Ang Quantum Computing ay Lumalapit sa Pag-optimize ng Portfolio

Ang quantum computing ay madalas ilarawan bilang isang ganap na bagong anyo ng pag-compute na maaaring lutasin ang mga problemang hindi kayang lutasin ng tradisyunal na binary, silicon-based na pag-compute.

Sa ngayon, ang quantum computing ay isang pangakong teknolohiya, ngunit patuloy itong humaharap sa isang pangunahing hamon sa engineering. Ang napakabulok na estado ng materyal na kailangang mapanatili para gumana ang quantum computing ay nangangahulugang ito ay parehong mahal at hindi gaanong scalable.

Ibig sabihin din nito na ang mga resulta ay “noisy”, na may regular na mga error, pagkaantala, at hindi maaasahang mga resulta.

Maraming inobasyon ang maaaring magpahiwatig na ang isang network ng mas maliliit na quantum computers o isang bagong disenyo ng hardware architecture, gamit ang bagong estado ng materyal na tinatawag na topoconductors, na nagbibigay-daan sa scalability ay maaaring lutasin ang problema.

Ngunit maaaring ito rin ay isang konseptwal na isyu. Karamihan sa mga proyekto ng quantum computing ay naghahangad na ganap na palitan ang mga tradisyunal na solusyon sa pag-compute ng mga quantum-based na solusyon. Sa praktika, ang mas makitid na paglutas ng problema ay maaaring magbunga ng mga functional na use case para sa quantum computing nang mas maaga.

Isang kamakailang pag-aaral ng mga mananaliksik mula sa Chungbuk National University (South Korea) at Duy Tan University (Vietnam) ay nagkumpara ng tatlong magkaibang paraan ng paggamit ng quantum computing. Natuklasan nila na ang isa, ang quantum annealing, ay “nagpapakita ng makabuluhang near-term operational readiness” para sa pag-optimize ng mga pinansyal na portfolio.

Maaaring ipahiwatig nito na ang iterative gate-based na mga pamamaraan na pinapaboran ng karamihan sa pananaliksik sa quantum computing, na nangangailangan ng napakalaking bilang ng mga qubit, ay maaaring maling direksyon para sa industriya, kahit na sa maikling panahon.

Inilathala nila ang kanilang mga natuklasan sa ICT Express¹, sa pamagat na “A comprehensive survey of quantum computing approaches for portfolio optimization in FinTech”.

Quantum Computing Para sa Pag-optimize ng Portfolio

Mga Problema na Sobrang Kumplikado para Lutasin

Ang pag-optimize ng portfolio ay isang sentral at computationally intensive na problema sa modernong pananalapi at isang pundasyon ng industriya ng FinTech. Kapag ipinakilala ang mga realistic na constraint

(pagpili ng isang tiyak na bilang ng mga asset, mga gastos sa transaksyon, o ang pagsasama ng mga non-financial na metric tulad ng ESG scores) ito ay mabilis na nagiging isang lalong mahirap na combinatorial na problema na maaaring gawing impraktikal ang eksaktong pag-optimize habang dumarami ang bilang ng mga asset at mga constraint.

Lalo itong totoo kapag lumalaki ang bilang ng magagamit na mga asset; ang solution space ay lumalawak nang exponential.

Kaya sa praktika, ito ay hindi isang bagay na maaaring kalkulahin nang direkta para sa malakihang mga portfolio na pinamamahalaan ng mga institutional fund, hedge fund, at automated robo-advisors, kung saan maraming empirical na patakaran at manu-manong desisyon ang ginagamit sa halip na mga matematikal na modelo.

Maraming Paraan upang Isagawa ang Quantum Computing

Ang core ng quantum computing ay ang qubit, na maaaring umiral sa isang superposition ng mga estado. Ang mga quantum algorithm ay nagma-manipula ng mga superposition ng mga estado upang ang interference ay magpataas ng probabilidad ng pagsukat ng kapaki-pakinabang na solusyon. Hindi ibig sabihin nito na ang bawat posibleng sagot ay maaaring kalkulahin at makuha nang sabay-sabay.

Tatlong pangunahing pamamaraan ang lumitaw upang gamitin ang katangiang quantum na ito sa pagsasagawa ng mga kalkulasyong kapaki-pakinabang sa totoong mundo, lalo na para sa pag-optimize ng portfolio:

Ang una ay Quantum Annealing (QA), isang espesyal na quantum computing paradigm na dinisenyo partikular upang harapin ang mga komplikadong optimization problem. Ang pangunahing tungkulin nito ay hanapin ang minimum energy configuration, o ground state, ng isang pisikal na sistema.

