컴퓨터가 단순히 하나의 명령어를 차례대로 따르는 것이 아니라, 숲의 출구를 찾기 위해 모든 경로를 동시에 걸어가는 여행자처럼 수많은 가능성을 동시에 탐색하는 세상을 상상해 보십시오. 이것이 바로 양자 컴퓨팅이 약속하는 바이며, 이 분야는 아주 작은 세계의 기묘한 법칙들을 사용하여 고전적인 기계로는 할 수 없는 방식으로 정보를 처리합니다. 이러한 기계들은 아직 초기 단계의 노이즈가 많은 상태이지만, 과학자들은 이들이 곧 가장 강력한 슈퍼컴퓨터로도 불가능한 문제들을 해결할 것이라고 믿고 있습니다. 이 힘을 찾기에 가장 흥식한 곳 중 하나는 방대한 양의 데이터, 복잡한 리스크, 그리고 미래를 예측해야 하는 지속적인 필요성을 다루는 산업인 금융입니다. 질문은 단지 이 새로운 기계들이 작동할 수 있는지 여부가 아니라, 어떻게 인간처럼 데이터로부터 학습하여 돈, 시장, 그리고 리스크에 대해 더 나은 결정을 내리도록 가르칠 수 있는가 하는 것입니다.

JPMorgan Chase의 연구팀은 이 양자 기계들이 어떻게 금융 전문가로서 행동하도록 훈련되고 있는지를 정확하게 그려낸 포괄적인 검토 보고서를 작성했습니다. 그들은 이 기술이 내일 당장 모든 트레이더나 분석가를 대체할 준비가 되었다고 주장하는 것이 아닙니다. 대신, 그들은 어떤 금융 과업이 오늘날 개선될 수 있고 어떤 과업이 더 오랜 시간이 걸릴 수 있는지를 보여줌으로써 현재 기술 수준에 대한 명확하고 현실적인 그림을 제공합니다. 이 논문은 컴퓨터가 엄격한 규칙을 따르는 대신 데이터로부터 패턴을 학습하는 인공지능의 특정 유형인 머신러닝에 초점을 맞춥니다. 연구진은 양자 기계가 적용되는 일곱 가지 주요 영역을 조사합니다: 가격 예측, 정보 분류, 숨겨진 패턴 발견, 새로운 데이터 생성, 중요한 특징 선택, 시간 흐름에 따른 의사결정, 그리고 인간 언어 이해입니다.

그들이 탐구하는 첫 번째 영역은 회귀라고 알려진 숫자 예측입니다. 금융에서 이는 과거 데이터를 바탕으로 미래의 주가나 채권 가치를 추측하는 데 사용됩니다. 고전적인 컴퓨터는 점들의 구름에 가장 잘 맞는 선을 찾음으로써 이 작업을 수행하지만, 데이터가 방대해지면 속도가 느려질 수 있습니다. 연구진은 양자 알고리즘이 이러한 문제 내의 특정 수학적 서브루틴을 훨씬 빠르게 해결할 수 있으며, 잠재적으로 데이터가 커짐에 따라 기하급수적으로 증가하는 속도 이점을 제공할 수 있다고 설명합니다. 그러나 그들은 중요한 장애물을 주의 깊게 언급합니다: 데이터를 양자 컴퓨터에 처음 집어넣는 과정 자체가 여전히 어렵고 느리다는 점입니다. 기계 내부의 수학적 계산은 빠르지만, 정보를 로드하고 답을 읽어내는 과정이 때때로 그 이점을 상쇄할 수 있습니다. 논문은 고전적 대응물에 비해 지수적 가속도를 가진 엔드 투 엔드(end-to-end) 양자 머신러닝 응용 사례가 아직 발견되지 않았음을 지적합니다. 그럼에도 불구하고, 이 논문은 데이터 로딩 문제가 해결된다면 특정 유형의 금융 모델에 대해 양자 방법론이 결국 효율성 측면에서 개선을 제공할 수 있다고 제안합니다.

