des actions volatiles comme Tesla de près de deux points de pourcentage par rapport à un système fixe. La capacité de se reconfigurer en réponse aux données suggère que les systèmes quantiques pourraient être particulièrement adaptés aux environnements qui changent rapidement, une caractéristique commune des marchés financiers modernes.

Malgré ces résultats prometteurs, les chercheurs veillent à situer leurs conclusions dans les limites actuelles de la technologie. L'intégralité de l'étude a été réalisée à l'aide de simulations d'ordinateurs quantiques, et non sur du matériel physique. Bien que les simulations aient montré que le système pouvait gérer des niveaux réalistes de bruit et d'erreurs, la performance réelle sur de véritables dispositages quantiques reste à prouver. L'étude indique que le système est suffisamment robuste pour fonctionner sur les ordinateurs quantiques disponibles aujourd'hui, à condition qu'ils disposent de capacités de mesure de haute qualité, mais elle ne prétend pas avoir résolu le problème de la prédiction boursière. Les auteurs soulignent qu'il s'agit d'une étape vers l'apprentissage pratique assisté par le quantique, et non d'une démonstration définitive d'un avantage quantique universel.

Les implications de ce travail s'étendent bien au-delà de la simple génération de profits boursiers. L'étude suggère que l'informatique quantique pourrait être particulièrement précieuse pour la modélisation de systèmes complexes et non stationnaires — ceux qui changent de règles au fil du temps et présentent un comportement chaotique. Cela pourrait inclure des domaines tels que la modélisation climatique, les systèmes biologiques et la dynamique des réseaux sociaux, où les interactions entre les parties sont trop complexes pour que les modèles classiques puissent les saisir pleinement. Pour la finance, la conclusion est que les méthodes quantiques ne sont pas une solution miracle pour toutes les conditions de marché, mais un outil spécialisé qui excelle dans les environnements les plus difficiles et les plus volatils. La recherche pointe vers un avenir où les ordinateurs quantiques et classiques travailleront ensemble, la partie quantique gérant les éléments les plus complexes et incertains des données, tandis que la partie classique gérera le reste.

À mesure que la technologie mûrit, les chercheurs envisagent une voie où ces systèmes hybrides deviendront des outils standards pour l'analyse de données temporelles complexes. L'étude fournit un cadre pratique pour construire ces systèmes, identifiant le nombre optimal de composants et les meilleures façons de les configurer. Elle souligne également l'importance de la résilience au bruit, montrant que même des dispositifs quantiques imparfaits peuvent produire des résultats utiles s'ils sont correctement conçus. Bien que le passage de la simulation à l'application réelle du monde physique comporte des défis importants, notamment le besoin de matériel plus stable et d'une meilleure intégration avec les infrastructures financières existantes, les résultats offrent un aperçu fascinant d'une nouvelle façon de comprendre l'incertitude. En exploitant l'étrangeté fondamentale du monde quantique, les chercheurs ont démontré qu'il est possible de trouver de l'ordre dans le chaos du marché, du moins pendant un certain temps, et dans des segments spécifiques et à enjeux élevés du monde financier.