⚛️ quantum physics

Quantum Portfolio Optimization: An Extensive Benchmark

Questo articolo presenta un benchmark esteso che confronta i metodi di ottimizzazione quantistica (quantum annealing e QAOA) con algoritmi classici allo stato dell'arte su istanze di ottimizzazione di portafogli del mondo reale, concludendo che la programmazione lineare intera mista classica e le euristiche su misura superano significativamente gli approcci quantistici sia in termini di qualità della soluzione che di velocità, indicando così un potenziale molto limitato per il vantaggio quantistico in questo specifico dominio.

Autori originali: Eric Stopfer, Friedrich Wagner

Pubblicato 2026-07-10

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Eric Stopfer, Friedrich Wagner

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere il capitano di una massiccia nave da tesoro e che il tuo compito sia decidere come dividere il tuo oro tra 1.000 diverse isole. Vuoi massimizzare il tuo bottino (ritorno) ma anche evitare che la nave oscilli troppo durante la tempesta (volatilità). Questo è il problema dell' "Ottimizzazione del Portafoglio", un classico enigma che i ricercatori hanno cercato di risolvere con l'aiuto dello strumento più nuovo e splendente dell'universo: i computer quantistici.

Recentemente, un team di scienziati dell'Istituto Fraunhofer ha deciso di mettere alla prova definitiva queste macchine quantistiche. Non si sono limitati a indovinare; hanno eseguito un enorme esperimento reale con 250 diverse mappe del tesoro, alcune delle quali coinvolgevano fino a 1.000 isole. Il loro obiettivo? Vedere se i computer quantistici potessero battere le migliori strategie umane (metodi classici) nel trovare la distribuzione perfetta dell'oro.

Il Campione dei Pesi Massimi: Il Solutore "Old-School"
Per prima cosa, parliamo dei metodi "classici" — quelli che usiamo da decenni. I ricercatori hanno scoperto che i moderni, super-intelligenti solutori classici (come un programma chiamato Gurobi) sono veri mostri. Quando hanno provato a risolvere il problema per 1.000 asset, questi solutori hanno trovato la risposta matematicamente perfetta nell'ordine di secondi. Era come avere un bibliotecario capace di trovare l'unico libro perfetto in una biblioteca di un milione di libri prima ancora che tu possa finire di dire "ciao".

I Contendenti Quantistici: I Nuovi Arrivati
Poi sono arrivati i sfidanti quantistici. I ricercatori hanno testato due tipi principali di "magia" quantistica:

Quantum Annealing: Immagina questo come una pallina magica che rotola in un paesaggio complesso e irregolare per trovare la valle più profonda (la soluzione migliore). Hanno usato una macchina D-Wave con oltre 4.400 qubit fisici.
QAOA (Quantum Approximate Optimization Algorithm): Questo è come un computer quantistico basato su gate (specificamente una macchina IBM con 127 qubit) che cerca di "sintonizzare" uno stato quantistico per trovare la risposta, in modo simile a quando si sintonizza una radio sulla stazione perfetta.

La Grande Rivelazione: La Lotta Quantistica
È qui che la trama si infittisce. I ricercatori hanno stabilito un limite di tempo rigoroso di 60 secondi per permettere ai computer quantistici di fare il loro lavoro. Perché? Perché nel mondo reale non puoi aspettare un'eternità per una risposta.

I risultati sono stati un po' deludenti per il treno dell'entusiasmo quantistico.

Il Limite di Grandezza: Le macchine quantistiche hanno incontrato un muro molto rapidamente. Poiché il problema richiede che ogni asset sia connesso a ogni altro asset (un problema "denso"), i computer quantistici potevano gestire solo istanze con un massimo di 30 asset. Qualsiasi cosa più grande, e le macchine semplicemente non riuscivano a far entrare il puzzle nella loro memoria.
Il Divario di Qualità: Anche entro questo piccolo intervallo, i metodi quantistici hanno faticato. Quando i ricercatori hanno esaminato le soluzioni trovate in 60 secondi, i computer quantistici spesso non riuscivano nemmeno a trovare una soluzione valida (una che seguisse tutte le regole). Quando ne trovavano una, era solitamente lontana dalla perfezione.
La Sorpresa "Casuale": In alcuni casi, i computer quantistici non hanno performato meglio del semplice scegliere risposte casuali. Immagina di cercare un ago in un pagliaio lanciando freccette bendato; i computer quantistici erano a volte altrettanto propensi a colpire l'ago quanto la paglia.

