Quantencomputing rückt der Portfolio-Optimierung näher

Quantencomputing wird oft als eine völlig neue Form des Rechnens beschrieben, die Probleme lösen könnte, die mit herkömmlichen binären, siliziumbasierten Computern unlösbar sind.

Bisher war Quantencomputing eine vielversprechende Technologie, doch es steht weiterhin vor einer grundlegenden ingenieurtechnischen Herausforderung. Der extrem fragile Zustand der Materie, der für das Funktionieren von Quantencomputing aufrechterhalten werden muss, macht es sowohl teuer als auch kaum skalierbar.

Das bedeutet zudem, dass die erhaltenen Ergebnisse „rauschhaft“ sind, mit regelmäßigen Fehlern, Verzögerungen und unzuverlässigen Resultaten.

Mehrere Innovationen könnten bedeuten, dass entweder ein Netzwerk kleinerer Quantencomputer oder eine neue Hardware-Design-Architektur, die einen neuen Materiezustand namens Topokonduktoren nutzt und Skalierbarkeit ermöglicht das Problem lösen könnte.

Dies könnte jedoch auch ein konzeptionelles Problem sein. Die meisten Quantencomputing-Projekte versuchen, traditionelle Rechenlösungen vollständig durch quantenbasierte zu ersetzen. In der Praxis könnte jedoch eine fokussiertere Problemlösung funktionale Anwendungsfälle für Quantencomputing früher ermöglichen.

Eine aktuelle Studie von Forschern der Chungbuk National University (Südkorea) und der Duy Tan University (Vietnam) hat drei verschiedene Methoden zur Nutzung von Quantencomputing verglichen. Sie ergab, dass eine, das Quantum Annealing, „eine signifikante kurzfristige Betriebsbereitschaft“ für die Optimierung von Finanzportfolios demonstriert.

Dies könnte darauf hindeuten, dass die iterativen, torbasierten Methoden, die von den meisten Quantencomputing‑Forschungen bevorzugt werden und eine enorme Anzahl von Qubits erfordern, zumindest kurzfristig der falsche Weg für die Branche sein könnten.

Sie veröffentlichten ihre Ergebnisse in ICT Express¹ unter dem Titel „Eine umfassende Übersicht über Quantencomputing‑Ansätze zur Portfolio‑Optimierung im FinTech“.

Quantencomputing für Portfolio-Optimierung

Probleme, die zu komplex zum Lösen sind

Die Portfolio-Optimierung ist ein zentrales und rechnerisch intensives Problem der modernen Finanzwelt und ein Grundpfeiler der FinTech‑Branche. Wenn realistische Beschränkungen eingeführt werden (Auswahl einer festen Anzahl von Vermögenswerten, Transaktionskosten oder die Einbeziehung nichtfinanzieller Kennzahlen wie ESG‑Scores), wird es schnell zu einem zunehmend schwierigen kombinatorischen Problem, das eine exakte Optimierung bei wachsender Anzahl von Vermögenswerten und Beschränkungen unpraktisch machen kann.

Dies gilt besonders, wenn die Anzahl verfügbarer Vermögenswerte steigt; der Lösungsraum erweitert sich exponentiell.

In der Praxis ist dies also nichts, das für groß angelegte Portfolios, die von institutionellen Fonds, Hedgefonds und automatisierten Robo-Beratern verwaltet werden, direkt berechnet werden kann; stattdessen werden viele empirische Regeln und manuelle Entscheidungen anstelle mathematischer Modelle verwendet.

Die vielen Wege, Quantencomputing anzuwenden

Der Kern des Quantencomputings ist das Qubit, das in einer Superposition von Zuständen existieren kann. Quantenalgorithmen manipulieren Superpositionen, sodass Interferenzen die Wahrscheinlichkeit erhöhen, nützliche Lösungen zu messen. Das bedeutet nicht, dass jede mögliche Antwort einfach gleichzeitig berechnet und abgerufen werden kann.

Drei Hauptmethoden haben sich entwickelt, um diese Quanten‑Eigenschaft für Berechnungen zu nutzen, die in der realen Welt, insbesondere für die Portfolio‑Optimierung, nützlich sind:

Die erste ist Quantum Annealing (QA), ein spezialisiertes Quantencomputing‑Paradigma, das speziell zur Bewältigung komplexer Optimierungsprobleme entwickelt wurde. Seine Kernfunktion besteht darin, die Minimalenergie‑Konfiguration bzw. den Grundzustand eines physikalischen Systems zu finden.

Diese Spezifizität macht QA effizienter und schafft einen Shortcut zu niedrigenergetischen Konfigurationen. Um QA praktisch anzuwenden, muss ein Finanzproblem auf eine kompatible mathematische Struktur abgebildet werden, am häufigsten das QUBO‑Modell.