Ang espesipikong katangiang ito ay ginagawang mas epektibo ang QA at lumilikha ng shortcut patungo sa mga lower-energy configuration. Upang praktikal na ilapat ang QA, ang isang pinansyal na problema ay kailangang i-map sa isang compatible na mathematical structure, kadalasan ay ang QUBO model.

“Hindi tulad ng mga gate-based na modelo na maaaring mangailangan ng pinong kontrol ng pulse, pinapayagan ng QA ang isang submit-at-retrieve na workflow kung saan ang buong depinisyon ng problema (matrix ) ay ina-upload nang isang beses.”

Variational Quantum Algorithms (VQAs) ay hybrid quantum–classical optimization loop na nag-iiterate sa pagitan ng isang quantum processor at isang klasikong optimizer.

Sa ganitong paraan, ang kabuuang oras ng pag-execute ay hindi lamang nakadepende sa coherence time ng mga qubit kundi pati na rin sa network latency na naipon sa libu-libong iteration. Ang latency penalty na ito ay kumakatawan sa isang makabuluhang architectural bottleneck para sa mga high-frequency trading application.

Dapat ding tandaan na isang umuusbong na approach ay ang synergistic na kombinasyon ng gate-based VQAs at quantum annealing.

“Sa ganitong framework, maaaring gamitin ang isang quantum annealer upang makahanap ng mataas na kalidad na initial state o upang i-pre-process ang isang mahirap na optimization landscape, na nagbibigay ng matibay na panimulang punto para sa susunod na VQA optimization loop sa isang gate-based na makina.”

Quantum Machine Learning (QML) ay isang pamamaraan na may natatanging architectural paradigm na nakasentro sa representasyon ng data. Inililipat nito ang computational bottleneck mula sa paghahanap ng ground state patungo sa training phase, kung saan ang high-dimensional na pinansyal na data ay kailangang i-encode sa mga quantum state sa pamamagitan ng feature maps.

Maaaring gamitin ito sa mga sitwasyon kung saan ang pag-uncover ng mga komplikado, non-linear na relasyon sa pinansyal na data ay isang malaking kalamangan. Ginagawa nitong isang makapangyarihang tool para sa risk analysis at scenario generation (kasama ang sub-method na tinatawag na Quantum Circuit Born Machine – QCBM), pati na rin sa pag-predict ng galaw ng merkado o pag-classify ng mga asset batay sa risk profile (kasama ang sub-method na tinatawag na Quantum Support Vector Machine (QSVM).

Pinagmulan: ICT Express

Paghahanap ng Pinakamahusay na Quantum Tool

Pag-optimize ng Quantum Computing

Sa kabuuang 423, pinili ng mananaliksik ang 30 iba’t ibang pag-aaral upang suriin at tulungan silang ikumpara ang iba’t ibang quantum computation method.

Ang unang natuklasan ay na, habang isang pangunahing constraint ay ang epektibong pagma-map ng mga pinansyal na patakaran sa quantum hardware, ang pananaliksik ay lumilipat mula sa hindi epektibong penalty-based na mga modelo patungo sa architectural enforcement, na nagmamaksimisa ng epektibong paggamit ng limitadong mga qubit. Karaniwang ginagawa ito sa pamamagitan ng pag-embed ng operational boundaries direkta sa hardware-software stack o circuit ansatz.

Upang tugunan ang mga limitasyon sa scalability ng mga NISQ device, iminungkahi ng kamakailang pananaliksik ang heterogeneous distributed architectures na gumagamit ng iba’t ibang uri ng quantum processors para sa iba’t ibang yugto ng optimization pipeline.

Maaaring magpakita ito sa maraming anyo, halimbawa, isang annealer-gate hybrid model o ang mga orchestration at synchronization protocol upang pamahalaan ang workload sa pagitan ng isang annealer at isang gate-based QPU.

Pagsusukat ng Performance

Upang i-rank ang iba’t ibang quantum computing solution para sa pag-optimize ng portfolio, ginamit ng mga mananaliksik ang parehong benchmarking na binanggit sa literatura at ang absolute state-of-the-art na mga klasikong solver.

Nakita nila na sa pangkalahatan, ang unang komersyal na kapaki-pakinabang na aplikasyon sa pinansyal ay maaaring lumitaw mula sa quantum annealing.

Ito ay dahil ang quantum annealing ay sumusuporta sa native inequality constraints at one-shot cloud submission models na nagbabawas ng communication latency.

Sa kabilang banda, ang ibang mga pamamaraan ay madalas nakikita na ang network overhead ay humahalo sa quantum execution time o limitado ng mataas na latency ng state preparation.

