淺談量子金融新天地

近期量子電腦的最新進展與各種可能應用，以相當高的頻率出現在媒體上，幾乎每隔幾天就有新消息面世，連2025年諾貝爾物理學獎都表彰3位得主John Clarke、Michel H. Devoret和John M. Martinis，在超導電路中實現宏觀量子力學穿隧效應與能量量子化現象，為量子計算、量子電腦和量子通訊等領域建立重要基礎。

同樣在2025年底，金管會公布金融資安韌性發展藍圖，規劃2026年上半年發布金融業後量子密碼學（PQC）遷移參考指引，並持續調整更新內容。顯然量子科技為金融業帶來的影響，已逐漸從未來式轉變為現在進行式。量子電腦與傳統電腦之間究竟有什麼重大區別？量子資訊技術在金融領域又有哪些深具潛力的應用方向？

量子電腦並非只是一部運算速度比較快的電腦，而是一種本質上迥異於傳統電腦的計算機器。傳統矽基電腦的運作依賴電晶體開關的組合邏輯；量子電腦的運作則基於量子力學中的微觀物理現象，這些現象包括「量子疊加」（Superposition），也就是在觀察或測量之前，一個量子系統可同時以多個可能狀態的形式存在，這個特性使得像電子這樣的次原子粒子看似分身有術，能同時身處兩個不同地方。另外一個獨特的微觀現象稱為「量子糾纏」（Entanglement），也就是相干（Coherence）的兩個（或多個）粒子可瞬間相互影響，彷彿有心電感應。

傳統電腦的基本資訊單位是「位元」（bit）。位元僅有兩種狀態，非0即1。量子電腦的基本資訊單位是「量子位元」（qubit），其狀態可以處於「0」與「1」的「疊加態」。我們也許可以把「量子疊加」想成「同時保留多個選項的計算狀態」，在計算過程中利用所謂干涉（Interference）的效果，把不好的候選答案「削弱」，將較佳的候選答案「增強」。就像兩道波疊合在一起時，有些位置振福加大，有些位置則互相抵消，不過最終一經測量，就會塌縮（Collapse）成確定的狀態。如果將傳統位元的狀態0與1比喻成硬幣的正面與反面，則量子位元就像正在旋轉中的硬幣──在最後觀測之前，兩種狀態同時以某種機率存在；等到一掌拍下，必定只會看到一種狀態，不是正面，就是反面。

此外，不同量子位元之間還可藉由量子糾纏產生緊密的聯繫。如果說量子疊加是「一個系統同時保留多種可能」，那量子糾纏就如同「多個系統共享同一個整體狀態」。也就是說，當不只一個量子位元存在時，任一量子位元的狀態無法獨立於其他量子位元而單獨描述。觀測其中一個量子位元的結果，會立即影響到其他量子位元的結果，無論它們相距多遠。這種糾纏關係使得量子電腦能有效捕捉變數之間的高度相關性，帶來比傳統電腦更強大的資料關聯與壓縮能力，是量子計算的關鍵特徵。

由此可見，量子電腦並不單純只是傳統電腦的加速版本，而是由完全不同的計算邏輯架構支撐。其之所以能在解決某些特定類型問題中取得優勢，是因為透過疊加性達成指數級的並行能力（n個量子位元可同時表示2的n次方個狀態），又可透過糾纏特性表示多個變數間的複雜相依關係。現在已有某些量子演算法對解決特定問題極有效率，例如著名的Shor演算法，理論上可對當前廣泛使用的公鑰密碼術如RSA與ECC（橢圓曲線密碼，用於比特幣區塊鏈的數位簽章）構成重大威脅。大略來說，量子電腦有利於處理高維度多變量數據，解決搜尋或模擬等類似問題。但對許多目前沒有已知量子優勢演算法的日常運算，量子電腦就不見得快多少，反倒可能增加額外的成本。

金融業不乏高維度的龐大數據集，許多問題的解決方案又都和搜尋（例如最佳化投資組合與資產配置）或模擬（例如衍生性商品訂價與風險管理）有關，而這正是適合量子電腦大展拳腳的場域。這類問題往往變數繁多，模型複雜，需要耗費大量的運算資源，導致傳統電腦處理的時間過長，難以及時獲取合理的結果。但如使用量子電腦搭配合適的量子演算法，就可望快速找到一個接近最佳的答案。

