Nel corso della storia, il settore finanziario ha subito trasformazioni significative, e negli ultimi anni il paradigma di trading basato su matematica avanzata e ottimizzazione di algoritmi ha ridisegnato la relazione tra i dati e la gestione di asset finanziari. Come potrebbe il Quantum Computing rispondere meglio a queste esigenze decisionali?
Davide Corbelletto, specialista di quantum computing e finanza, sta lavorando con il suo team presso il centro di competenza di Intesa Sanpaolo, in collaborazione con il Politecnico di Torino e IBM, per rispondere a questa domanda, e dimostrare le capacità del calcolo quantistico per casi d'uso reali. In questa puntata, Davide ci aiutà a capire quali sono i principali problemi di ottimizzazione che ancora oggi risolviamo in maniera poco accurata fatichiamo a ottimizzare e ci spiegherà qual è l'aspetto chiave che farà la differenza nel passaggio dai sistemi di calcolo classico a sistemi quantistici nel campo della finanza.
TRANSCRIPT
Cristiano Matricardi [00:00:04] Dalla nascita della moneta la finanza si è evoluta attraverso banche, borse, valori, strumenti, derivati, fino alla finanza quantitativa che con l'avvento dei computer classici ha dato vita ad un nuovo paradigma di trading basato sulla matematica e sull'ottimizzazione di algoritmi, dove i dati raccolti venivano utilizzati per prevedere e gestire la compravendita di asset finanziari. Ed ecco che pochi settori sono così assetati di dati quanto il complesso finanziario, bancario, assicurativo. Diverse banche ed istituti finanziari stanno quindi rivolgendo lo sguardo a sistemi che permettono di elaborare ingenti quantità di dati in maniera efficiente ed in tempo reale. La connessione di questa necessità con le potenzialità del calcolo quantistico è decisamente scontata. Ed ecco come McKinsey, in un suo recente report, ha osservato che le istituzioni finanziarie che saranno in grado di sfruttare il calcolo quantistico, molto probabilmente otterranno significativi vantaggi economici proprio in luce del fatto che saranno in grado di analizzare in modo efficiente enormi quantità di dati. Fare chiarezza nel rumore apparentemente caotico dei dati porterà le banche a prendere decisioni migliori ed in un lasso di tempo ridotto, quindi migliorare il servizio clienti. Esistono già casi d'uso nei mercati finanziari, ad esempio nella finanza aziendale e nella gestione del portafoglio, come anche nelle attività legate alla crittografia. I computer quantistici sono particolarmente promettenti quando gli algoritmi sono alimentati da flussi di dati in tempo reale, come i prezzi delle azioni, per esempio. Ma l'adozione del calcolo quantistico potrebbe innanzitutto promuovere l'innovazione nel settore finanziario, consentendo lo sviluppo di nuovi strumenti finanziari e modelli di business che oggi non esistono e che sfruttano appieno il potenziale della tecnologia quantistica. Tuttavia, è essenziale considerare l'impatto sociale e strutturale di queste innovazioni, perché l'adozione del calcolo quantistico deve essere guidata da una visione globale che tenga conto delle implicazioni a lungo termine. Solo così potremo sfruttare appieno il potenziale di questa tecnologia senza compromettere la stabilità e la fiducia nel sistema finanziario. Nelle puntate precedenti, con l'esempio di Enel, abbiamo visto che gli algoritmi quantistici sono buoni per risolvere, sono ottimi per risolvere problemi di ottimizzazione. Oggi parleremo di finanza e quindi di applicazioni quantistiche in ambito finanziario. Ecco, per ordinare i pezzi di questo puzzle ho fatto una chiamata a Davide Corbelletto. Lui è l'esperto di tecnologie quantistiche per Intesa San Paolo. Io direi di partire subito, capendo quali sono quei problemi che oggi magari possiamo risolvere con i computer classici, che però se risolvesse con i computer quantistici potremmo ottenere un vantaggio significativo.
Davide Corbelletto [00:03:18] Grazie anzitutto per l'invito cristiano. Ma dunque esistono molti problemi di ottimizzazione che non siamo in grado di risolvere o risolviamo in maniera non ideale. Un esempio è trovare la miglior composizione di titoli per costruire un portafoglio finanziario. Un altro esempio di problema di ottimizzazione, che non è facilmente trattabile con metodi computazionali classici, è quello relativo all'arbitraggio, ovvero come individuare in modo programmatico e soprattutto rapido quelle che sono le finestre di inefficienza entro le quali è conveniente o meno acquistare un certo bene sul mercato e rivenderlo su un altro, guadagnando da quella che è la temporanea differenza che si determina sul prezzo dello stesso. E infine un altro problema, magari meno intuitivo, ma che potrebbe beneficiare di strategie di calcolo diverse da quelle tradizionali è quella del car pooling, che consiste nel trovare la miglior distribuzione della liquidità tra un gruppo di filiali o un insieme di tesorerie societarie, al fine di garantire la giusta disponibilità di denaro, minimizzando ad esempio, quelli che sono gli effetti fiscali o di cambio valutario che si determinano nella movimentazione.