다음으로 팀은 분류, 즉 사물을 범주로 나누는 기술을 살펴봅니다. 금융 세계에서 이는 대출 신청자가 부채를 상환할 가능성이 있는지, 혹은 주식이 '매수'인지 '매도'인지를 결정하는 것을 의미할 수 있습니다. 고전적인 컴퓨터는 서포트 벡터 머신과 같은 방법을 사용하여 이 그룹들 사이에 선을 긋습니다. 연구진은 양자 버전의 도구들이 훨씬 더 복잡한 경계를 생성하여, 고전적인 컴퓨터에게는 뒤섞여 보이는 데이터를 분리할 수 있다고 설명합니다. 그들은 단순한 데이터를 패턴이 명확해지는 방대한 다차원 공간으로 격상시키는 '양자 특징 맵(quantum feature map)'이라는 특정 기술을 강조합니다. 이러한 방법들은 작은 데이터셋을 대상으로 테스트되었지만, 논문은 이 방법들이 은행 및 투자 분야에서 발견되는 무질서한 실제 데이터를 처리하는 데 유망한 가능성을 지니고 있다고 밝히면서도, 실질적인 속도 향상은 데이터 접근의 병목 현상을 극복하는 데 달려 있다고 명시합니다.

검토는 이어서 클러스터링(군집화)으로 넘어가는데, 이는 무엇을 찾으라고 지시받지 않고도 데이터 더미 속에서 자연스러운 그룹을 찾아내는 것에 관한 것입니다. 이는 사기 탐지나 유사한 주식들을 그룹화하는 데 유용합니다. 연구원들은 데이터 포인트를 물리적 시스템의 입자처럼 취급하여 이들이 자연스럽게 모이는 영역을 찾는 '양자 클러스터링' 방법을 논의합니다. 또한 이 그룹들이 시간이 지남에 따라 어떻게 변하는지 관찰하는 '동적 양자 클러스터링' 기술도 언급합니다. 이 접근 방식은 이미 주식 시장 데이터를 분석하고 다양한 유형의 투자 펀드를 분류하는 데 사용되었으며, 투자자들이 숨겨져 있을 수 있는 연결 고리를 볼 수 있도록 도와주었습니다. 논문은 이러한 방법들이 여전히 정교화되는 과정에 있지만, 금융 시장의 구조를 보는 새로운 방법을 제공한다고 언급하면서도, 현재의 하드웨어 제약으로 인해 그 잠재력이 제한적이라고 덧붙였습니다.

또 다른 주요 섹션은 컴퓨터가 실제와 똑같이 생긴 새로운 데이터를 생성하는 법을 배우는 생성 모델링을 다룹니다. 이는 실제 돈을 걸지 않고 전략을 테스트하는 데 매우 유용합니다. 연구진은 양자 기계가 금융 사건의 확률 분포, 즉 시장의 '형태'를 학습하는 방식을 설명합니다. 그들은 이 기계들이 어떻게 가짜이지만 현실적인 시장 시나리오를 생성하여 위기 상황에서 포트폴리오가 어떻게 성과를 낼지 테스트할 수 있는지 설명합니다. 이는 특정 서브루틴에서 고전 컴퓨터보다 더 빠르게 복잡한 분포로부터 샘플링할 수 있는 잠재력을 가진 양자 버전의 신경망을 사용하여 수행됩니다. 논문은 이것이 결국 은행들이 시스템을 스트레스 테스트하는 데 도움을 줄 수 있으며, 이를 통해 드물지만 위험한 사건들을 더 명확하게 볼 수 있게 해줄 것이라고 제안하지만, 지수적 가속도를 가진 엔드 투 엔드 응용 사례는 아직 발견되지 않았다고 명시합니다.

