Quantumcomputing brengt portefeuille‑optimalisatie dichterbij

Quantumcomputing wordt vaak beschreven als een geheel nieuwe vorm van rekenen die problemen kan oplossen die met traditionele binaire, op silicium gebaseerde computers onoplosbaar zijn.

Tot nu toe is quantumcomputing een veelbelovende technologie geweest, maar het blijft een fundamentele technische uitdaging ondervinden. De extreem fragiele materietoestand die moet worden behouden zodat quantumcomputing werkt, maakt het zowel duur als niet erg schaalbaar.

Dit betekent ook dat de verkregen resultaten “geluid” bevatten, met regelmatige fouten, vertragingen en onbetrouwbare uitkomsten.

Verschillende innovaties zouden kunnen betekenen dat een netwerk van kleinere quantumcomputers of een nieuw hardware‑ontwerparchitectuur, met een nieuwe materietoestand genaamd topoconductors, die schaalbaarheid mogelijk maakt het probleem zou kunnen oplossen.

Maar dit kan ook een conceptueel probleem zijn. De meeste quantumcomputing‑projecten proberen traditionele rekenoplossingen volledig te vervangen door quantum‑gebaseerde oplossingen. In de praktijk kan echter een nauwere probleemoplossing eerder functionele use‑cases voor quantumcomputing opleveren.

Een recente studie van onderzoekers aan Chungbuk National University (Zuid‑Korea) en Duy Tan University (Vietnam) heeft drie verschillende methoden voor het benutten van quantumcomputing vergeleken. Ze ontdekten dat één, quantum‑annealing, “aanzienlijke operationele gereedheid op korte termijn” aantoont voor de optimalisatie van financiële portefeuilles.

Dit zou kunnen aangeven dat de iteratieve gate‑gebaseerde methoden die door de meeste quantumcomputing‑onderzoeken worden geprefereerd, en die een enorm aantal qubits vereisen, mogelijk de verkeerde richting zijn voor de industrie, althans op de korte termijn.

Ze publiceerden hun bevindingen in ICT Express¹, onder de titel “Een uitgebreid overzicht van quantumcomputingbenaderingen voor portefeuille‑optimalisatie in FinTech”.

Quantumcomputing voor portefeuille‑optimalisatie

Problemen die te complex zijn om op te lossen

Portefeuille‑optimalisatie is een centraal en computationeel intensief probleem in de moderne financiën en een hoeksteen van de FinTech‑industrie. Wanneer realistische beperkingen worden geïntroduceerd (het selecteren van een vast aantal activa, transactiekosten, of de opname van niet‑financiële metriek zoals ESG‑scores) wordt het al snel een steeds moeilijker combinatorisch probleem dat exacte optimalisatie onpraktisch kan maken naarmate het aantal activa en beperkingen groeit.

Dit is vooral het geval wanneer het aantal beschikbare activa toeneemt; de oplossingsruimte groeit exponentieel.

In de praktijk is dit dus niets dat direct kan worden berekend voor grootschalige portefeuilles die worden beheerd door institutionele fondsen, hedge‑fondsen en geautomatiseerde robo‑adviseurs, waarbij veel empirische regels en handmatige beslissingen worden gebruikt in plaats van wiskundige modellen.

De vele manieren om quantumcomputing uit te voeren

De kern van quantumcomputing is de qubit, die kan bestaan in een superpositie van toestanden. Quantum‑algoritmen manipuleren superposities zodat interferentie de kans vergroot om nuttige oplossingen te meten. Dit betekent niet dat elk mogelijk antwoord simpelweg tegelijk kan worden berekend en opgehaald.

Drie hoofdmethoden zijn ontstaan om deze quantum‑eigenschap te gebruiken voor berekeningen die nuttig zijn in de echte wereld, vooral voor portefeuille‑optimalisatie:

De eerste is Quantum Annealing (QA), een gespecialiseerd quantumcomputing‑paradigma dat specifiek is ontworpen om complexe optimalisatieproblemen aan te pakken. De kernfunctie is het vinden van de minimale energietoestand, of grondtoestand, van een fysiek systeem.

Deze specificiteit maakt QA efficiënter en creëert een snelkoppeling naar lagere‑energietoestanden. Om QA praktisch toe te passen, moet een financieel probleem worden gemapt naar een compatibele wiskundige structuur, meestal het QUBO‑model.