Il Vero Vincitore: Uno Strumento Su Misura
Ma ecco un colpo di scena! I ricercatori non si sono limitati a confrontare il quantistico con i solutori classici "standard"; hanno anche costruito uno strumento speciale, su misura (un'euristica specifica per il problema) progettato proprio per questa mappa del tesoro.

Questo strumento personalizzato è stato una superstar. Ha trovato costantemente soluzioni migliori dei computer quantistici nello stesso arco di 60 secondi.
Era così bravo che ha fatto sembrare i computer quantistici come se stessero giocando con i loro giocattoli. Lo strumento personalizzato trovava soluzioni valide per quasi ogni istanza, mentre quelli quantistici spesso fallivano nel trovare anche una singola soluzione valida per i problemi più grandi.

Cosa Significa Questo?
L'articolo conclude che per questo specifico tipo di problema di portafoglio (minimizzare la volatilità), c'è attualmente molto poco spazio per un "vantaggio quantistico".

I solutori classici possono risolvere enormi problemi perfettamente in pochi secondi.
Le euristiche classiche personalizzate battono i computer quantistici nel trovare buone soluzioni rapidamente.
I computer quantistici (sia l'annealing che il QAOA) sono attualmente bloccati. Faticano con la natura "densa" del problema, che li costringe a usare troppe risorse solo per mappare il problema sul chip.

Gli autori sono cauti nell'affermare che questo non significhi che il calcolo quantistico sia inutile per sempre. Suggeriscono che per versioni più complesse di questo problema (con regole e variabili extra), il quantistico potrebbe avere una possibilità. Ma per la versione che hanno testato? I metodi "old-school" sono ancora i re della collina, e i contendenti quantistici sono ancora in palestra, incapaci persino di finire la corsa contro un corridore classico costruito su misura.

In breve: se hai bisogno di ottimizzare un portafoglio di 1.000 asset oggi, non hai bisogno di un computer quantistico. Hai bisogno di un buon solutore classico e forse di uno script personalizzato. La rivoluzione quantistica per questo specifico compito è ancora in attesa dietro le quinte, non ancora pronta per salire sul palco.

Sintesi Tecnica: Ottimizzazione di Portafogli Quantistici: Un Benchmark Esteso

Definizione del Problema
Questo studio investiga il potenziale computazionale degli algoritmi quantistici per l'ottimizzazione di portafogli, concentrandosi specificamente su una variante di minimizzazione della volatilità. A differenza delle formulazioni "scegli l'asset o non sceglierlo", questo lavoro affronta il problema più pratico di determinare i pesi ottimali continui degli asset ( $\omega_i \in [0, 1]$ ) per minimizzare la volatilità del portafoglio ( $\sigma^2$ ) soggetto a un rendimento atteso minimo ( $\epsilon$ ) e ai vincoli di investimento totale ( $\sum \omega_i = 1$ ). Gli autori identificano questa specifica variante, denominata MinVola, come la più impegnativa dal punto di vista computazionale per i solver classici rispetto alle formulazioni di massimizzazione del rendimento o multi-obiettivo, rendendola il candidato più promettente per dimostrare un vantaggio quantistico.

Lo studio utilizza un dataset di 250 istanze derivate da dati reali di azioni Nasdaq (2020–2023), che variano da 3 a 1.000 asset. A causa delle attuali limitazioni dell'hardware, i metodi quantistici sono stati testati su istanze con un massimo di 30 asset, mentre i metodi classici sono stati valutati sull'intero intervallo.

Metodologia
Gli autori hanno condotto un benchmark comparativo tra approcci quantistici e classici sotto un rigoroso limite temporale di 60 secondi per il campionamento e l'analisi dei risultati. Lo studio aderisce ai principi di equità, riproducibilità e verificabilità.