„Im Gegensatz zu torbasierten Modellen, die eine feinkörnige Pulssteuerung erfordern können, ermöglicht QA einen Submit‑and‑Retrieve‑Workflow, bei dem die gesamte Problemdefinition (Matrix) einmal hochgeladen wird.“

Variational Quantum Algorithms (VQAs) sind hybride quanten‑klassische Optimierungsschleifen, die zwischen einem Quantenprozessor und einem klassischen Optimierer iterieren.

Daher wird die Gesamtausführungszeit nicht ausschließlich durch die Kohärenzzeiten der Qubits bestimmt, sondern auch durch die Netzwerkverzögerung, die sich über Tausende von Iterationen ansammelt. Dieser Latenz‑Nachteil stellt einen bedeutenden architektonischen Engpass für Hochfrequenz‑Handelsanwendungen dar.

Es sollte auch erwähnt werden, dass ein aufkommender Ansatz die synergetische Kombination von torbasierten VQAs und Quantum Annealing ist.

„In einem solchen Rahmen könnte ein Quantum Annealer verwendet werden, um einen hochwertigen Anfangszustand zu finden oder eine schwierige Optimierungslandschaft vorzubereiten, was einen starken Ausgangspunkt für eine nachfolgende VQA‑Optimierungsschleife auf einer torbasierten Maschine bietet.“

Quantum Machine Learning (QML) ist eine Methode mit einem eigenen architektonischen Paradigma, das sich auf die Datenrepräsentation konzentriert. Dies verlagert den rechnerischen Engpass vom Finden eines Grundzustands zur Trainingsphase, in der hochdimensionale Finanzdaten über Feature‑Maps in Quanten‑States kodiert werden müssen.

Sie kann in Situationen eingesetzt werden, in denen das Aufdecken komplexer, nichtlinearer Zusammenhänge in Finanzdaten ein signifikanter Vorteil ist. Sie macht sie zu einem leistungsstarken Werkzeug für Risikoanalysen und Szenario‑Generierung (mit einer Untermethode namens Quantum Circuit Born Machine – QCBM) sowie zur Vorhersage von Marktbewegungen oder zur Klassifizierung von Vermögenswerten anhand von Risikoprofilen (mit einer Untermethode namens Quantum Support Vector Machine – QSVM).

Quelle: ICT Express

Das beste Quanten‑Tool finden

Optimierung von Quantencomputing

Von insgesamt 423 wählte der Forscher 30 verschiedene Studien aus, um sie zu analysieren und verschiedene Quantencomputing‑Methoden zu vergleichen.

Die erste Erkenntnis war, dass, da eine zentrale Einschränkung darin besteht, Finanzregeln effizient auf Quanten‑Hardware abzubilden, die Forschung von ineffizienten, strafbasierten Modellen zu architektonischer Durchsetzung übergeht, wodurch die effektive Nutzung begrenzter Qubits maximiert wird. Dies geschieht in der Regel, indem betriebliche Grenzen direkt in den Hardware‑Software‑Stack oder Circuit Ansatz eingebettet werden.

Um die Skalierbarkeitsgrenzen von NISQ‑Geräten zu adressieren, schlägt aktuelle Forschung heterogene verteilte Architekturen vor, die verschiedene Arten von Quantenprozessoren für unterschiedliche Phasen der Optimierungspipeline nutzen.

Dies kann viele Formen annehmen, zum Beispiel ein Annealer‑Gate‑Hybridmodell oder Orchestrierungs‑ und Synchronisationsprotokolle, um die Arbeitslast zwischen einem Annealer und einem torbasierten QPU zu verwalten.

Leistungsmessung

Um die verschiedenen Quantencomputing‑Lösungen für die Portfolio‑Optimierung zu bewerten, nutzten die Forscher sowohl das in der Literatur zitierte Benchmarking als auch die absolut modernsten klassischen Solver.

Sie stellten fest, dass insgesamt die ersten kommerziell nützlichen Finanzanwendungen aus Quantum Annealing entstehen könnten.

Dies liegt daran, dass Quantum Annealing native Ungleichheits‑Constraints und One‑Shot‑Cloud‑Einreichungsmodelle unterstützt, die die Kommunikationslatenz minimieren.

Im Gegensatz dazu überwiegt bei anderen Methoden der Netzwerk‑Overhead häufig die Quanten‑Ausführungszeit oder sie sind durch die hohe Latenz der Zustandsvorbereitung eingeschränkt.

