量子计算发Paper这件事，我知道你很急，但你先别急

最近看到一篇关于"基于量子计算的指数跟踪策略应用研究"的文章，作者团队来自基金、银行科技以及量子计算企业。先说结论：这个方向选的很好。

基金公司开始探索量子计算，并尝试将其纳入下一代投研基础设施，这是一个积极信号。过去几年，人工智能、大模型正在改变金融机构的数据处理、研究分析方式，而量子优化可能成为未来解决复杂组合优化问题的新工具。

从问题选择来看，指数跟踪确实是量子计算比较适合探索的场景。投资组合构建中存在大量离散决策问题：选哪些股票、如何满足权重约束、如何控制风险暴露。当资产数量越来越大、约束条件越来越复杂时，传统优化方法会面临计算效率和求解质量之间的平衡问题。将这些问题转化为QUBO模型，并探索新的计算方式，具有一定研究价值。

但问题是：是不是依然需要沉下心多做些金融研究？

金融领域最重要的不是用了多先进的技术，而是最终结果是否经得起验证。"名词"可以很未来，但金融仍然需要遵守最基本的方法论。

Too Good to be Trust

这篇文章最大的疑问，不是量子计算能不能用于金融，而是结果漂亮得让人有些不安。

文章优化目标是跟踪误差（Tracking Error）最小化，本质上是希望组合尽可能接近指数，而不是主动寻找超额收益。但最终结果显示，量子算法不仅跟踪误差最低，同时收益最高、波动最低、最大回撤最低、夏普比率最高。

这就需要多问一句：这个alpha到底来自哪里？

举一个简单的例子。

用扫地机器人替代人工扫地，目标只是把家扫干净。结果机器人不仅把地扫干净了，还从床底扫出了100块钱。那么，这100块钱应该归因于扫地机器人技术先进吗？

金融回测也是一样。

一个算法在历史数据中找到一个表现优秀的组合，并不一定代表它具备持续创造收益的能力，也可能只是因为它拥有更强的搜索能力，在大量历史组合中找到了一条过去有效的路径。

尤其是在有限选股指数跟踪问题中，从股票池中选择组合，本身就存在巨大的搜索空间。如果没有严格的样本外验证、滚动回测、参数敏感性分析，就容易把"历史上的幸运组合"误认为"算法带来的投资能力"。

作为金融机构发布的研究，量化回测本应该是基本功。技术创新值得鼓励，但不能因为披上了"量子"的外衣，就降低金融研究的标准。

And... To Be Honest, 作为金融机构，我觉得应该清楚的知道为什么"历史业绩不代表未来"的。

大样本、多约束，多些Dirty Work

如果量子优化想证明自己的长期价值，真正的应用场景不应该只是上证50。

50只股票更像一个技术验证场景。真正困难的问题，是更大的股票池、更复杂的约束条件，以及更接近真实资产管理流程的投资决策。

例如中证1000、全市场选股。当股票数量从几十扩大到几百、几千时，组合搜索空间会快速增加。同时，机构投资组合还需要满足大量现实约束：

• 行业中性、市值中性、风格暴露控制

• 流动性约束、换手率限制、交易成本约束

• 越来越重要的公司治理、ESG等非财务因素

• 以及这些因子的数据化的Dirty Work

这些条件叠加以后，问题就从简单的"选股票"变成了多目标、多约束的复杂优化问题。这才是量子优化可能真正体现价值的地方。

主动管理领域的机会

更值得关注的是主动管理领域。

近期中国基金监管推动业绩比较基准改革，强调基金产品需要更加明确投资目标，加强基准约束，减少风格漂移。未来基金经理需要更加清楚地回答：

1. 收益来自哪里？

2. 承担了什么风险？

3. 超额收益是否稳定？

在这样的背景下，量子优化真正有意义的方向，可能不是简单复制指数，而是在明确基准和风险约束下寻找稳定alpha。

例如：

• 在行业中性、市值中性的条件下寻找超额收益；

• 在控制跟踪误差的情况下优化主动组合；

• 在多资产、多周期、多约束环境中提高信息比率。

这些问题才是资产管理机构真正愿意投入资源解决的问题。

所以，量子计算进入金融值得期待，但不要急着宣布革命已经发生。

未来真正优秀的量子金融应用，不应该只是证明"机器可以找到一个过去最漂亮的组合"，而应该证明：

在更复杂、更真实、更接近未来市场的不确定环境中，它能够帮助投资者完成过去难以完成的决策。

毕竟，金融最大的挑战，从来不是找到一个过去赢的方法，而是在未来还能继续赢。

作者：微妙的真相 | 编辑：栗加

每个视角都是拼凑世界真相的碎片，听真诚的行业观察者讲述独特的故事。我们有深耕行业的资深顾问，连续跨界探索的未来创业者，专注细节的产品匠人，和许多志同道合的你们，如果你有想要分享的故事或者感想，可以留言或者邮件联系（AiysJY@outlook.com），也欢迎点分享给需要的朋友们，记得点一下在看和星标，期待共同在这个行业的宏大叙事中，留下一句诗。：）