Finance quantique : l’informatique quantique à l’épreuve des marchés

Technologies émergentes en ingénierie financière

Les établissements financiers explorent les capacités des calculateurs quantiques pour améliorer l’évaluation des produits dérivés et l’optimisation de portefeuilles complexes. Si certains algorithmes offrent des accélérations théoriques substantielles, leur mise en œuvre reste conditionnée à la maturité technologique et à une analyse rigoureuse de la rentabilité économique.

Le secteur financier examine depuis plusieurs années le potentiel des technologies quantiques pour transformer ses processus de calcul intensif. L’évaluation des produits dérivés et la gestion des risques reposent traditionnellement sur des simulations numériques dont la précision exige un volume considérable d’opérations ; les méthodes de Monte Carlo, largement employées pour modéliser l’évolution des prix d’actifs sous diverses hypothèses probabilistes, voient leur coût computationnel croître proportionnellement au carré de la précision recherchée. Les travaux d’Ashley Montanaro, publiés en 2015 dans les Proceedings of the Royal Society A, ont démontré qu’un algorithme d’estimation d’amplitude quantique permettrait de réduire quadratiquement le nombre de trajectoires nécessaires pour atteindre un niveau de précision donné, grâce aux propriétés de superposition et d’interférence quantiques.

Explosion combinatoire

Cette accélération théorique présente un intérêt particulier pour les produits sophistiqués dont les profils de rendement sont fortement non linéaires. Cependant, l’exploitation effective de ces gains reste subordonnée à la disponibilité de calculateurs quantiques tolérants aux fautes, capables de corriger systématiquement les erreurs inhérentes aux qubits physiques ; les machines actuelles, de type NISQ (Noisy Intermediate Scale Quantum), opèrent avec un nombre limité de qubits encore sensibles au bruit, ce qui cantonne leur usage à des démonstrations expérimentales de taille et durée restreintes.

La construction de portefeuilles intégrant un grand nombre d’actifs avec des contraintes multiples constitue un autre domaine d’application envisagé. Lorsque des plafonds sectoriels, des exclusions réglementaires ou des objectifs de corrélation s’ajoutent aux critères de rendement et de risque, l’espace des solutions possibles connaît une explosion combinatoire que les architectures conventionnelles peinent à explorer efficacement. Les algorithmes d’optimisation quantique approximative et les formulations d’optimisation binaire quadratique sans contrainte offrent des perspectives pour identifier des configurations optimales dans ces environnements où les paramètres fluctuent fréquemment et où la structure des données évolue dynamiquement. Toutefois, pour des problèmes de petite taille ou des paramètres relativement stationnaires, les méthodes classiques demeurent suffisantes et économiquement plus viables, ce qui impose une évaluation rigoureuse du seuil de pertinence avant tout déploiement.

Des solutions performantes, mais coûteuses

Une dérive méthodologique menace toutefois la crédibilité de ces applications. Baptisée quantum washing, celle-ci se rapporte à la construction délibérée de problèmes d’une complexité excessive, dans le but de faire apparaître un avantage en faveur du quantique. Cette pratique s’observe notamment lorsque des chercheurs fusionnent artificiellement la sélection de titres et l’optimisation du rendement ajusté au risque en un seul problème combinatoire, créant ainsi une complexité qui justifie l’usage quantique mais ne correspond à aucun besoin opérationnel réel. Les travaux de l’Institut quantique de l’EDHEC, dirigé par Lionel Martellini, insistent sur la nécessité de formuler des cas d’usage répondant à des objectifs financiers clairement définis, que ce soit la recherche de performance par comparaison entre prix de marché et valeur fondamentale, ou la gestion du risque par construction de portefeuilles faiblement corrélés.