Quanten‑klassische Hybridberechnungen

Was ebenfalls hervorsticht, ist, dass hybride Ansätze, die Quantencomputing mit klassischem Computing kombinieren, aus verschiedenen Gründen am besten funktionieren:

• Reduzierung der Netzwerk‑Latenz, wobei die Forscher QPU‑nahe klassische Optimierer oder One‑Shot‑Einreichungsmodelle vorschlagen.
• Ressourceneffiziente Constraint‑Handhabung: Statt Penalty‑Gewichte sorgfältig zu justieren, was die optimalen Lösungen verbergen kann, ermöglicht die native Constraint‑Handhabung die Optimierung institutioneller Portfolios mit höherer Lösungs‑Fidelity.
• Aufgaben‑Hardware‑Mapping: Statt zu versuchen, alles mit einem Hardwaretyp zu lösen, führt der Annealer eine rechnerisch intensive globale Zerlegung durch, während der torbasierte Prozessor die feinkörnige lokale Aggregation übernimmt.

Der ideale Prozess zur Entwicklung von Quantencomputing‑Lösungen könnte also darin bestehen, zunächst die optimale Methode für ein gegebenes Problem zu identifizieren und anschließend ein Modell zu entwickeln, das diese Quanten‑Computing‑Tools mit klassischen Computing‑Tools zu einer hybriden Lösung kombiniert.

Daher könnten Architektur, Latenz und Constraint‑Handhabung ebenso wichtig, wenn nicht sogar wichtiger, sein als die Leistung der eingesetzten Quanten‑Hardware.

Quelle: ICT Express

Dies wird voraussichtlich so bleiben, solange das Hauptproblem im Quantencomputing hardwarebedingte Beschränkungen und Rauschen sind: begrenzte Qubit‑Anzahlen, die die Problemgröße einschränken, während das Rauschen die Lösungsqualität mindert.

Dies entspricht auch der praktischen Erfahrung, bei der praktisch alle zeitgenössischen, großskaligen Anwendungen von QUBO oder CQM auf hybriden Quanten‑klassischen Systemen ausgeführt werden.

Der Forscher schlussfolgert daher, dass dieser synergetische Ansatz entscheidend ist, um branchenspezifische Probleme mit der aktuellen Quantencomputing‑Hardware anzugehen.

Ist Quantencomputing überhaupt nötig?

Ein letzter interessanter Datenpunkt in dieser Studie ist der Vergleich von Quantencomputing mit anderen innovativen Rechenmethoden.

Zum Beispiel betrachtet es massiv parallelisierte, GPU‑beschleunigte Architekturen, die herkömmliche Berechnungstools radikal übertreffen können. Diese Methode kann auch den Netzwerk‑Latenz‑Engpass cloud‑basierter Quantensysteme umgehen.

„GPU‑basierte First‑Order‑Solver können Laufzeitbeschleunigungen von bis zu 12,9‑fach im Ein‑Perioden‑ und 48‑fach im Mehr‑Perioden‑Szenario gegenüber hochleistungsfähigen klassischen exakten Solvern wie MOSEK 11.0 erreichen.“

GPUs können sogar verwendet werden, um Ergebnisse zu simulieren, die normalerweise mit Quantencomputern erzielt werden. Insbesondere können GPU‑beschleunigtes Parallel Simulated Annealing (PSA) und Particle Swarm Optimization (PSO) tausende Kerne nutzen, um nahezu Echtzeit‑Konvergenz zu erreichen. Beispielsweise erzielten optimierte GPU‑PSO‑Kerne eine 150‑fach höhere Geschwindigkeit im Vergleich zu einer CPU‑Basislinie.

Da GPUs und ähnliche Hardware, die massive Parallelberechnungen für KI‑Aufgaben ermöglichen, weiterentwickelt werden, könnte dies eine ernsthafte Konkurrenz für die aufstrebende Quantencomputing‑Industrie darstellen.

„Folglich muss der Quantenvorteil gegen diese subsekunden‑schnellen, hardware‑optimierten klassischen Pipelines gemessen werden, die die aktuelle Schwelle für Produktionsreife im Hochfrequenz‑FinTech definieren.“

Dennoch sind GPUs eine reifere Technologie als QPUs, sodass langfristig das am schwersten zu lösende Problem wahrscheinlich vom Quantencomputing profitieren wird, insbesondere da andere Beschränkungen wie der Energieverbrauch gelegentlich die Bereitstellung großer GPU‑Cluster verzögern können.

Für Investoren verengt dieser Vergleich das Feld erheblich. Die Studie legt nicht nahe, dass jede Quantenarchitektur gleichermaßen nah daran ist, kommerziellen Wert im Finanzbereich zu erzeugen. Stattdessen identifiziert sie Quantum Annealing als besonders geeignet für eingeschränkte Optimierung, während betont wird, dass jedes brauchbare System weiterhin mit immer leistungsfähigeren GPU‑basierten Alternativen konkurrieren muss. Das macht D‑Wave besonders relevant: Es bietet börsengehandeltes Engagement in der Architektur, die die Forscher als eine der am weitesten betriebsbereiten ansehen, und verfolgt bereits kommerzielle Anwendungen im Finanzwesen und anderen optimierungsintensiven Branchen.

