Quantum computing in finanza, portafogli, rischio e sicurezza

Il quantum computing in finanza è il matrimonio annunciato da un decennio, perchè un settore che vive di ottimizzazione, simulazione stocastica e sicurezza incontra una tecnologia che promette proprio su questi tre fronti.

Le grandi banche internazionali hanno team quantum attivi da anni, ed è un segnale da leggere bene, perché indica serietà della traiettoria, non ancora maturità dei risultati. Questa guida separa i piani, spiegando cosa promettono davvero l'ottimizzazione di portafogli, il Monte Carlo quantistico e il machine learning finanziario, con quali tempi, e perché la migrazione crittografica, unica tra tutte, è già un obbligo regolatorio con scadenza. Chiude un percorso concreto per un istituto che voglia muoversi con metodo. Nel quantum computing applicato alla finanza, più che altrove, la differenza tra strategia e moda la fanno le baseline.

Quali sono i filoni applicativi in finanza?

I filoni applicativi sono quattro, con un livello di maturità piuttosto diverso l'uno dall'altro.

• Sicurezza. Transazioni, firme digitali e canali cifrati poggiano su algoritmi vulnerabili all'algoritmo di Shor, e la migrazione alla crittografia post-quantistica è già materia di vigilanza.
• Ottimizzazione. Portafogli, ribilanciamenti, arbitraggi, gestione del collaterale, problemi combinatori nativi del settore.
• Simulazione stocastica. Pricing di derivati e misure di rischio, dove il Monte Carlo quantistico promette accelerazioni dimostrate in teoria.
• Machine learning per frodi, credito e mercati, il filone più esplorativo, da leggere con le cautele della pagina sul quantum machine learning.

Quando si parla di quantum computing in finanza, i filoni che ricevono più attenzione mediatica, l'ottimizzazione di portafoglio e il machine learning, non sono quelli su cui un istituto deve agire per primi. Se si ordinano i quattro filoni per quanto se ne parla nei convegni e negli articoli, la crittografia arriva ultima, perché sembra la meno spettacolare. Se invece si ordinano per urgenza reale, la crittografia è la prima, perché è l'unica con una scadenza regolatoria già fissata, mentre tutto il resto è ancora ricerca e prototipazione. Questi due ordini, quello dell'attenzione e quello della necessità, sono quindi rovesciati l'uno rispetto all'altro, ed è la prima cosa da chiarire in ogni comitato che discuta di quantum computing, perché il filone di cui si parla meno è proprio quello già obbligatorio per legge.

Come funziona l'ottimizzazione di portafoglio quantistica?

Il problema di selezione di portafoglio con vincoli reali, cardinalità, lotti minimi, costi di transazione, è combinatorio e classicamente complesso. La strada quantistica lo formula come QUBO (Quadratic Unconstrained Binary Optimization, Ottimizzazione Binaria Quadratica Non Vincolata) e lo affida ad algoritmi variazionali come QAOA o al quantum annealing, con l'obiettivo di esplorare lo spazio delle allocazioni meglio delle euristiche classiche. Lo stato reale è fatto di prototipi su decine di asset, non di vantaggi dimostrati su portafogli di taglia istituzionale, dove i solver classici restano fortissimi e girano in produzione su istanze di migliaia di titoli che il quantum computing odierno non avvicina. Il valore odierno, riportato con costanza da chi sperimenta, è soprattutto metodologico, perché la formulazione rigorosa richiesta dal quantistico spesso migliora anche la soluzione classica, e la pipeline costruita in emulazione è già pronta per l'hardware che verrà.

Cos'è il Monte Carlo quantistico per pricing e rischio?

Gran parte della finanza quantitativa poggia su simulazioni Monte Carlo per stimare prezzi e rischi, un metodo che funziona bene ma che ha un costo notevole, perché per dimezzare l'errore bisogna quadruplicare i calcoli. La stima di ampiezza quantistica permetterebbe quindi di allentare proprio questo vincolo, offrendo lo stesso livello di precisione con molti meno calcoli, un vantaggio quadratico dimostrato in teoria che si tradurrebbe in accelerazioni sostanziali. Il vincolo è altrettanto netto, perché questa tecnica richiede circuiti profondi e coerenti, realisticamente hardware con correzione degli errori. È il filone finanziario con la teoria più solida e i tempi più lunghi, perfetto da prototipare oggi ma assai prematuro da promettere a breve termine. Chi costruisce ora competitività sulla stima di ampiezza avrà comunque un vantaggio difficile da colmare quando i quantum computing diventeranno praticabili, perché la parte più difficile non è tanto l'algoritmo, quanto integrarlo nei processi di sviluppo integrati a rischi reali.

Il quantum machine learning serve per frodi e credito?