“In tegenstelling tot gate‑gebaseerde modellen die fijnmazige pulssturing kunnen vereisen, maakt QA een submit‑and‑retrieve‑workflow mogelijk waarbij de volledige probleemdefinitie (matrix ) één keer wordt geüpload.”

Variational Quantum Algorithms (VQAs) zijn hybride quantum‑klassieke optimalisatielussen die itereren tussen een quantumprocessor en een klassieke optimizer.

Daarom wordt de totale uitvoeringstijd niet alleen bepaald door de coherentie‑tijden van qubits, maar ook door de netwerklatentie die zich ophoopt over duizenden iteraties. Deze latentie‑penalty vormt een aanzienlijke architecturale bottleneck voor high‑frequency trading‑toepassingen.

Het moet ook worden opgemerkt dat een opkomende aanpak de synergistische combinatie van gate‑gebaseerde VQAs en quantum‑annealing is.

“In een dergelijk kader kan een quantum‑annealer worden gebruikt om een hoogkwalitatieve initiële toestand te vinden of om een moeilijk optimalisatie‑landschap voor te verwerken, waardoor een sterk startpunt wordt geboden voor een daaropvolgende VQA‑optimalisatielus op een gate‑gebaseerde machine.”

Quantum Machine Learning (QML) is een methode met een eigen architecturaal paradigma gericht op datavertegenwoordiging. Dit verschuift de computationele bottleneck van het vinden van een grondtoestand naar de trainingsfase, waarin hoogdimensionale financiële data moeten worden gecodeerd in quantum‑toestanden via feature‑maps.

Het kan worden gebruikt voor situaties waarin het ontdekken van complexe, niet‑lineaire relaties in financiële data een aanzienlijk voordeel biedt. Het maakt het een krachtig instrument voor risico‑analyse en scenario‑generatie (met een sub‑methode genaamd Quantum Circuit Born Machine – QCBM), evenals voor het voorspellen van marktbewegingen of het classificeren van activa op basis van risicoprofielen (met een sub‑methode genaamd Quantum Support Vector Machine – QSVM).

Bron: ICT Express

Het beste quantum‑instrument vinden

Quantumcomputing optimaliseren

Van een totaal van 423 selecteerde de onderzoeker 30 verschillende studies om te analyseren en hen te helpen verschillende quantum‑computatiemethoden te vergelijken.

De eerste bevinding was dat, aangezien een belangrijke beperking het efficiënt mappen van financiële regels naar quantum‑hardware is, het onderzoek verschuift van inefficiënte penalty‑gebaseerde modellen naar architecturale handhaving, die het effectieve gebruik van beperkte qubits maximaliseert. Dit gebeurt doorgaans door operationele grenzen direct in de hardware‑software‑stack of circuit‑ansatz te embedden.

Om de schaalbaarheidslimieten van NISQ‑apparaten aan te pakken, stelt recent onderzoek heterogene gedistribueerde architecturen voor die verschillende typen quantumprocessoren benutten voor verschillende fasen van de optimalisatie‑pipeline.

Dit kan vele vormen aannemen, bijvoorbeeld een annealer‑gate‑hybride model of de orkestratie‑ en synchronisatie‑protocollen om de werklast tussen een annealer en een gate‑gebaseerde QPU te beheren.

Prestaties meten

Om de verschillende quantumcomputing‑oplossingen voor portefeuille‑optimalisatie te rangschikken, gebruikten de onderzoekers zowel de in de literatuur geciteerde benchmarks als de absolute state‑of‑the‑art klassieke oplosser.

Ze ontdekten dat over het geheel de eerste commercieel bruikbare financiële toepassingen waarschijnlijk voortkomen uit quantum‑annealing.

Dit komt omdat quantum‑annealing native ongelijkheidsbeperkingen en één‑shot cloud‑submission‑modellen ondersteunt die communicatielatentie minimaliseren.

Daarentegen zien andere methoden dat netwerklatentie vaak de quantum‑uitvoertijd overstijgt of dat ze worden beperkt door de hoge latentie van state‑preparatie.