Cristiano Matricardi [00:04:33] Il regolatore chiede alle banche di rispettare limiti ben definiti per poter utilizzare i risultati di una simulazione a scopi commerciali o che impattano direttamente o indirettamente sulla vita e le finanze dei clienti. Sappiamo che i metodi odierni, principalmente basati sulle simulazioni Montecarlo, ma anche sulle api tradizionale e generativa, hanno dei limiti intrinsechi di convergenza e accuratezza della risposta. In un mondo dove dobbiamo sempre di più abbracciare la complessità, una decisione obiettiva, reale diventa sempre più difficile. Quindi, in questo modo, come potrebbe entrare in gioco il quantum computing per indirizzare al meglio questa necessità?
Davide Corbelletto [00:05:22] Qui la parola chiave è casualità. E attraverso le tecniche simulativi, come quella che hai ricordato anche tu prima, il metodo Montecarlo. E possibile in ambito servizi finanziari stimare ad esempio l'apprezzamento di un certo strumento sul mercato oppure elaborare i cosiddetti stress test scenario. Tuttavia, simulazioni accurate richiederebbero la generazione di variabili casuali, cosa che sappiamo non poter essere realizzata con un hardware classico, il quale è in grado di generare numeri pseudo randomici. Ecco, questa limitazione può essere superata da un device quantistico con un effetto benefico sulla convergenza dei modelli anche in situazioni in cui il numero di scenari da generare è molto elevato.
Cristiano Matricardi [00:06:09] Ed ecco che iniziano a farsi chiari i casi d'uso dove si potrebbe beneficiare di un calcolo quantistico in finanza. Infatti basta cercare su qualsiasi motore di ricerca, “finanza quantistica” o “quantum finance” per perdersi in decine di articoli che parlano delle potenzialità di questa tecnologia. Infatti la narrativa è molto forte, strutturata al punto da dare vita a ingenti progetti di investimenti in tantissimi ambiti. Comunque la storia che abbiamo visto si sta ripetendo, infatti le soluzioni che abbiamo a disposizione tuttora non sono in grado di fornire un prodotto affidabile con un vero valore commerciale. Allo stesso tempo, i risultati preliminari, per quanto solidi, sono comunque immersi in un rumore tutt'altro che semplice da controllare. Ecco, per fare un paragone, ci troviamo allo stesso stato di sviluppo dei computer classici. Quando venne costruito Hellenic, il primo calcolatore classico con applicazioni reali, esso occupava una stanza di 180 metri quadrati, aveva un peso di 30 tonnellate e per utilizzarlo si compravano a caro prezzo minuti di calcolo. Trovate delle similitudini. Ecco, oggi come allora, le applicazioni preliminari servono sì per mettere le basi al futuro. Ma di cosa stiamo parlando concretamente?
Davide Corbelletto [00:07:34] Va precisato, è importante dirlo, il Quantum Computing non è un paradigma di computazione pensato per risolvere necessariamente meglio qualsiasi tipo di elaborazione o di calcolo. A nessuno, infatti, verrebbe in mente di prendere uno space shuttle, ancorché ciò sia teoricamente fattibile, per recarsi in villeggiatura. Lo space shuttle è invece indispensabile se uno vuole raggiungere la Luna o Marte. Ma siamo già in grado di andarci oggi, mantenendo questa metafora, sulla Luna? Su Marte? con un Quantum computer? Evidentemente no. Però qualche viaggetto nello spazio preparatorio lo possiamo già fare.
Cristiano Matricardi [00:08:12] Intesa San Paolo ha iniziato già da un po di tempo a fare questi piccoli “voli” preliminari nello spazio. Davide, ci potresti portare degli esempi di studi che sono stati fatti attraverso Intesa-San Paolo.
Davide Corbelletto [00:08:30] E noi ad esempio, come Intesa-San Paolo in particolare come centro di competenza su quanto un computer in collaborazione con l'Accademia Politecnico di Torino e un importante vendor di servizi computazione quantistica a IBM. Lo scorso anno abbiamo pubblicato due paper peer review che descrivono altrettante implementazioni di casi pratici in ambito servizi finanziari. Il primo riguarda la trasposizione quantistica del processo che utilizziamo per il calcolo del capitale economico a copertura del rischio credito. IL secondo lavoro, invece, riguarda la concezione di un algoritmo quantistico equivalente a quello classico per l'analisi delle componenti principali.