팀은 또한 양자 컴퓨터가 정보의 바다에서 가장 중요한 사실들을 골라내는 과정인 특징 추출(feature extraction)을 어떻게 도울 수 있는지 조사합니다. 금융에서는 너무 많은 변수가 모델을 혼란스럽게 만들 수 있으므로, 정말로 중요한 몇 가지를 찾는 것이 핵심입니다. 연구진은 양자 알고리즘이 수천 개의 데이터 포인트 사이의 관계를 분석하여 가장 유의미한 것들을 찾아냄으로써, 거대한 데이터셋을 그 핵심으로 효과적으로 축소할 수 있다고 설명합니다. 이는 시스템이 사람이 대출을 상환할지 여부를 예측하는 데 어떤 요인이 정말 중요한지 결정해야 하는 신용 평가에서 특히 유용합니다. 양자 방법을 사용함으로써 시스템은 이론적으로 이러한 핵심 요인들을 더 효율적으로 식별할 수 있지만, 논문은 이러한 이점이 실제로 실현되기 전에 데이터 로딩 문제가 반드시 해결되어야 할 병목 구간임을 강조합니다.

시간에 따른 의사결정은 강화 학습이라고 알려진 또 다른 중요한 영역입니다. 이것은 컴퓨터가 보상을 극대화하기 위해 일련의 선택을 하는 법을 배우는 방식으로, 트레이더가 매일 포트폴리오를 조정하는 것과 유사합니다. 논문은 양자 컴퓨터가 이론적으로 이 학습 과정을 가속화하여 에이전트가 최적의 거래 전략을 훨씬 빠르게 찾을 수 있게 할 수 있다고 설명합니다. 그러나 연구진은 현재의 하드웨어 한계로 인해 양자 강화 학습 접근 방식이 아직 자동 매매에 직접 적용되지는 않았다고 지적합니다. 그들은 이론적 토대는 탄탄하지만, 알고리즘 트레이딩의 구성 요소들이 결국 양자 이점의 혜택을 받을 수 있을 것이라고 제안하면서도, 우리가 아직 완전한 자동 양자 매매 단계에 도달한 것은 아니라고 말합니다.

마지막으로, 검토는 이 기계들이 인간의 언어를 어떻게 이해할 수 있는지에 대해 다룹니다. 금융 시장은 뉴스, 보고서, 소셜 미디어와 같이 비정형 텍스트를 포함하는 정보에 의해 움직입니다. 연구진은 양자 알고리즘이 문장의 문법과 의미를 분석하여 감성을 측정하거나 금융 문서의 사기를 탐지하는 방식을 설명합니다. 단어를 더 큰 구조의 일부로 취급하는 방법을 사용하여, 이러한 시스템은 이론적으로 단순한 키워드 검색보다 더 나은 복잡도로 문장 유사도 계산을 처리할 수 있습니다. 이는 은행들이 수천 건의 대출 신청서나 감사 보고서를 읽음으로써 리스크를 평가하는 데 도움이 될 수 있지만, 논문은 이러한 속도 향상이 모든 시나리오에서 단순한 키워드 검색보다 맥락을 더 잘 이해하는 일반적인 능력 때문이 아니라, 유사도 계산에서의 특정 알고리즘적 개선에서 비롯된다는 점을 분명히 합니다.

논문은 냉철하면서도 낙관적인 요약으로 끝을 맺습니다. 연구진은 양자 머신러닝이 모든 금융 문제를 즉각적으로 해결하는 마법 지팡이는 아니지만, 빠르게 진화하고 있는 강력한 새로운 도구라는 점을 분명히 합니다. 그들은 현재의 기계들이 노이즈와 작은 규모로 인해 제한되어 있으며, 데이터 로딩이 여전히 과제라는 점을 인정합니다. 그러나 그들은 특히 금융에서 발견되는 복잡한 문제들에 대해 속도와 정확성의 잠재력이 실재한다고 주장합니다. 이 검토서는 우리가 이론에서 실무로 이동하고 있으며, 금융 산업이 이 새로운 컴퓨팅 시대의 혜택을 가장 먼저 누릴 수 있는 위치에 있음을 보여주는 로드맵 역할을 합니다. 여정은 이제 막 시작되었지만, 그 목적지는 이전에는 도달할 수 없었던 깊이 있는 이해를 바탕으로 금융 결정이 내려지는 세상을 약속하고 있습니다.