Immaginate un mondo in cui i computer non si limitano a seguire una singola linea di istruzioni l'una dopo l'altra, ma esplorano invece molteplici possibilità contemporaneamente, come un viaggiatore che può percorrere tutti i sentieri di una foresta simultaneamente per trovare l'uscita. Questa è la promessa del calcolo quantistico, un campo che utilizza le strane regole del mondo dell'infinitamente piccolo per elaborare informazioni in modi in cui le macchine classiche non possono fare. Sebbene queste macchine siano ancora nelle loro fasi iniziali e rumorose, gli scienziati credono che presto risolveranno problemi che sono attualmente impossibili anche per i supercomputer più potenti. Uno dei luoghi più entusiasmanti in cui cercare questo potere è la finanza, un settore che tratta enormi quantità di dati, rischi complessi e il costante bisogno di prevedere il futuro. La domanda non è solo se queste nuove macchine possano funzionare, ma come possano essere insegnate a imparare dai dati, proprio come fa un essere umano, per prendere decisioni migliori su denaro, mercati e rischio.

Un team di ricercatori di JPMorgan Chase ha scritto una revisione completa che mappa esattamente come queste macchine quantistiche vengono addestrate per agire come esperti finanziari. Non affermano che la tecnologia sia pronta a sostituire ogni trader o analista domani. Al contrario, forniscono un quadro chiaro e realistico dello stato dell'arte attuale, mostrando quali compiti finanziari possono essere migliorati oggi e quali potrebbero richiedere più tempo. Il documento si concentra su un tipo specifico di intelligenza artificiale chiamata apprendimento automatico (machine learning), dove i computer imparano schemi dai dati piuttosto che seguire regole rigide. I ricercatori esaminano sette aree principali in cui le macchine quantistiche vengono applicate: la previsione dei prezzi, la suddivisione delle informazioni in gruppi, la ricerca di schemi nascosti, la creazione di nuovi dati, la selezione dei fatti più importanti, il processo decisionale nel tempo e la comprensione del linguaggio umano.

La prima area che esplorano è la previsione di numeri, un compito noto come regressione. In finanza, questo viene utilizzato per indovinare i futuri prezzi delle azioni o il valore delle obbligazioni basandosi su dati passati. I computer classici lo fanno trovando la linea migliore che si adatta a una nuvola di punti, ma può essere lento quando i dati sono enormi. I ricercatori spiegano che gli algoritmi quantistici possono risolvere specifiche subroutine matematiche all'interno di questi problemi molto più velocemente, offrendo potenzialmente un vantaggio di velocità che cresce esponenzialmente man mano che i dati diventano più grandi. Tuttavia, sono cauti nel notare un ostacolo significativo: inserire i dati nel computer quantistico, in primo luogo, è ancora difficile e lento. Sebbene la matematica all'interno della macchina sia veloce, il processo di caricamento delle informazioni e di lettura della risposta possa talvolta annullare i benefici. Il documento nota che non è stata ancora scoperta alcuna applicazione end-to-end di apprendimento automatico quantistico con un'accelerazione esponenziale rispetto al suo controparte classico. Nonostante ciò, il documento suggerisce che per tipi specifici di modelli finanziari, i metodi quantistici potrebbero alla fine offrire miglioramenti nell'efficienza, a condizione che le sfide del caricamento dei dati vengano affrontate.

Successivamente, il team esamina la classificazione, che è l'arte di suddividere le cose in categorie. Nel mondo finanziario, questo potrebbe significare decidere se un richiedente un prestito è probabile che restituisca il proprio debito o se un'azione sia un "acquisto" o una "vendita". I computer classici utilizzano metodi come le macchine a vettori di supporto per tracciare una linea tra questi gruppi. I ricercatori descrivono come le versioni quantistiche di questi strumenti possano creare confini molto più complessi, permettendo loro di separare dati che appaiono mescolati per un computer classico. Evidenziano una tecnica specifica chiamata mappa di caratteristiche quantistica (quantum feature map), che prende dati semplici e li eleva in uno spazio vasto e multidimensionale dove i modelli diventano evidenti. Sebbene questi metodi siano stati testati su piccoli set di dati, il documento indica che promettono di gestire i dati disordinati e reali tipici del settore bancario e degli investimenti, sebbene i miglioramenti pratici dipendano dal superamento dei colli di bottiglia nell'accesso ai dati.

La revisione si sposta poi sul clustering, che consiste nel trovare gruppi naturali all'interno di un ammasso di dati senza essere istruiti su cosa cercare. Questo è utile per individuare frodi o raggruppare azioni simili. I ricercatori discutono un metodo chiamato clustering quantistico, che tratta i punti dati come particelle in un sistema fisico, cercando le aree in cui si radunano naturalmente. Menzionano anche una tecnica chiamata clustering quantistico dinamico, che osserva come questi gruppi cambiano nel tempo. Questo approccio è già stato utilizzato per analizzare i dati del mercato azionario e classificare diversi tipi di fondi di investimento, aiutando gli investitori a vedere connessioni che altrimenti rimarrebbero nascoste. Il documento nota che, sebbene questi metodi siano ancora in fase di perfezionamento, offrono un nuovo modo per vedere la struttura dei mercati finanziari, sebbene il loro pieno potenziale sia limitato dai vincoli dell'hardware attuale.

