Le quantique dans la finance : promesses calculatoires versus réalités économiques

Technologies financières et innovation

L’industrie financière explore les capacités des algorithmes quantiques pour résoudre des problématiques dépassant les limites du calcul classique. Entre accélération théorique des simulations et contraintes matérielles, la question de la rentabilité effective de ces technologies demeure au centre des débats scientifiques et opérationnels.

Les établissements financiers se heurtent régulièrement aux limites des architectures de calcul conventionnelles lorsqu’ils cherchent à optimiser des portefeuilles comportant un grand nombre d’actifs assortis de contraintes complexes, à modéliser des produits dérivés sophistiqués ou à projeter des scénarios de risques extrêmes. Ces opérations exigent une puissance de traitement qui oriente désormais les recherches vers des paradigmes alternatifs exploitant les principes de la mécanique quantique. En s’appuyant sur la superposition d’états pour traiter simultanément une pluralité de configurations, ces systèmes pourraient transformer les méthodes de décision actuelles dans le secteur financier. Les interférences entre états superposés permettent théoriquement d’orienter les probabilités vers les solutions les plus pertinentes, tandis que l’intrication synchronise les interdépendances entre variables.

Formes technologiques disparates

Cette mutation technologique suppose toutefois une évaluation rigoureuse des bénéfices exploitables. L’EDHEC Quantum Institute, structure de recherche spécialisée dans l’application des technologies quantiques à la finance, concentre ses travaux sur la mesure de la valeur ajoutée de ces innovations au sein des processus financiers. La distinction entre gains computationnels théoriques et avantages économiques réels constitue le point névralgique de ces investigations. Un véritable avantage quantique ne se résume pas à une simple accélération des calculs : il doit se traduire par une amélioration mesurable de la rentabilité ou de la gestion des risques, une fois intégrés les coûts d’infrastructure et d’exploitation de ces architectures émergentes. Les investissements requis pour ces écosystèmes demeurent en effet massifs.

Le terme de « calcul quantique » recouvre aujourd’hui des réalités technologiques distinctes. Les machines dites NISQ (pour Noisy Intermediate-Scale Quantum, soit quantique intermédiaire bruyant) constituent les dispositifs actuellement disponibles. Elles utilisent un nombre limité de qubits – ces unités élémentaires d’information quantique capables d’exister simultanément dans une combinaison d’états – encore sensibles au bruit et aux erreurs. Ces systèmes permettent des démonstrations expérimentales mais restent contraints par la taille et la durée des calculs. Le calcul quantique tolérant aux fautes désigne quant à lui des architectures futures capables de corriger les erreurs de manière systématique, stade qui conditionne l’utilisation à grande échelle d’algorithmes quantiques avancés. En parallèle, une partie des applications actuelles repose sur des méthodes quantique-inspirées exécutées sur des ordinateurs classiques, qui s’appuient sur des principes issus du quantique pour améliorer certains calculs sans nécessiter de qubits physiques.

D’innombrables combinaisons d’actifs

Dans une publication de 2015 intitulée « Quantum speedup of Monte Carlo methods », le chercheur Ashley Montanaro établit que l’algorithme d’estimation d’amplitude quantique offre une accélération théorique significative des méthodes de Monte Carlo, essentielles à la valorisation des actifs dérivés et à la gestion des risques. Ses travaux démontrent que, pour un niveau de précision cible donné, le volume de simulations requises bénéficie d’une réduction quadratique par rapport aux approches conventionnelles. Ce gain d’efficacité permet d’envisager un allègement substantiel du coût computationnel des calculs financiers complexes, sous réserve de disposer de calculateurs quantiques tolérants aux fautes. Toutefois, la recherche menée à l’EDHEC souligne qu’un véritable avantage doit se mesurer en termes de rentabilité économique nette ; l’amélioration du rendement d’un portefeuille ou la diminution de son risque doivent générer un gain économique supérieur aux coûts supplémentaires induits, incluant les investissements en infrastructure et la consommation énergétique de ces dispositifs.

