Quantum Space è il programma di approfondimento di Class CNBC dedicato al calcolo quantistico, in onda ogni martedì, condotto dal giornalista Emerick De Narda con Pierpaolo Marturano come esperto fisso e ideatore dei contenuti.
Una delle puntate è stata dedicata alla finanza, settore spesso citato come uno dei primi candidati a trarre vantaggio dal calcolo quantistico. Il motivo è che molti calcoli finanziari sono, nella sostanza, problemi di campionamento statistico e di ottimizzazione — esattamente il terreno in cui gli algoritmi quantistici promettono un guadagno. Non si tratta di una coincidenza: dove l'attività consiste nel pesare un'enorme distribuzione di possibili futuri, la natura probabilistica del calcolo quantistico smette di essere un ostacolo e diventa una risorsa.
Il cuore del problema: la simulazione Monte Carlo
Per stimare il prezzo di un derivato o il rischio di un portafoglio si usano le simulazioni Monte Carlo: si generano migliaia o milioni di scenari casuali e se ne misura la media. È un metodo potente ma costoso, perché la precisione cresce lentamente con il numero di scenari. Tradotto in pratica, dimezzare l'errore non significa raddoppiare il lavoro, ma moltiplicarlo: ogni cifra decimale guadagnata si paga con un'esplosione di scenari da simulare.
Qui entra in gioco la stima di ampiezza quantistica, l'algoritmo che offre un'accelerazione quadratica: a parità di precisione, servono molti meno passi. È proprio la curva di crescita della precisione a cambiare forma, ed è questo a rendere il caso finanziario così citato — non una promessa generica di velocità, ma un guadagno che incide esattamente sul punto debole del metodo classico.
Molti calcoli finanziari sono, nella sostanza, problemi di campionamento statistico e di ottimizzazione: esattamente il terreno in cui gli algoritmi quantistici promettono un guadagno.
Rischio e stress test
Le ricadute più interessanti riguardano la gestione del rischio: calcolare il Value at Risk — la perdita massima attesa entro una certa probabilità — con maggiore precisione e in meno tempo, e simulare scenari estremi sull'intero portafoglio con una granularità oggi impensabile. In prospettiva, analisi che richiedono ore potrebbero ridursi a minuti, aprendo la porta a un ribilanciamento in tempo quasi reale. Il salto non è solo di velocità: comprimere il tempo di calcolo cambia la natura stessa della decisione, perché un'analisi che arriva in minuti invece che a sera può ancora orientare l'azione, mentre una che arriva troppo tardi è soltanto un consuntivo.
In sintesi La stima di ampiezza quantistica offre un'accelerazione quadratica sulle simulazioni Monte Carlo usate per prezzare derivati e misurare il rischio. Le applicazioni più promettenti sono il calcolo del Value at Risk e gli stress test sull'intero portafoglio, con analisi che potrebbero passare da ore a minuti. Il vantaggio, però, maturerà gradualmente con l'affidabilità dell'hardware.
La puntata, però, ha insistito sull'onestà dei tempi: si parla di un vantaggio che maturerà gradualmente, man mano che l'hardware diventerà affidabile. Le imprese che si preparano oggi non lo fanno per un beneficio immediato, ma per costruire la competenza che farà la differenza quando la tecnologia sarà matura. È una scommessa sulla preparazione più che sulla tecnologia: il vantaggio competitivo non andrà a chi avrà la macchina, ma a chi avrà già imparato a usarla.
Quantum Space is Class CNBC's in-depth program on quantum computing, airing every Tuesday, hosted by journalist Emerick De Narda with Pierpaolo Marturano as resident expert and content creator.
One episode was devoted to finance, a sector often cited as one of the first candidates to benefit from quantum computing. The reason is that many financial calculations are, in essence, problems of statistical sampling and optimization — exactly the ground where quantum algorithms promise a gain. This is no coincidence: where the work consists of weighing a vast distribution of possible futures, the probabilistic nature of quantum computing stops being an obstacle and becomes an asset.
The heart of the problem: Monte Carlo simulation
To estimate the price of a derivative or the risk of a portfolio, Monte Carlo simulations are used: thousands or millions of random scenarios are generated and averaged. It is a powerful but costly method, because precision grows slowly with the number of scenarios. In practical terms, halving the error does not mean doubling the work but multiplying it: every decimal place gained is paid for with an explosion of scenarios to simulate.
This is where quantum amplitude estimation comes in, the algorithm offering a quadratic speedup: for the same precision, far fewer steps are needed. It is the very growth curve of precision that changes shape, and this is what makes the financial case so often cited — not a generic promise of speed, but a gain that strikes exactly at the weak point of the classical method.
Many financial calculations are, in essence, problems of statistical sampling and optimization: exactly the ground where quantum algorithms promise a gain.
Risk and stress testing
The most interesting implications concern risk management: computing Value at Risk — the maximum expected loss within a certain probability — with greater precision and in less time, and simulating extreme scenarios across the whole portfolio at a granularity unthinkable today. In prospect, analyses that take hours could shrink to minutes, opening the door to near-real-time rebalancing. The leap is not only one of speed: compressing computation time changes the very nature of the decision, because an analysis that arrives in minutes rather than by evening can still guide action, whereas one that arrives too late is merely a record of what has already happened.
In short Quantum amplitude estimation offers a quadratic speedup on the Monte Carlo simulations used to price derivatives and measure risk. The most promising applications are computing Value at Risk and running stress tests across the whole portfolio, with analyses that could move from hours to minutes. The advantage, however, will mature gradually as hardware becomes reliable.
The episode, however, stressed honesty about timing: this is an advantage that will mature gradually, as hardware becomes reliable. Companies preparing today are not doing so for an immediate benefit, but to build the competence that will make the difference when the technology matures. It is a bet on readiness more than on technology: the competitive edge will go not to whoever owns the machine, but to whoever has already learned to use it.