例如隨著金融市場資產種類與資料維度的大幅增加，傳統演算法在處理大規模投資組合最佳化問題時已逐漸捉襟見肘。因為當資產數量增加時，所需的運算時間與運算資源會呈指數成長。目前被認為可應用於投資組合最佳化的量子技術分為兩大類，一類是量子啟發式演算法，如量子近似最佳化演算法（Quantum Approximate Optimization Algorithm, QAOA），摩根大通銀行（J.P. Morgan）即與IBM Quantum合作，研究將投資組合問題轉化為QAOA格式，並模擬其於IBM Qiskit架構下的表現，顯示量子方法在特定條件下可超越古典演算法。另一類技術是量子退火（Quantum Annealing），適用於獲取組合最佳化問題的快速近似解。西班牙BBVA已與D-Wave合作針對資產配置進行實驗，成功於短時間內求得近似解，驗證量子退火在資產配置問題面對實務約束（如交易限制）時的可行性。

而在金融風險管理的領域，其核心任務是針對不確定性的量化與控制，包括市場風險、信用風險與操作風險等。傳統風險評估方法仍然仰賴蒙地卡羅模擬，尤其在估算風險值（VaR）與條件風險值（CVaR）等指標時，需產生大量隨機樣本並反覆模擬資產價格路徑，計算在極端市場情境下可能造成的最大損失。然而，這類模擬在資產種類與風險因子增加時的計算複雜度呈指數成長，因此又出現量子計算登場的時機。量子振幅估計（Quantum Amplitude Estimation, QAE）是解決金融風險量化問題中最具代表性的量子演算法之一，其主要優勢在於提供比傳統蒙地卡羅方法更快的收斂速度。

此外，金融交易異常偵測對於金融業來說也極其重要，偵測範圍包括詐欺交易識別、極端市場波動預警、洗錢防制等場景。但傳統的統計方法與機器學習模型，並不善於處理這類屬於低頻事件，訓練資料稀少且類別極度不平衡的問題類型，於是量子機器學習（QML）就有用武之地了。發展中的QML模型包括量子支援向量機（Quantum SVM）與量子神經網路（Quantum Neural Network）。QML的優勢之一在於訓練資料樣本偏少時，仍能保有模型的一般化能力，也就是對訓練樣本外資料的判斷能力。例如量子支援向量機即可利用量子干涉增強不同類別之間的區分性，從而在資料不平衡的條件下仍維持良好辨識效能。

量子電腦雖然深具推動金融創新的潛力，然而亦為金融業帶來新的挑戰。當務之急是傳統加密方式在量子電腦出現後可能被快速破解，進而威脅銀行的交易與支付系統，以及客戶的個資安全。雖然何時才會出現具備足夠規模與穩定性，能夠在合理時間內破解現有主流公鑰密碼系統的量子電腦，現在沒人說得準，但金融機構對於此一威脅應該立即展開準備。舉例來說，如果一份資料距離其保密年限還有15年，而量子電腦在10年後才發展成熟，那麼這份資料的安全問題並非10年後才出現，而是今天就存在了。因為攻擊者可以今天先竊取加密資料，等手上有了堪用的量子電腦再解密資料，這種手法被稱為「先蒐集、後解密」（HNDL）。這也就是雖然量子電腦尚未商轉，而主管機關已開始規劃發布金融業後量子密碼學遷移參考指引的原因。

簡單來說，量子電腦是一種全新的運算模式，可在解決某些特定問題上凸顯優勢，但不至於在短期內取代傳統電腦。對金融業而言，最需優先行動的反而是後量子密碼的安全轉型計畫與治理機制，而非期待量子電腦立即帶來全面的運算革命。

面對量子電腦的時代即將來臨，金融業也許可以先試著理解技術與限制，讓決策高層與營運團隊掌握量子運算的長處與短處。接著優先考慮傳統電腦較吃力、使用量子電腦可能受益的領域（例如前述的投資組合最佳化、資產配置、衍生性金融商品訂價、風險管理、信用評等、金融交易異常偵測等），挑選潛在的應用場景，小規模實驗其可行性。在這個過程中，可嘗試與專家學者或科技廠商合作，以克服早期的技術與人才落差。重點也許是要把量子金融創新視為長期工程，逐步累積經驗與改善方法論，投資必要的基礎建設，並持續培養內部人員的技能。（作者為台灣金融研訓院金融研究所所長）