Dans le domaine de l’optimisation de portefeuilles, les modèles de gestion des risques peinent face à la croissance exponentielle des combinaisons d’actifs possibles. Des techniques comme les algorithmes d’optimisation quantique approximative ou les formulations QUBO (pour Quadratic Unconstrained Binary Optimization, soit optimisation binaire quadratique non contrainte) offrent des perspectives pour explorer ces espaces de données de manière plus efficace. Ces méthodes ont été spécifiquement développées pour traiter des problèmes combinatoires où l’objectif consiste à identifier des configurations optimales sous contraintes. En matière de valorisation d’instruments financiers, le problème central consiste à calculer l’espérance mathématique d’un rendement sous une probabilité ajustée du risque, souvent via des simulations de Monte Carlo. L’algorithme quantique d’estimation d’amplitude permet théoriquement de réduire le nombre de trajectoires nécessaires grâce à une décroissance plus rapide de l’erreur sur le calcul. La viabilité économique reste néanmoins déterminante : sur le plan technologique, le gain apparaît manifeste, mais l’avantage réel demeure à évaluer en fonction des coûts d’accès aux ordinateurs quantiques et de leur empreinte énergétique.

Limites des NISQ et maturité du quantique

L’intérêt des processeurs quantiques en matière d’optimisation de portefeuille s’exprime pleinement dans des environnements caractérisés par une forte dimensionnalité (présence de nombreuses variables) et des structures de données changeantes. Lorsque les paramètres sont peu nombreux et stationnaires, les méthodes classiques suffisent largement ; l’utilité des approches quantiques émerge lorsque la complexité dynamique des flux sature les capacités des méthodes usuelles. La recherche doit toutefois éviter les cas d’usage déconnectés des besoins réels. Une dérive méthodologique identifiée sous le terme de quantum washing consiste à attribuer un avantage quantique à des problèmes formulés de manière excessivement complexe. Certains travaux tendent en effet à fusionner la sélection des titres et l’optimisation du rendement en risque du portefeuille dans un seul problème, créant une complexité combinatoire qui fait apparaître un avantage du quantique de manière artificielle. Cette tendance représente un frein à la crédibilité des solutions et donc à leur adoption par les acteurs financiers. La sélection d’actifs devrait répondre à des objectifs financiers distincts et clairement définis, qu’il s’agisse de performance en comparant le prix de marché à la valeur théorique, ou de gestion du risque en recherchant par exemple un portefeuille faiblement corrélé.

L’intégration du quantique dans la finance se heurte également à des contraintes matérielles substantielles. Les ordinateurs quantiques actuels de type NISQ opèrent avec des composants encore instables, trop limités pour des usages massifs en conditions réelles. Les bénéfices exploitables dépendent d’un horizon technologique plus stable, celui des machines tolérantes aux fautes dont la disponibilité commerciale reste incertaine. Le facteur financier est tout aussi prépondérant. Selon les architectures, certaines machines coûteront quelques dizaines de millions d’euros, d’autres plusieurs centaines de millions voire des milliards. La rentabilisation de ces équipements et leur consommation énergétique, que ce soit dans un usage en nuage partagé ou exclusif, constitueront des facteurs décisifs pour leur adoption. Par ailleurs, le traitement de données financières sensibles impose des protocoles de chiffrement drastiques et une supervision pointilleuse des infrastructures en nuage.

Les approches hybrides restent privilégiées

Dans ce contexte, la technologie quantique s’envisage davantage comme une couche complémentaire aux systèmes existants. Les approches hybrides, combinant calcul classique et quantique, constituent aujourd’hui la voie la plus réaliste pour obtenir des résultats exploitables. Des simulateurs inspirés du quantique, comme les recuits numériques ou les méthodes basées sur les réseaux de tenseurs, permettent d’expérimenter sans les contraintes des qubits physiques. Si l’ordinateur quantique autonome demeure un objectif de moyen terme, ce sont ces architectures hybrides qui permettent actuellement d’exploiter des gains ciblés et d’explorer des cas d’usage tout en maîtrisant les risques opérationnels. Cette transition progressive permet aux établissements financiers d’évaluer concrètement l’apport de ces technologies sans engager prématurément des investissements massifs dans des infrastructures encore immatures.