Trasformazione del Problema: Per interfacciarsi con l'hardware quantistico, il problema continuo MinVola è stato trasformato in un modello di Ottimizzazione Binaria Quadratica Non Vincolata (QUBO). I pesi continui sono stati discretizzati utilizzando un'espansione binaria con parametro di precisione $d=3$ , che ha prodotto $4n$ variabili binarie per $n$ asset. Sono stati applicati fattori di penalità ( $\phi, \psi = 1000$ ) per imporre i vincoli di rendimento e di normalizzazione.
Metodi Quantistici:
- Quantum Annealing (QA): Eseguito su un processore D-Wave Advantage 2 (4.400+ qubit fisici). Lo studio ha testato vari tempi di annealing (1–50 $\mu$ s) e intensità di catena (chain strength). A causa della natura completamente connessa del QUBO, è stata impiegata una strategia di embedding a clique, che ha aumentato significativamente l'overhead dei qubit.
- Quantum Approximate Optimization Algorithm (QAOA): Implementato su IBM ibm_strasbourg (127 qubit) e simulatori ideali. Lo studio ha testato tre strategie di selezione dei parametri: ricerca a griglia (per $p=1$ ), inizializzazione a rampa lineare e ottimizzazione COBYLA. Lo studio è stato limitato a piccole istanze ( $n \le 30$ ) a causa dei requisiti di memoria esponenziali per la simulazione classica e dei vincoli di connettività dell'hardware.
Metodi Classici:
- Solver Esatti: Gurobi e SCIP sono stati utilizzati per stabilire l'ottimalità provata per il problema discretizzato.
- Euristiche: Il benchmark ha incluso Simulated Annealing, Steepest Descent, Tabu Search e una nuova euristica specifica per il problema, progettata per regolare iterativamente i pesi degli asset al fine di ridurre la varianza senza costruire un modello matematico completo.
Metriche: Le prestazioni sono state valutate in base al rapporto di approssimazione (valore dell'obiettivo rispetto alla soluzione ottimale), alla percentuale di fattibilità (frazione di istanze che producono almeno una soluzione fattibile) e al numero di campioni generati entro il limite di tempo.

Risultati Chiave

Prestazioni Classiche: I moderni solver classici, in particolare Gurobi, hanno risolto istanze fino a 1.000 asset con ottimalità provata in pochi secondi. È stato riscontrato che Gurobi è oltre 1.000 volte più veloce del solver open-source SCIP per istanze di grandi dimensioni, grazie principalmente alla sua capacità di rilevare la convessità del problema e utilizzare metodi a punti interni.
Quantistico vs. Euristiche Classiche: L'euristica specifica per il problema ha costantemente superato tutti gli approcci quantistici (sia QA che QAOA) in termini di qualità della soluzione (rapporto di approssimazione) e fattibilità per tempi di esecuzione fissi.
Prestazioni Quantistiche:
- Fattibilità: Sia QA che QAOA hanno faticato a trovare soluzioni fattibili, con percentuali di fattibilità che sono diminuite significativamente all'aumentare della dimensione del problema.
- Qualità: I rapporti di approssimazione per i metodi quantistici sono stati spesso subottimali (ad esempio, $\ge 2$ per $n \ge 20$ in QAOA).
- Confronto con la Casualità: In molte configurazioni, i metodi quantistici si sono comportati in modo simile, o peggio, rispetto al campionamento casuale per quanto riguarda la fattibilità e il rapporto di approssimazione.
- Limitazioni dell'Hardware: La densa connettività all-to-all richiesta dalla formulazione QUBO ha portato a un significativo overhead di embedding per QA (limitando le istanze risolvibili a $n=25$ ) e a un enorme overhead di gate (swap) per QAOA durante la traspilazione, il che ha degradato le prestazioni all'aumentare della profondità del circuito.
Quantum Annealing vs. QAOA: Il Quantum Annealing ha leggermente superato il QAOA basato su gate in termini di fattibilità e qualità della soluzione, ma questo vantaggio era subordinato alla calibrazione fine dei parametri di intensità della catena. Anche con la calibrazione, il QA non ha superato le euristiche classiche.

Significatività e Rivendicazioni
L'articolo conclude che, per la variante di ottimizzazione del portafoglio considerata (minimizzazione della volatilità con pesi continui), esiste attualmente uno spazio molto limitato per un pratico vantaggio quantistico.

Dominio Classico: Lo studio dimostra che gli stati dell'arte dei solver classici possono risolvere istanze su larga scala verso l'ottimalità in pochi secondi, e che euristiche classiche specializzate superano i metodi quantistici in termini di qualità della soluzione entro tempi fissi.
Vincoli Hardware: Le scarse prestazioni degli algoritmi quantistici sono attribuite principalmente alla densa connettività del problema di ottimizzazione del portafoglio, che esaspera gli overhead di embedding e traspilazione sull'hardware attuale.
Standard di Benchmark: Gli autori affermano che il loro lavoro fornisce un benchmark completo ed equo isolando i contributi quantistici dai componenti classici (a differenza dei solver ibridi black-box) e utilizzando dati reali.
Prospettiva Modesta: Sebbene i risultati pongano un traguardo elevato per il futuro vantaggio quantistico, gli autori osservano che varianti di problemi più complessi con vincoli aggiuntivi potrebbero produrre risultati diversi, sebbene tali scenari richiedano ulteriori indagini. Lo studio non afferma che il calcolo quantistico sia inutile per la finanza, ma piuttosto che per questa specifica formulazione, praticamente rilevante, i metodi classici rimangono superiori.

Articoli simili