Cristiano Matricardi [00:09:20] In altre parole, quello che ci dice Davide è che è stato utilizzato nel primo caso il calcolo quantistico, per sostituire una simulazione che tuttora si fa con il metodo Montecarlo, ma che però può essere velocizzata utilizzando il calcolo quantistico. Nel secondo caso un algoritmo quantistico viene utilizzato per estrarre delle informazioni sui tassi di interesse e di cambio, quindi applicabili alla compravendita di beni sul mercato. Anche in questo caso il risultato è un calcolo molto più veloce ed efficiente. Ad ogni modo, per avere un quadro completo e non cadere nella trappola dell´hype dobbiamo considerare un ultimo aspetto fondamentale.
Davide Corbelletto [00:10:08] Ancorché evidentemente in entrambi i casi non sia stato possibile far altro che verificare in vitro, con un prototipo, la validità scientifica di quello che è stato sviluppato. Il codice sorgente è comunque pronto e lato nostro non resta che attendere risorse computazionali quantistiche sufficientemente capienti e stabili, soprattutto da un punto di vista della coerenza del calcolo, tali da poter eseguire questi questi algoritmi anche sui dataset sui quali sia possibile poi apprezzare effettivamente un vantaggio.
Cristiano Matricardi [00:10:41] Quest'ultimo problema ci riporta indietro nella terza puntata di questa serie, quando con Tommaso Clearco abbiamo visto come le infrastrutture siano uno dei temi centrali per poter promuovere lo sviluppo di tecnologie quantistiche. Quindi per infrastrutture si intendono tutti quei servizi o quei prodotti che permettono di utilizzare una data tecnologia. Ad esempio le reti telefoniche sono infrastrutture per poter sfruttare la comunicazione e la navigazione in internet. Ultimamente quindi, si parla di grandi investimenti e collaborazioni tra istituti finanziari e start up nel mondo quantum, che puntano a creare infrastrutture, ma potrebbe non essere abbastanza. Infatti a livello infrastrutturale abbiamo ancora dei grandi problemi, però potrebbe essere semplicemente la naturale evoluzione di questa tecnologia.
Davide Corbelletto [00:11:36] A livello infrastrutturale. E come se fossimo negli anni 50 del computer tradizionale, elaboratori quantistici ce ne sono ancora pochissimi. La loro tolleranza agli errori, lo abbiamo ricordato anche prima, è ancora troppo bassa e peraltro non sono interconnessi tra loro, attraverso, ad esempio una rete quantistica dedicata, una sorta di quantum internet. Ecco, il problema della scarsità delle risorse computazionali continuerà probabilmente a rappresentare una ISSUU ancora per diversi anni, o almeno fino a quando non ci sarà una convergenza su uno o più paradigmi costruttivi che permetteranno una produzione industriale sostenibile di questi laboratori. D'altra parte, però, io non è che mi stupisca molto se penso alla storia della computer science classica. In fin dei conti, se ci pensiamo, è solo dagli anni 70, ossia da quando sono stati introdotti i transistor al silicio che i computer si sono poi diffusi a livello enterprise e successivamente, a partire dagli anni 80, anche a livello consumer, entrando in tutte le nostre case. E ciò nonostante i primi elaboratori, lo abbiamo ricordato, fossero stati concepiti già nella seconda metà degli anni 40.
Cristiano Matricardi [00:12:52] La puntata di oggi finisce qui, con la consapevolezza che il calcolo quantistico sta entrando lentamente nella finanza e che potrà portare realmente dei cambi a livello strutturale dovuti al fatto che riusciamo ad analizzare una grandissima quantità di dati in tempo reale ed avvicinarci a una complessità mai raggiunta prima in un tempo molto più ristretto. Come sempre in questo podcast, ripetiamo, dobbiamo sviluppare uno spirito critico che ci fa capire quali sono gli attuali vantaggi, che cosa si sta facendo, ma soprattutto quali sono gli attuali limiti, come ad esempio il fatto che i vantaggi che si stanno riscontrando tuttora nel campo finanziario in ambito finanziario sono per lo più simulazioni di ottimizzazioni di processi che finora venivano risolti con i computer classici. Ed è questo che poi può realmente portarci ad aggiungere un altro mattone solido a questa tecnologia, senza creare muri di carta ma solide basi sulle quali costruire le nostre nuove tecnologie.
Qub.it è un podcast originale di Nature Italy, Scrittura e cura editoriale Cristiano Matricardi e Nicola Nosengo; Postproduzione e montaggio Cristiano Matricardi.