Au-delà des gains de vitesse de calcul, la viabilité des technologies quantiques en finance repose sur un critère économique qu’il ne faut pas perdre de vue. L’avantage quantique véritable est atteint, en effet, lorsque l’on parvient à améliorer la rentabilité d’un portefeuille ou à diminuer son risque, d’une manière qui génère un gain économique supérieur aux coûts supplémentaires induits par la solution quantique. Ces coûts incluent l’acquisition des machines, laquelle peut représenter de quelques dizaines de millions à plusieurs milliards d’euros selon les architectures ; la consommation énergétique, significative pour maintenir les qubits dans des conditions cryogéniques proches du zéro absolu ; les protocoles de chiffrement et de cybersécurité nécessaires au traitement de données financières sensibles ; ainsi que les modalités d’accès, qu’il s’agisse de services en nuage partagés ou d’infrastructures dédiées. Cette évaluation doit intégrer l’ensemble des investissements requis pour déterminer si la réduction du coût computationnel justifie économiquement le déploiement, indépendamment de la performance technique brute observée en laboratoire.

En attendant la maturité technologique des calculateurs quantiques tolérants aux fautes, les architectures hybrides associant processeurs classiques et composants quantiques constituent la voie privilégiée pour obtenir des résultats exploitables à court et moyen terme. Ces systèmes permettent de déléguer aux modules quantiques uniquement les sous-problèmes où leur avantage se manifeste, tout en s’appuyant sur les infrastructures conventionnelles pour le reste du traitement. Parallèlement, des simulateurs inspirés du quantique comme les annealers numériques ou les méthodes basées sur les réseaux de tenseurs permettent d’expérimenter sans mobiliser de qubits physiques, offrant ainsi une exploration des cas d’usage tout en maîtrisant les risques opérationnels et les investissements initiaux.

Sambuc éditeur

Quiz : avez-vous bonne mémoire ?

Machines quantiques actuelles. — Dans le domaine de l’informatique quantique appliquée à la finance, quel acronyme désigne les machines quantiques actuellement disponibles, qui utilisent un nombre limité de qubits encore sensibles au bruit et aux erreurs ?

A. NISQ. — B. QUBO. — C. QAOA.

NISQ

Avantage de l’algorithme quantique. — Selon les travaux d’Ashley Montanaro sur l’algorithme d’estimation d’amplitude quantique appliqué aux méthodes de Monte Carlo en finance, quel type de réduction du volume de simulations peut-on théoriquement obtenir ?

A. Une réduction quadratique. — B. Une réduction linéaire. — C. Une réduction exponentielle.

Une réduction quadratique

Dérive méthodologique. — Comment nomme-t-on la dérive méthodologique consistant à construire artificiellement des problèmes d’une complexité excessive pour faire apparaître un avantage quantique en finance ?

A. Quantum washing. — B. Quantum hacking. — C. Quantum boosting.

Quantum washing

Critère de viabilité économique. — En finance quantique, qu’est-ce qui définit un véritable avantage quantique au-delà des simples gains de vitesse de calcul ?

A. Un gain économique supérieur aux coûts supplémentaires induits. — B. Une accélération d’au moins 50% des calculs. — C. Une compatibilité avec tous les logiciels existants.

Un gain économique supérieur aux coûts supplémentaires induits

Approche technologique réaliste. — Quelle approche est considérée comme la plus réaliste à court et moyen terme pour obtenir des résultats exploitables en finance quantique ?

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

Les architectures hybrides classique-quantique

Formulation d’optimisation. — Quel acronyme désigne la méthode d’optimisation binaire quadratique sans contraintes développée pour explorer efficacement des espaces de solutions de grande dimension en finance ?

A. QUBO. — B. NISQ. — C. QAOA.

QUBO

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)

Entités liées

Informatique quantique, qubit, superposition quantique, intrication quantique, méthode de Monte Carlo, optimisation de portefeuille, produits dérivés, gestion des risques, algorithme quantique, architecture hybride

Entités nommées fréquentes : Quantum Computing, Monte Carlo.