Quantum‑klassieke hybride berekeningen

Wat ook naar voren komt, is dat hybride benaderingen die quantum‑computing combineren met klassieke computing het beste werken om verschillende redenen:

• Vermindering van netwerklatentie, waarbij de onderzoekers QPU‑geco‑locateerde klassieke optimizers of één‑shot submission‑modellen voorstellen.
• Resource‑efficiënte constraint‑handling: in plaats van nauwgezet penalty‑gewichten af te stemmen, wat de meest optimale oplossingen kan verbergen, maakt native constraint‑handling optimalisatie van institutionele portefeuilles op grotere schaal mogelijk met hogere oplossings‑fidelity.
• Taak‑hardware‑mapping: in plaats van alles met één hardwaretype op te lossen, voert de annealer computationeel intensieve globale decompositie uit en behandelt de gate‑gebaseerde processor fijnmazige lokale aggregatie.

Dus het ideale proces om quantumcomputing‑oplossingen te ontwikkelen zou kunnen bestaan uit eerst de ideale methode voor een gegeven probleem te identificeren, en vervolgens een model te ontwikkelen dat deze quantum‑computing‑tools combineert met klassieke computing‑tools tot een hybride oplossing.

Daarom kunnen architectuur, latentie en constraint‑handling even belangrijk, zo niet belangrijker, zijn dan de prestaties van de gebruikte quantum‑hardware.

Bron: ICT Express

Dit zal waarschijnlijk zo blijven zolang het primaire obstakel in quantumcomputing hardware‑beperkingen en ruis is: een beperkt aantal qubits, wat de probleemgrootte beperkt, terwijl ruis de oplossingskwaliteit degradeert.

Het komt ook overeen met praktische ervaring, waarbij vrijwel alle hedendaagse grootschalige toepassingen van zowel QUBO als CQM worden uitgevoerd op hybride quantum‑klassieke systemen.

De onderzoeker concludeert dus dat deze synergistische aanpak essentieel is voor het aanpakken van industrie‑relevante problemen met de huidige quantumcomputing‑hardware.

Is quantum zelfs nodig?

Een laatste interessant datapunt in deze studie is de vergelijking van quantumcomputing met andere innovatieve rekenmethoden.

Zo wordt er gekeken naar massaal geparallelliseerde GPU‑versnelde architecturen die normale rekenhulpmiddelen radicaal kunnen overtreffen. Deze methode kan ook de netwerklatentie‑bottleneck van cloud‑gebaseerde quantum‑systemen omzeilen.

“GPU‑gebaseerde first‑order solvers kunnen runtimesnelheidsverbeteringen behalen tot 12,9× in single‑period en 48× in multi‑period omgevingen ten opzichte van high‑performance klassieke exacte solvers zoals MOSEK 11.0.”

GPUs kunnen zelfs worden gebruikt om resultaten te simuleren die normaal met quantumcomputers worden verkregen. Met name GPU‑versnelde Parallel Simulated Annealing (PSA) en Particle Swarm Optimization (PSO) kunnen duizenden cores benutten om bijna realtime convergentie te bereiken. Bijvoorbeeld, geoptimaliseerde GPU‑PSO‑kernels behaalden een snelheidsverbetering van 150× ten opzichte van een CPU‑baseline.

Naarmate GPUs en vergelijkbare hardware die enorme hoeveelheden parallelle berekeningen kunnen uitvoeren voor AI‑berekeningen worden ontwikkeld, zou dit een serieuze concurrentie kunnen vormen voor de ontluikende quantumcomputing‑industrie.

“Daarom moet het quantum‑voordeel worden gemeten ten opzichte van deze sub‑seconde, hardware‑geoptimaliseerde klassieke pipelines die de huidige drempel voor productie‑gereedheid in high‑frequency FinTech definiëren.”

Toch zijn GPUs een meer volwassen technologie dan QPUs, dus op de zeer lange termijn zal het moeilijkst op te lossen probleem waarschijnlijk profiteren van quantumcomputing, vooral omdat andere beperkingen zoals energieverbruik soms de inzet van grote GPU‑clusters kunnen vertragen.

Voor beleggers vernauwt deze vergelijking het veld aanzienlijk. De studie suggereert niet dat elke quantum‑architectuur even dicht bij het genereren van commerciële waarde in de financiële sector staat. In plaats daarvan identificeert ze quantum‑annealing als bijzonder geschikt voor constraint‑optimalisatie, terwijl ze benadrukt dat elk levensvatbaar systeem nog steeds moet concurreren met steeds krachtigere GPU‑gebaseerde alternatieven. Dat maakt D‑Wave bijzonder relevant: het biedt beursgenoteerde blootstelling aan de architectuur die de onderzoekers beschouwen als een van de operationeel meest gereedste, terwijl het al commerciële toepassingen in financiën en andere optimalisatie‑intensieve industrieën nastreeft.