Investieren in Quantum Annealing

D-Wave Quantum Inc.

D-Wave ist ein Quantencomputing‑Unternehmen, das sich nicht darauf konzentriert, in Zukunft die größte Anzahl supraleitender Qubits zu bauen, sondern auf die am besten nutzbaren für reale Anwendungsfälle heute.

Bereits die Hälfte der Kunden von D‑Wave sind Unternehmen, wobei 65 % des Umsatzes von kommerziellen Kunden stammen, von denen 45 % des Umsatzes von Forbes Global 2000‑Kunden kommen.

Quelle: D-Wave

Zum Beispiel werden D‑Wave‑Tools bereits von AT&T eingesetzt, um die Verarbeitungszeit für eine Netzwerk‑Optimierungsaufgabe von etwa einer Stunde auf weniger als 15 Sekunden zu reduzieren.

„Geplante zukünftige Arbeiten werden ein breiteres Anwendungsspektrum untersuchen, wie z. B. Störungs­erkennung und -reaktion, Techniker‑Routenplanung, Netzwerk‑Aufbau‑Planung und Verkehrs‑Management.“

D‑Wave hat zudem direkte finanzielle Anwendungen von Quantum Annealing demonstriert, einschließlich Portfolio‑Optimierung mit S&P 100‑ und S&P 500‑Assets. Zum Beispiel nutzte eine Zusammenarbeit mit CaixaBank, einer führenden Bank in Spanien, D‑Wave für genau die Art von Finanzanwendung, die in dieser Studie diskutiert wird. Was der Bank normalerweise mehrere Stunden Rechenzeit gekostet hat, wurde durch Quantencomputing‑Technologie auf nur wenige Minuten reduziert.

„Die quanten‑hybriden Anwendungen haben die Rechenzeit zur Lösung komplexer Finanzprobleme erheblich verkürzt, die Optimierung von Investment‑Portfolios verbessert, die interne Rendite (IRR) eines Anleihenportfolios erhöht und das für Hedging‑Operationen benötigte Kapital minimiert, als Ergebnis ihrer Zusammenarbeit.“

Durch die Fokussierung auf Quantum Annealing sieht das Unternehmen sich selbst auf dem Mittelweg zwischen Trapped‑Ion‑Technologie („effizient, aber langsam“) und supraleitenden Qubits („schnell, aber kompliziert und weniger zuverlässig“) zu stehen. Das Unternehmen skaliert seine Hardware schnell und hofft, die Anzahl der Qubits in seinem System bis 2029 um das 4‑fache und bis 2031 um das 20‑fache zu erhöhen.

Quelle: D-Wave

Zusätzlich zum Annealing, das das Unternehmen 2011 zu entwickeln begann, hat D‑Wave seit 2020 auch in die torbasierte Quantencomputing‑Technologie expandiert. Insgesamt sollten die beiden Technologien einander ergänzen, wobei jede sich auf spezifische Anwendungen spezialisiert.

Quelle: D-Wave

„Während Quantum Annealing bei Optimierung, Materialsimulation und bestimmten KI‑Workloads glänzt, wird erwartet, dass torbasiertes Quantencomputing Anwendungen wie Quantenchemie, Molekulardesign und Energiespeicherung der nächsten Generation vorantreibt.“

Investoren in D‑Wave sollten jedoch beachten, dass Quantencomputing ein aufstrebendes und sehr wettbewerbsintensives Feld ist. Praktisch jedes Quantenunternehmen wird sich selbst als den richtigen technologischen Weg gewählt ansehen, sei es weil es widerstandsfähiger (ion‑gefangen), marktreifer (Annealing) oder ein größeres Skalierbarkeitspotenzial (supraleitend) hat.

Dennoch ist es eine beeindruckende Leistung, dass sein Quantencomputing bereits in zunehmendem Umfang eingesetzt wird, um reale Probleme in Biotechnologie, Telekommunikation oder Banken zu lösen, und D‑Wave könnte ein überraschender Sieger in diesem Bereich sein, während die Diskussionen oft auf andere Unternehmen mit unterschiedlichen Quantencomputing‑Technologien fokussiert sind.

Neueste Nachrichten und Entwicklungen zu D‑Wave Quantum Inc (QBTS) Aktien

Studie zitiert

^{1. Kimchhor Chiv, Anand Nayyar, and Tae‑Kyoung Kim. Eine umfassende Übersicht über Quantencomputing‑Ansätze zur Portfolio‑Optimierung im FinTech. ICT Express. 5. August 2026.}