Leveraging Quantum Uncertainty for Modeling Financial Volatility via Quantum Reservoir Computing

Il mondo della finanza è un paesaggio instabile e mutevole. I prezzi non si muovono in linee rette; essi si gonfiano, ristagnano e spiraleggiano in schemi che sono spesso troppo complessi per essere catturati dalla matematica tradizionale. Per decenni, economisti e scienziati dei dati hanno cercato di costruire modelli in grado di prevedere questi movimenti, trattando il mercato come una macchina con ingranaggi che possono essere compresi e azionati. Eppure, il mercato si comporta spesso meno come una macchina e più come un sistema vivente, reagendo a notizie, paura e speranza in modi che sfidano le regole semplici. Per affrontare questo, un nuovo approccio è emerso dalla frontiera della fisica: l'informatica quantistica. A differenza dei computer nelle nostre tasche, che elaborano le informazioni come una serie di definiti zeri e uno, i computer quantistici utilizzano le leggi bizzarre del mondo subatomico. Possono mantenere l'informazione in uno stato di "sovrapposizione", dove un singolo'unità di dati esiste in molteplici possibilità contemporaneamente, e possono collegare unità separate attraverso l'"entanglement", creando una connessione che sfida i limiti della distanza ordinaria. Queste proprietà offrono un nuovo modo di guardare all'incertezza, non come un problema da risolvere, ma come una caratteristica da utilizzare.

Un team di ricercatori dell'Università di Lancaster ha preso questi concetti e li ha applicati al caotico mondo dei mercati azionari. Hanno sviluppato un nuovo sistema chiamato Entangled Quantum Coherent Reservoir Network, o eQCRN, progettato per modellare la volatilità finanziaria abbracciando proprio l'incertezza che rende i mercati così difficili da prevedere. Invece di cercare di forzare i dati di mercato in un rigido quadro classico, questo sistema utilizza una rete di circuiti quantistici che evolvono e cambiano in risposta ai dati, molto più come un fluido che si adatta alla forma del suo contenitore. I ricercatori hanno testato questo sistema contro trenta diversi titoli azionari provenienti dai principali indici globali, inclusi il NASDAQ, fortemente orientato alla tecnologia, l'S&P 500 più ampio e il FTSE 100 del Regno Unito. Il loro obiettivo era vedere se le uniche proprietà della meccanica quantistica potessero individuare schemi nei movimenti dei prezzi che i computer classici perdono.

I risultati del loro studio, condotto attraverso simulazioni informatiche dettagliate, suggeriscono che l'approccio quantistico offre effettivamente un vantaggio, ma solo in condizioni specifiche. Quando i ricercatori hanno applicato il loro sistema ad azioni tecnologiche altamente volatili, il modello quantistico ha superato costantemente i migliori modelli classici, raggiungendo un'accuratezza del 60,4% sulle azioni tecnologiche ad alta volatilità rispetto al 58,2% dei migliori modelli classici. Esempi degni di nota includono Apple (AAPL), che ha raggiunto il 60,4% di accuratezza rispetto al 57,1% del miglior modello classico, così come NVIDIA e Tesla, che hanno registrato guadagni simili. Questo vantaggio è stato più pronunciato nei mercati caratterizzati da oscillazioni rapide e imprevedibili e da complesse dipendenze tra diversi fattori. Il sistema sembrava particolarmente abile nel navigare nelle acque turbolente del NASDAQ, dove il sentiment e i cicli di innovazione guidano i prezzi in modi non lineari.

Tuttavia, lo studio ha anche rivelato che questo vantaggio quantistico non è una soluzione universale. Quando i ricercatori hanno testato lo stesso sistema sul FTSE 100, un gruppo di azioni dominate da società grandi e stabili con politiche di dividendi e driver macroeconomici prevedibili, i modelli classici sono stati più performanti. In questi mercati più calmi e ordinati, la complessa macchina quantistica non ha trovato gli schemi extra necessari per ottenere un vantaggio. Questa distinzione è cruciale: il sistema quantistico brilla quando i dati sono rumorosi, caotici e pieni di correlazioni nascoste, ma offre poco beneficio quando il mercato si muove in tendenze fluide e prevedibili. I ricercatori hanno scoperto che il vantaggio quantistico non era un semplice colpo di fortuna; i test statistici hanno confermato che i miglioramenti erano significativi per dodici dei trenta titoli, otto dei quali erano società tecnologiche.