La risposta più verosimile è: "non ancora", e forse non nella forma che molti immaginano. Frodi, scoring creditizio e previsione dei mercati lavorano su dati classici massivi, il terreno dove il quantum machine learning incontra i suoi limiti strutturali, dal caricamento dei dati alla dequantizzazione. Nessun vantaggio dimostrato esiste oggi su questi compiti rispetto ai metodi informatici classici, che nel settore sono peraltro già allo stato dell'arte. Le direzioni sensate restano componenti kernel dentro pipeline ibride e ricerca metodologica a basso costo che unisca i 2 mondi del calcolo quantistico col calcolo classico. Un istituto bancario quindi fa molto bene a mantenere un presidio conoscitivo, mentre è prematuro inserire il quantum Machine Learning nei piani industriali come leva di breve periodo. Questa distinzione, qui più che altrove, aiuta a pianificare meglio il budget.

Perché la crittografia è l'urgenza vera del settore?

La finanza è il bersaglio perfetto della strategia detta "harvest now, decrypt later", perché genera flussi cifrati ad altissimo valore, dati con riservatezza pluriennale e firme digitali la cui validità legale deve durare decenni. Un contratto firmato oggi con crittografia vulnerabile potrà essere ripudiato o falsificato quando l'attacco diventerà praticabile, e le comunicazioni interbancarie archiviate oggi saranno leggibili domani. I regolatori lo hanno già messo a verbale, perché le autorità finanziarie internazionali e la cornice europea di resilienza operativa chiedono inventari crittografici e piani di migrazione con orizzonti definiti. Per una banca, la crittografia post-quantistica non è tanto innovazione fine a se stessa ma anzi, è compliance reale e urgente con scadenza, e la voce quantum a bilancio dovrebbe partire proprio da qui, prima di qualunque esplorazione computazionale. Il paradosso del quantum computing in banca è tutto qui, la prima spesa obbligata serve a difendersi dalla tecnologia, non a usarla.

Cosa stanno facendo davvero le banche?

Le banche, nei fatti più che nei comunicati, stanno facendo essenzialmente tre cose.

• Programmi di ricerca con fornitori quantum su ottimizzazione e pricing, attivi da anni nelle maggiori banche internazionali, un'esplorazione seria che però produce ancora solo risultati prototipali.
• Sperimentazioni di distribuzione quantistica di chiavi su tratte metropolitane, più dimostrative che operative, e da non confondere con il quantum computing, perché la distribuzione di chiavi è comunicazione quantistica, un'altra tecnologia.
• Programmi di migrazione crittografica, con crescente concretezza, gli unici con budget strutturali e scadenze definite.

La lettura corretta per un istituto medio è che non serve replicare i laboratori dei giganti, ma replicarne la disciplina, con un presidio piccolo e competente che sappia leggere i risultati altrui, più l'esecuzione seria dell'unico cantiere obbligatorio. È una strategia alla portata di qualunque direzione IT, e mantiene l'istituto dentro la conversazione sul quantum computing senza esporlo ai suoi costi speculativi.

Come si valuta un caso d'uso finanziario?

Vale un filtro in tre domande, valido per ogni settore, più una domanda specifica della finanza.

• Il problema è combinatorio o stocastico, con una complessità che esplode?
• Esiste una baseline classica quantificata, cioè il costo attuale dei migliori solver o del Monte Carlo in produzione?
• Il valore di migliorarla giustifica un programma dedicato?
• Specifica della finanza. Il vantaggio atteso sopravvive ai vincoli di latenza e regolamentazione del processo reale?

Un'accelerazione teorica sul pricing vale poco se il collo di bottiglia è altrove nella filiera. Superato il filtro, la strada è il proof of concept in emulazione con una baseline a fianco, con numeri propri, su dati propri, prima di qualunque impegno con l'hardware.

Che ruolo ha l'emulazione nel percorso finanziario?

L'emulazione gioca il ruolo del laboratorio in cui tutto ciò che precede l'hardware accade a costi infinitamente più contenuti. Sulla piattaforma EQM utilizzata da HumanQ un istituto bancario potrebbe prototipare la formulazione QUBO del proprio problema di allocazione e misurarne la scalabilità, implementare la stima di ampiezza su payoff ridotti e verificarne le esigenze di profondità, e far eseguire al team di sicurezza l'algoritmo di Shor su istanze piccole, togliendo la minaccia crittografica. Ogni esecuzione è riproducibile e confrontabile con la baseline classica, la condizione necessaria per promuovere investimenti basati su numeri invece di semplici proclami basati su slide.

Quali sono i tempi realistici, in sintesi?

Ecco una tabella di marcia per il settore finance.

• Subito. Inventario crittografico e avvio della migrazione post-quantistica, perché la scadenza regolatoria esiste già e i tempi tecnici sono lunghi.
• Uno-tre anni. Proof of concept in emulazione su ottimizzazione di portafoglio e stima di ampiezza, con formazione di un presidio interno.
• Tre-dieci anni. Primi vantaggi attesi sul pricing quando la correzione d'errore renderà praticabili i circuiti profondi, con l'ottimizzazione come possibile anticipo su istanze selezionate.

Il quantum computing in finanza premierà, come sempre nel settore, chi avrà fatto i compiti prima della scadenza, ed è bene ricordare che oggi i termini sono due, uno obbligatorio e uno preparatorio, nell'ordine giusto.