Quantum-Classical Hybrid Calculations

Ang isa pang lumilitaw ay na ang mga hybrid approach na nagsasama ng quantum computing at klasikong computing ay gumagana nang pinakamahusay dahil sa iba’t ibang dahilan:

• Pag-ibsan ng latency ng network, kasama ang panukala ng mga mananaliksik na maglagay ng mga klasikong optimizer na kasamang QPU o mga one-shot na modelo ng pagsusumite.
• Mabisang paggamit ng mga mapagkukunan sa paghawak ng mga constraint: sa halip na maingat na i-tune ang mga penalty weight, na maaaring magtago ng pinakamainam na solusyon, ang native na paghawak ng constraint ay nagpapahintulot sa pag-optimize ng mga portfolio sa antas ng institusyon na may mas mataas na katumpakan ng solusyon.
• Pagmamapa ng gawain sa hardware: sa halip na subukang lutasin ang lahat gamit ang isang uri ng hardware, ang annealer ay gumagawa ng computationally intensive na global decomposition at ang gate-based na processor ay humahawak ng detalyadong lokal na pagsasama.

Kaya ang ideal na proseso upang bumuo ng mga quantum computing solution ay maaaring magsimula sa pagtukoy ng pinakaangkop na pamamaraan para sa isang partikular na problema, at pagkatapos ay bumuo ng isang modelo na pinagsasama ang mga quantum computing tool na ito sa mga klasikong tool sa isang hybrid solution.

Kaya ang architecture, latency, at paghawak ng constraint ay maaaring maging kasinghalaga, kung hindi man higit pa, kaysa sa performance ng quantum hardware na ginamit.

Pinagmulan: ICT Express

Malamang na mananatiling totoo ito hangga’t ang pangunahing balakid sa quantum computing ay ang mga limitasyon sa hardware at ingay: limitadong bilang ng qubit, na naglilimita sa laki ng problema, habang ang ingay ay nagpapababa ng kalidad ng solusyon.

Tumutugma rin ito sa praktikal na karanasan, kung saan halos lahat ng kontemporaryong, malakihang aplikasyon ng QUBO o CQM ay isinasagawa sa hybrid quantum–classical systems.

Kaya konklusyon ng mananaliksik na ang synergistic na approach na ito ay mahalaga para harapin ang mga industry-relevant na problema gamit ang kasalukuyang quantum computing hardware.

Kailangan nga ba ang Quantum?

Isang huling kawili-wiling data point sa pag-aaral na ito ay ang paghahambing ng quantum computing sa iba pang makabagong pamamaraan ng pag-compute.

Halimbawa, tinitingnan nito ang massively parallelized GPU-accelerated architectures na maaaring mag-outperform nang radikal sa normal na mga tool sa kalkulasyon. Ang metodong ito ay maaari ring lampasan ang network latency bottleneck ng cloud-based na quantum system.

“Ang mga GPU-based na first-order solver ay maaaring makamit ang runtime speedup na hanggang 12.9x sa single-period at 48x sa multi-period settings kumpara sa high-performance na klasikong exact solver tulad ng MOSEK 11.0.”

Ang mga GPU ay maaari ring gamitin upang i-simulate ang mga resulta na karaniwang nakukuha sa quantum computers. Partikular, ang GPU-accelerated Parallel Simulated Annealing (PSA) at Particle Swarm Optimization (PSO) ay maaaring mag-leverage ng libu-libong core upang makamit ang near-real-time convergence. Halimbawa, ang optimized na GPU-PSO kernels ay nakamit ang 150x speed-up kumpara sa CPU baseline.

Habang ang mga GPU at katulad na hardware na kayang magsagawa ng napakalaking bilang ng parallel calculations ay binubuo para sa AI calculations, maaaring ito ay magsilbing matinding kompetisyon para sa umuusbong na industriya ng quantum computing.

“Samakatuwid, ang quantum advantage ay dapat sukatin laban sa mga sub-second, hardware-optimized na klasikong pipeline na nagtatakda ng kasalukuyang threshold para sa production readiness sa high-frequency FinTech.”

Gayunpaman, ang mga GPU ay mas mature na teknolohiya kaysa sa mga QPU, kaya sa napakahabang panahon, ang pinakamahirap lutasin na problema ay malamang na makinabang mula sa quantum computing, lalo na kung ang ibang mga constraint tulad ng konsumo ng enerhiya ay minsang magpapabagal sa pag-deploy ng malalaking GPU cluster.

Para sa mga mamumuhunan, ang paghahambing na ito ay nagpapaliit ng larangan nang malaki. Ang pag-aaral ay hindi nagsasabi na bawat quantum architecture ay pantay-pantay na malapit sa paglikha ng komersyal na halaga sa pananalapi. Sa halip, tinukoy nito ang quantum annealing bilang partikular na angkop sa constrained optimization, habang binibigyang-diin na anumang viable na sistema ay kailangang makipagkumpetensya sa patuloy na lumalakas na mga GPU-based na alternatibo. Iyon ang dahilan kung bakit ang D-Wave ay lalo pang mahalaga: nag-aalok ito ng publicly traded exposure sa architecture na itinuturing ng mga mananaliksik na isa sa pinaka-operationally ready, habang aktibong hinahabol ang mga komersyal na aplikasyon sa pananalapi at iba pang optimization-intensive na industriya.