Per capire perché questo funzioni, bisogna osservare come è costruito il sistema. I ricercatori non hanno semplicemente eseguito un algoritmo standard su un computer quantistico. Invece, hanno creato una rete di molteplici "reservoir" (serbatoi), che sono essenzialmente circuiti quantistici collegati casualmente e fissi, che elaborano le informazioni senza bisogno di essere completamente addestrati. Ogni reservoir nella loro rete era configurato con un diverso schema di entanglement, collegando le sue parti interne in modi unici. Ciò ha permesso al sistema di esplorare molte diverse regioni di possibilità simultaneamente. Quando i dati entravano nel sistema, venivano codificati negli stati quantistici, e le connessioni entangled permettevano al sistema di catturare le relazioni tra diversi punti temporali che i computer classici faticano a vedere. I ricercatori hanno scoperto che la prestazione migliore derivava dall'uso di tra sei e otto unità quantistiche, o qubit, ed eseguendo dieci o dodici di questi reservoir in parallelo. Troppi pochi elementi mancavano della complessità necessaria per catturare la sfumatura del mercato, mentre troppi introducevano troppo rumore, facendo perdere la strada al sistema.

Il team ha anche scoperto che il sistema può adattarsi alle mutevoli condizioni di mercato. Hanno costruito una versione della rete che può cambiare le proprie connessioni interne in base al fatto che il mercato sia calmo, moderatamente attivo o altamente volatile. Nei periodi di alta volatilità, il sistema attiva una rete densa e altamente connessa per catturare i cambiamenti rapidi e complessi. Nei periodi più calmi, passa a una configurazione più sparsa e semplice. Questa capacità adattiva ha permesso al sistema di migliorare la sua accuratezza su azioni volatili come Tesla di quasi due punti percentuali rispetto a un sistema fisso. La capacità di riconfigurarsi in risposta ai dati suggerisce che i sistemi quantistici potrebbero essere unici per gli ambienti che cambiano rapidamente, una caratteristica comune dei moderni mercati finanziari.

Nonostante questi risultati promettenti, i ricercatori sono cauti nel inquadrare le loro scoperte entro i limiti attuali della tecnologia. L'intero studio è stato condotto utilizzando simulazioni di computer quantistici, non hardware fisico. Sebbene le simulazioni abbiano dimostrato che il sistema può gestire livelli realistici di rumore ed errori, le prestazioni reali su dispositivi quantistici fisici devono ancora essere provate. Lo studio indica che il sistema è abbastanza robusto da lavorare sui computer quantistici disponibili oggi, a patto che abbiano capacità di misurazione di alta qualità, ma non afferma di aver risolto il problema della previsione azionaria. Gli autori sottolineano che questo è un passo verso l'apprendimento assistito dal quantum pratico, non una dimostrazione definitiva di un vantaggio quantistico che funzioni ovunque.

Le implicazioni di questo lavoro vanno oltre il semplice guadagno con le azioni. Lo studio suggerisce che l'informatica quantistica potrebbe essere più preziosa per modellare sistemi complessi e non stazionari — quelli che cambiano le proprie regole nel tempo ed esibiscono un comportamento caotico. Ciò potrebbe includere campi come la modellazione climatica, i sistemi biologici e la dinamica delle reti sociali, dove le interazioni tra le parti sono troppo intricate per essere pienamente colte dai modelli classici. Per la finanza, la scoperta è che i metodi quantistici non sono una bacchetta magica per tutte le condizioni di mercato, ma uno strumento specializzato che eccelle negli ambienti più difficili e ad alta volatilità. La ricerca punta verso un futuro in cui i computer quantistici e classici lavoreranno insieme, con il lato quantistico che gestisce le parti più complesse e incerte dei dati, mentre il lato classico gestisce il resto.

Man mano che la tecnologia matura, i ricercatori vedono una strada in cui questi sistemi ibridi diventeranno strumenti standard per analizzare dati temporali complessi. Lo studio fornisce un quadro pratico su come costruire questi sistemi, identificando il numero ottimale di componenti e i modi migliori per configurarli. Evidenzia inoltre l'importanza della resilienza al rumore, mostrando che anche i dispositivi quantistici imperfetti possono fornire risultati utili se progettati correttamente. Sebbene il percorso dalla simulazione all'applicazione nel mondo reale comporti sfide significative, tra cui la necessità di hardware più stabile e una migliore integrazione con l'infrastruttura finanziaria esistente, i risultati offrono uno sguardo affascinante su un nuovo modo di comprendere l'incertezza. Sfruttando la fondamentale stranezza del mondo quantistico, i ricercatori hanno dimostrato che è possibile trovare l'ordine nel caos del mercato, almeno per un po', e in specifici, ad alto rischio angoli del mondo finanziario.