Stel je een wereld voor waarin computers niet alleen één instructie na de andere volgen, maar in plaats daarvan veel mogelijkheden tegelijkertijd verkennen, zoals een reiziger die elk pad in een bos tegelijkertijd kan bewandelen om de uitgang te vinden. Dit is de belofje van quantum computing, een veld dat de vreemde regels van het zeer kleine gebruikt om informatie te verwerken op manieren die klassieke machines niet kunnen. Hoewel deze machines zich nog in hun vroege, luidruchtige stadia bevinden, geloven wetenschappers dat ze binnenkort problemen zullen oplossen die momenteel onmogelijk zijn voor zelfs de krachtigste supercomputers. Een van de meest opwindende plekken om naar deze kracht te zoeken is de financiële sector, een industrie die te maken heeft met enorme hoeveelheden data, complexe risico's en de constante noodzaak om de toekomst te voorspellen. De vraag is niet alleen of deze nieuwe machines kunnen werken, maar hoe ze geleerd kunnen worden om van data te leren, net zoals een mens dat doet, om betere beslissingen te nemen over geld, markten en risico's.

Een team van onderzoekers van JPMorgan Chase heeft een uitgebreid overzicht geschreven dat precies in kaart brengt hoe deze quantummachines worden getraind om als financiële experts te fungeren. Zij beweren niet dat de technologie klaar is om morgen elke handelaar of analist te vervangen. In plaats daarvan bieden zij een helder, realistisch beeld van de huidige stand van zaken, waarbij ze laten zien welke financiële taken vandaag de dag verbeterd kunnen worden en welke wellicht langer zullen duren. Het artikel richt zich op een specifiek type kunstmatige intelligentie genaamd machine learning, waarbij computers patronen leren van data in plaats van rigide regels te volgen. De onderzoekers onderzoeken zeven hoofdgebieden waar quantummachines op worden toegepast: het voorspellen van prijzen, het indelen van informatie in groepen, het vinden van verborgen patronen, het creëren van nieuwe data, het selecteren van de belangrijkste feiten, het nemen van beslissingen over een langere tijd en het begrijpen van menselijke taal.

Het eerste gebied dat zij verkennen is het voorspellen van getallen, een taak die bekend staat als regressie. In de financiële wereld wordt dit gebruikt om toekomstige aandelenkoersen of de waarde van obligaties te voorspellen op basis van historische data. Klassieke computers doen dit door de beste lijn te vinden die past bij een wolk van punten, maar dit kan traag zijn wanneer de data enorm groot is. De onderzoekers leggen uit dat quantumalgoritmen specifieke wiskundige subroutines binnen deze problemen veel sneller kunnen oplossen, wat potentieel een snelheidvoordeel biedt dat exponentieel groeit naarmate de data groter wordt. Ze waarschuwen echter voor een aanzienlijke hindernis: het in de eerste plaats in de quantumcomputer krijgen van de data is nog steeds moeilijk en traag. Hoewel de wiskunde binnen de machine snel is, kan het proces van het laden van de informatie en het uitlezen van het antwoord de voordelen soms tenietdoen. Het artikel merkt op dat er nog geen end-to-end toepassing van quantum machine learning met een exponentiële versnelling ten opzichte van zijn klassieke tegenhanger is ontdekt. Desondanks suggereert het artikel dat quantummethoden voor specifieke typen financiële modellen uiteindelijk verbeteringen in efficiëntie kunnen bieden, mits de uitdagingen rondom het laden van data worden aangepakt.

Vervolgens kijkt het team naar classificatie, wat de kunst is van het sorteren van zaken in categorieën. In de financiële wereld kan dit betekenen of een leningaanvrager waarschijnlijk zijn schuld zal terugbetalen of of een aandeel een "koop"- of "verkoop"-advies is. Klassieke computers gebruiken methoden zoals support vector machines om een lijn tussen deze groepen te trekken. De onderzoekers beschrijven hoe quantumversies van deze instrumenten veel complexere grenzen kunnen creëren, waardoor ze data kunnen scheiden die voor een klassieke computer gemengd lijkt. Ze benadrukken een specifieke techniek genaamd een quantum feature map, die eenvoudige data neemt en deze naar een uitgestrekte, meerdimensionale ruimte tilt waar patronen duidelijk worden. Hoewel deze methoden op kleine datasets zijn getest, geeft het artikel aan dat ze veelbelovend zijn voor het omgaan met de rommelige, echte data die in bankwezen en beleggen wordt gevonden, hoewel praktische versnellingen afhangen van het overwinnen van bottlenecks bij de toegang tot data.

De review gaat vervolgens over clustering, wat gaat over het vinden van natuurlijke groepen binnen een verzameling data zonder verteld te worden waarnaar gezocht moet worden. Dit is nuttig voor het opsporen van fraude of het groeperen van vergelijkbare aandelen. De onderzoekers bespreken een methode genaamd quantum clustering, die datapunten behandelt als deeltjes in een fysiek systeem, zoekend naar gebieden waar ze zich natuurlijk verzamelen. Ze noemen ook een techniek genaamd dynamische quantum clustering, die observeert hoe deze groepen in de loop van de tijd veranderen. Deze aanpak is al gebruikt om aandelenmarktdata te analyseren en verschillende soorten beleggingsfondsen te classificeren, wat beleggers helpt verbindingen te zien die anders verborgen zouden blijven. Het artikel merkt op dat hoewel deze methoden nog steeds worden verfijnd, ze een nieuwe manier bieden om de structuur van financiële markten te zien, hoewel hun volledige potentieel wordt beperkt door huidige hardwarebeperkingen.