Sambuc éditeur

Liens et références

Ressource : Quantum Computing and the Financial System (imf.org)

Ressource : Nielsen, Michael A., Chuang, Isaac L., 2000, Quantum Computation and Quantum Information (michaelnielsen.org)

Ressource : Farhi, Edward ; Goldstone, Jeffrey ; Gutmann, Sam, 2014, A Quantum Approximate Optimization Algorithm, arXiv (arxiv.org)

Ressource : Jiawei Zhou, 2025, Quantum Finance : Exploring the Implications of Quantum Computing on Financial Models Computational Economics, Springer (link.springer.com)

Ressource : Abha Satyavan Naik, Glenda Cox, Colin de la Higuera, 2025, From portfolio optimization to quantum blockchain and security : a systematic review of quantum computing in finance, Financial Innovation, Springer Nature (link.springer.com)

Ressource : Preskill, John, 2018, Quantum Computing in the NISQ era and beyond, Quantum, Volume 2 (quantum-journal.org)

Ressource : Quantum speedup of Monte Carlo methods, Proceedings of the Royal Society A, 2015 (royalsocietypublishing.org)

Ressource : EDHEC Business School, page faculté, Lionel Martellini, profil académique officiel. (edhec.edu)

Ressource : OECD, 2025, A quantum technologies policy primer (oecd.org)

Quiz : avez-vous bonne mémoire ?

Acronyme NISQ en informatique quantique. — Dans le domaine du calcul quantique appliqué à la finance, que désigne l'acronyme NISQ ?

A. Quantique intermédiaire bruyant. — B. Quantique numérique intégré séquentiel. — C. Quantique normalisé à inférence stochastique.

Quantique intermédiaire bruyant

Réduction computationnelle par algorithme quantique. — Selon les travaux d'Ashley Montanaro sur l'accélération quantique des méthodes de Monte Carlo, de quel ordre est la réduction du volume de simulations nécessaires pour atteindre une précision donnée ?

A. Réduction quadratique. — B. Réduction logarithmique. — C. Réduction exponentielle.

Réduction quadratique

Dérive méthodologique en recherche quantique. — Comment nomme-t-on la dérive méthodologique consistant à formuler artificiellement des problèmes trop complexes pour faire apparaître un avantage du calcul quantique ?

A. Quantum washing. — B. Quantum overfitting. — C. Quantum bias.

Quantum washing

Architecture privilégiée pour l'application actuelle. — Quelle approche est aujourd'hui considérée comme la plus réaliste pour obtenir des résultats exploitables en finance quantique à court et moyen terme ?

A. Les architectures hybrides classique-quantique. — B. Les ordinateurs quantiques autonomes tolérants aux fautes. — C. Les simulateurs purement classiques.

Les architectures hybrides classique-quantique

Critère de viabilité des technologies quantiques. — Selon les recherches de l'EDHEC Quantum Institute, quel critère détermine un véritable avantage quantique en finance ?

A. Un gain économique net supérieur aux coûts induits. — B. Une accélération minimale des calculs de 50 %. — C. Une réduction de la consommation énergétique des serveurs.

Un gain économique net supérieur aux coûts induits

Entités liées

calcul quantique, optimisation de portefeuille, méthode de Monte Carlo, qubit, NISQ, algorithme d'estimation d'amplitude, gestion des risques financiers, produits dérivés, QAOA, architecture hybride quantique

Entités nommées fréquentes : Monte Carlo, NISQ, Quantum Computing, Quantum.