Un'altra sezione importante copre la modellazione generativa, dove il computer impara a creare nuovi dati che sembrano identici a quelli reali. Questo è incredibilmente utile per testare strategie senza rischiare denaro reale. I ricercatori spiegano come le macchine quantistiche possano apprendere la distribuzione di probabilità degli eventi finanziari, imparando essenzialmente la "forma" del mercato. Descrivono come queste macchine possano generare scenari di mercato falsi ma realistici per testare come un portafoglio si comporterebbe in una crisi. Ciò avviene utilizzando versioni quantistiche di reti neurali che possono potenzialmente campionare da distribuzioni complesse più velocemente dei computer classici in specifiche subroutine. Il documento suggerisce che questo potrebbe alla fine aiutare le banche a sottoporre i propri sistemi a stress test, permettendo loro di vedere chiaramente eventi rari ma pericolosi, sebbene non sia stata ancora scoperta alcuna applicazione end-to-end con accelerazione esponenziale.

Il team esamina anche come i computer quantistici possano aiutare a scegliere i fatti più importanti da un mare di informazioni, un processo chiamato estrazione di caratteristiche (feature extraction). In finanza, avere troppe variabili può confondere un modello, quindi trovare quelle poche che contano davvero è fondamentale. I ricercatori descrivono come gli algoritmi quantistici possano analizzare le relazioni tra migliaia di punti dati per trovare i più significativi, riducendo efficacementamente un enorme set di dati al suo nucleo. Questo è particolarmente utile per il punteggio del credito (credit scoring), dove il sistema deve decidere quali fattori prevedono realmente se una persona restituirà un prestito. Utilizzando i metodi quantistici, il sistema potrebbe teoricamente identificare questi fattori chiave in modo più efficiente, sebbene il documento sottolinei che il caricamento dei dati rimane un collo di bottiglia che deve essere risolto prima che questi vantaggi possano essere pienamente realizzati nella pratica.

Il processo decisionale nel tempo è un'altra area critica, nota come apprendimento per rinforzo (reinforcement learning). Questo è il modo in cui un computer impara a prendere una serie di decisioni per massimizzare una ricompensa, in modo simile a come un trader potrebbe regolare un portafoglio giorno dopo giorno. Il documento spiega che i computer quantistici potrebbero teoricamente accelerare questo processo di apprendimento, permettendo agli agenti di trovare le migliori strategie di trading molto più velocemente. Tuttavia, i ricercatori sottolineano che, a causa delle attuali limitazioni dell'hardware, gli approcci di apprendimento per rinforzo quantistico non sono ancora stati applicati direttamente al trading automatizzato. Suggeriscono che, sebbene la base teorica sia solida, componenti del trading algoritmico potrebbero eventualmente beneficiare dei vantaggi quantistici, ma non siamo ancora alla fase di un trading quantistico completamente automatizzato.

Infine, la revisione tocca il modo in in cui queste macchine possono comprendere il linguaggio umano. I mercati finanziari sono guidati da notizie, rapporti e social media, che contengono tutti testi non strutturati. I ricercatori descrivono come gli algoritmi quantistici possano analizzare la grammatica e il significato delle frasi per valutare il sentiment o rilevare frodi nei documenti finanziari. Utilizzando un metodo che tratta le parole come parti di una struttura più ampia, questi sistemi possono teoricamente elaborare i calcoli di similarità delle frasi con un miglioramento della complessità rispetto ai metodi classici. Ciò potrebbe aiutare le banche a valutare il rischio leggendo migliaia di domande di prestito o rapporti di audit, sebbene il documento chiarisca che l'accelerazione deriva da miglioramenti algoritmici specifici nei calcoli di similarità piuttosto che da una capacità generale di comprendere il contesto meglio delle semplici ricerche per parole chiave in tutti gli scenari.

Il documento si conclude con un riassunto sobrio ma ottimista. I ricercatori rendono chiaro che il machine learning quantistico non è una bacchetta magica che risolve istantaneamente ogni problema finanziario, ma è uno strumento potente che sta evolvendo rapidamente. Riconoscono che le macchine attuali sono limitate dal rumore e dalle dimensioni ridotte, e che il caricamento dei dati rimane una sfida. Tuttavia, sostengono che il potenziale di velocità e accuratezza è reale, specialmente per i tipi specifici di problemi complessi che si trovano nella finanza. La revisione funge da tabella di marcia, mostrando che ci stiamo spostando dalla teoria alla pratica e che l'industria finanziaria è ben posizionata per essere una delle prime a beneficiare di questa nuova era dell'informatica. Il viaggio è appena iniziato, ma la destinazione promette un mondo in cui le decisioni finanziarie saranno prese con una profondità di comprensione che prima era fuori portata.