Nog een belangrijk onderdeel beslaat generatieve modellering, waarbij de computer nieuwe data creëert die precies lijkt op het origineel. Dit is ongelooflijk nuttig voor het testen van strategieën zonder echt geld te riskeren. De onderzoekers leggen uit hoe quantummachines de waarschijnlijkheidsverdeling van financiële gebeurtenissen kunnen leren, in essentie het "vorm" van de markt leren begrijpen. Ze beschrijven hoe deze machines nep maar realistische marktscenario's kunnen genereren om te testen hoe een portefeuille zou presteren tijdens een crisis. Dit gebeurt met behulp van quantumversies van neurale netwerken die potentieel sneller kunnen samplen uit complexe verdelingen dan klassieke computers in specifieke subroutines. Het artikel suggereert dat dit banken uiteindelijk zou kunnen helpen bij het stress-testen van hun systemen, waardoor ze zeldzame maar gevaarlijke gebeurtenissen duidelijker kunnen zien, hoewel er nog geen end-to-end toepassing met exponentiële versnelling is ontdekt.

Het team onderzoekt ook hoe quantumcomputers kunnen helpen bij het selecteren van de belangrijkste feiten uit een zee van informatie, een proces dat feature extraction wordt genoemd. In de financiële wereld kan het hebben van te veel variabelen een model verwarren, dus is het vinden van de weinige die er echt toe doen cruciaal. De onderzoekers beschrijven hoe quantumalgoritmen de relaties tussen duizenden datapunten kunnen analyseren om de meest significante te vinden, waardoor een enorme dataset effectief wordt teruggebracht tot de kern. Dit is bijzonder nuttig voor kredietwaardigheidsbeoordeling, waarbij het systeem moet beslissen welke factoren werkelijk voorspellen of iemand een lening zal terugbetalen. Door quantummethoden te gebruiken, zou het systeem theoretisch deze sleutelfactoren efficiënter kunnen identificeren, hoewel het artikel benadrukt dat het laden van data een bottleneck blijft die opgelost moet worden voordat deze voordelen in de praktijk volledig gerealiseerd kunnen worden.

Besluitvorming over een langere tijd is een ander kritiek gebied, bekend als reinforcement learning. Dit is hoe een computer leert om een reeks keuzes te maken om een beloning te maximaliseren, vergelijkbaar met hoe een handelaar een portefeuille dag na dag kan aanpassen. Het artikel legt uit dat quantumcomputers dit leerproces theoretisch kunnen versnellen, waardoor agenten veel sneller de beste handelsstrategieën kunnen vinden. Vanwege de huidige hardwarebeperkingen wijzen de onderzoekers er echter op dat quantum reinforcement learning-benaderingen nog niet direct zijn toegepast op geautomatiseerde handel. Ze suggereren dat hoewel de theoretische basis sterk is, componenten van algoritmische handel er uiteindelijk baat bij kunnen hebben, maar dat we nog niet op het punt zijn van volledig geautomatiseerde quantumhandel.

Ten slotte raakt de review aan hoe deze machines menselijke taal kunnen begrijpen. Financiële markten worden gedreven door nieuws, rapporten en sociale media, die allemaal ongestructureerde tekst bevatten. De onderzoekers beschrijven hoe quantumalgoritmen de grammatica en de betekenis van zinnen kunnen analyseren om sentiment te peilen of fraude in financiële documenten te detecteren. Door een methode te gebruiken die woorden behandelt als onderdelen van een grotere structuur, kunnen deze systemen theoretisch berekeningen van zin-gelijkenis uitvoeren met een verbetering in complexiteit ten opzichte van klassieke methoden. Dit zou banken kunnen helpen bij het beoordelen van risico's door duizenden leningaanvragen of auditrapporten door te lezen, hoewel het artikel verduidelijkt dat de versnelling voortkomt uit specifieke algoritmische verbeteringen in de berekening van gelijkenis, en niet uit een algemeen vermogen om context beter te begrijpen dan eenvoudige zoekopdrachten op trefwoorden in alle scenario's.

Het artikel sluit af met een nuchtere maar optimistische samenvatting. De onderzoekers maken duidelijk dat quantum machine learning geen toverstaf is die elk financieel probleem direct oplost, maar een krachtig nieuw instrument dat zich razendsnel ontwikkelt. Ze erkennen dat de huidige machines beperkt worden door ruis en een kleine omvang, en dat het laden van data een uitdaging blijft. Ze stellen echter dat het potentieel voor snelheid en nauwkeurigheid reëel is, vooral voor de specifieke soorten complexe problemen die in de financiële sector voorkomen. De review dient als een routekaart die laat zien dat we bewegen van theorie naar praktijk, en dat de financiële sector goed gepositioneerd is om een van de eersten te zijn die profiteert van dit nieuwe tijdperk van computing. De reis is pas net begonnen, maar de bestemming belooft een wereld te zijn waarin financiële beslissingen worden genomen met een diepgang van begrip die voorheen onbereikbaar was.