Pamumuhunan sa Quantum Annealing

D-Wave Quantum Inc.

Ang D-Wave ay isang quantum computing company na nagtuon hindi sa pagbuo ng pinakamalaking bilang ng superconducting qubits sa hinaharap, kundi sa pinaka-gamit na mga ito para sa tunay na use case ngayon.

Sa kasalukuyan, kalahati ng mga customer ng D-Wave ay mga commercial enterprise, kung saan 65% ng kita ay nagmumula sa mga commercial customer, at 45% ng kita ay nagmumula sa Forbes Global 2000 na mga customer.

Pinagmulan: D-Wave

Halimbawa, ang mga tool ng D-Wave ay ginagamit na ng AT&T upang bawasan ang processing time para sa isang network optimization workload mula humigit-kumulang isang oras hanggang mas mababa sa 15 segundo.

“Ang planadong hinaharap na trabaho ay mag-eexplore ng mas malawak na hanay ng mga aplikasyon, tulad ng outage detection at response, technician routing, network build planning at traffic management.”

Ipinakita rin ng D-Wave ang direktang pinansyal na aplikasyon ng quantum annealing, kabilang ang pag-optimize ng portfolio na kinabibilangan ng mga asset ng S&P 100 at S&P 500. Halimbawa, isang kolaborasyon sa CaixaBank, isang nangungunang bangko sa Espanya, ang gumamit ng D-Wave para sa eksaktong uri ng pinansyal na aplikasyon na tinalakay sa pag-aaral na ito. Ang karaniwang tumatagal ng ilang oras ng compute time ay nabawasan sa ilang minuto sa pamamagitan ng quantum computing technology.

“Ang mga quantum hybrid application ay makabuluhang nagbawas ng compute time upang lutasin ang komplikadong pinansyal na problema, pinapabuti ang investment portfolio optimization, pinapataas ang internal rate of return (IRR) ng bond portfolio, at binabawasan ang kapital na kailangan para sa hedging operations, bilang resulta ng kanilang kolaborasyon.”

Sa pagtuon sa quantum annealing, nakikita ng kumpanya ang sarili nito na nasa gitnang landas sa pagitan ng trapped-ion technology (“epektibo, ngunit mabagal”) at superconducting qubits (“mabilis, ngunit komplikado at hindi gaanong maaasahan”). Ang kumpanya ay mabilis na nag-i-scale ng hardware, umaasang madodoble ng 4x ang bilang ng mga qubit sa kanilang sistema pagsapit ng 2029 at 20x pagsapit ng 2031.

Pinagmulan: D-Wave

Bukod sa annealing, na sinimulan nilang paunlarin noong 2011, ang D-Wave ay nagpalawak din sa gate-model quantum computing mula 2020. Sa kabuuan, ang dalawang teknolohiya ay dapat magkomplemento sa isa’t isa, kung saan ang bawat isa ay nag-specialize sa tiyak na mga aplikasyon.

Pinagmulan: D-Wave

“Habang ang annealing quantum computing ay namamayani sa optimization, materials simulation, at ilang AI workload, ang gate-model quantum computing ay inaasahang magpapalawak ng mga aplikasyon tulad ng quantum chemistry, molecular design, at susunod na henerasyon ng energy storage.”

Dapat maging maingat ang mga mamumuhunan sa D-Wave na ang quantum computing ay isang umuusbong at napakakumpitensyang larangan. Halos lahat ng quantum company ay makikita ang sarili nila na pumili ng tamang teknolohikal na landas, alinman dahil ito ay mas matibay (ion-trapped), mas handa sa merkado (annealing), o may mas malaking potensyal para sa scalability (superconducting).

Gayunpaman, ang pagkakaroon ng kanilang quantum computing na inilalapat sa lumalaking sukat upang lutasin na ang mga totoong problema sa biotech, telecom, o banking ay isang kahanga-hangang tagumpay, at maaaring maging sorpresa ang D-Wave bilang isang nanalong kumpanya sa larangan, habang ang mga talakayan ay madalas nakatuon sa ibang mga kumpanya na gumagamit ng ibang quantum computing technologies.

Pinakabagong Balita at Pag-unlad sa Stock ng D-Wave Quantum Inc (QBTS)

Pag-aaral na Binanggit

^{1. Kimchhor Chiv, Anand Nayyar, and Tae-Kyung Kim. A comprehensive survey of quantum computing approaches for portfolio optimization in FinTech. ICT Express. 5 Agosto 2026.}