Investeren in quantum‑annealing

D‑Wave Quantum Inc.

D‑Wave is een quantumcomputing‑bedrijf dat zich niet richt op het bouwen van het grootste aantal supergeleidende qubits in de toekomst, maar op de meest bruikbare qubits voor echte use‑cases van vandaag.

Al is de helft van de klanten van D‑Wave commerciële ondernemingen, met 65 % van de omzet afkomstig van commerciële klanten, waarvan 45 % van de omzet afkomstig is van Forbes Global 2000‑klanten.

Bron: D‑Wave

Zo worden D‑Wave‑tools al gebruikt door AT&T om de verwerkingstijd voor een netwerk‑optimalisatiewerkload te verkorten van ongeveer één uur tot minder dan 15 seconden.

“Toekomstig gepland werk zal een bredere reeks toepassingen verkennen, zoals storingsdetectie en -respons, techniekerouting, netwerk‑bouwplanning en verkeersbeheer.”

D‑Wave heeft ook directe financiële toepassingen van quantum‑annealing aangetoond, waaronder portefeuille‑optimalisatie met S&P 100‑ en S&P 500‑activa. Bijvoorbeeld, een samenwerking met CaixaBank, een toonaangevende bank in Spanje, gebruikte D‑Wave voor precies het type financiële toepassing dat in deze studie wordt besproken. Wat normaal gezien de bank meerdere uren rekentijd kostte, werd gereduceerd tot enkele minuten via quantumcomputing‑technologie.

“De quantum‑hybride toepassingen hebben de rekentijd om complexe financiële problemen op te lossen aanzienlijk verkort, waardoor portefeuille‑optimalisatie is verbeterd, de interne rentabiliteit (IRR) van een obligatieportefeuille is verhoogd en het kapitaal dat nodig is voor hedge‑operaties is geminimaliseerd, als gevolg van hun samenwerking.”

Door zich te richten op quantum‑annealing ziet het bedrijf zichzelf als een middenweg tussen trapped‑ion‑technologie (“efficiënt, maar traag”) en supergeleidende qubits (“snel, maar ingewikkeld en minder betrouwbaar”). Het bedrijf schaalt zijn hardware snel op, met de ambitie om het aantal qubits in zijn systeem met 4× te vermenigvuldigen tegen 2029 en met 20× tegen 2031.

Bron: D‑Wave

Naast annealing, dat in 2011 werd ontwikkeld, breidt D‑Wave sinds 2020 ook uit naar gate‑model quantumcomputing. Over het geheel gezien zouden de twee technologieën elkaar moeten complementeren, waarbij elk zich specialiseert in specifieke toepassingen.

Bron: D‑Wave

“Terwijl annealing‑quantumcomputing uitblinkt in optimalisatie, materiaalsimulatie en bepaalde AI‑workloads, wordt verwacht dat gate‑model quantumcomputing toepassingen zoals quantum‑chemie, molecuulontwerp en volgende‑generatie energieopslag zal bevorderen.”

Investeerders in D‑Wave moeten zich er echter van bewust zijn dat quantumcomputing een opkomend en zeer competitief veld is. Vrijwel elk quantumbedrijf zal zichzelf zien als de juiste technologische weg te hebben gekozen, hetzij omdat het veerkrachtiger is (ion‑trapped), markt‑klaar (annealing), of een groter schaalbaarheids‑potentieel heeft (supergeleidende).

Desondanks is het indrukwekkend dat hun quantumcomputing op steeds grotere schaal wordt ingezet om al echte problemen op te lossen in biotech, telecom of bankwezen, en D‑Wave zou een verrassende winnaar in het veld kunnen worden, terwijl discussies vaak gericht zijn op andere bedrijven die verschillende quantumcomputing‑technologieën gebruiken.

Laatste D‑Wave Quantum Inc (QBTS) aandelen‑nieuws en ontwikkelingen

Studie geraadpleegd

^{1. Kimchhor Chiv, Anand Nayyar, en Tae‑Kyoung Kim. Een uitgebreid overzicht van quantumcomputingbenaderingen voor portefeuille‑optimalisatie in FinTech. ICT Express. 5 augustus 2026.}