Quantencomputing in der Finanzwirtschaft: Grundlagen, Potenziale und Herausforderungen
Quantencomputing gilt als potenzielle Revolution in der Finanzbranche: Es verspricht, komplexe Analysen mit einer Leistungsfähigkeit zu bewältigen, die traditionellen Computern nicht zur Verfügung steht (Dietz et al., 2020; Bova et al., 2023). Potenzielle Anwendungsgebiete des Quantencomputings sind sehr vielfältig und schließen beispielsweise das Portfoliomanagement, die Risikoanalyse, Unternehmensfinanzierung oder kundenorientiertere Analysen mit ein (Dietz et al., 2020). So können Finanzinstitute beispielsweise durch eine effektivere Analyse großer und unstrukturierter Datenmengen oder durch deutlich schnellere Monte-Carlo-Simulationen für Risikoanalysen profitieren (Dietz et al., 2020; Business Wire, 2021). Darüber hinaus kann Quantencomputing Banken dabei helfen, fundiertere Entscheidungen durch umfangreichere Risikoanalysen zu treffen und den Kundenservice zu verbessern, etwa durch die Bereitstellung individualisierter Angebote wie persönlich zugeschnittene Immobilienfinanzierungen (Dietz et al., 2020).
Beratungsunternehmen schätzen den möglichen Nutzen im Finanzsektor auf Abermilliarden: McKinsey prognostiziert, dass Einsatzszenarien bis 2035 rund 622 Milliarden USD Wert schöpfen könnten (siehe Abbildung 1) (Gschwendtner et al., 2023). BCG spricht von bis zu 70 Milliarden USD zusätzlichem operativem Gewinn für Banken über die nächsten Jahrzehnte (Bobier, 2020). Angesichts dieser Aussichten ist klar: Wer Quantencomputing heute ignoriert, riskiert langfristig, den Anschluss zu verlieren.
Der Blogbeitrag erklärt die Grundlagen des Quantencomputings, beleuchtet dessen vielfältige Potenziale und Anwendungsbereiche in der Finanzwirtschaft und diskutiert gleichzeitig die damit verbundenen technologischen, sicherheitsrelevanten und personellen Herausforderungen.
Grundlagen des Quantencomputings
Herkömmliche Computer (d.h., Computerchips oder Halbleiter) liefern bei gleichen Eingaben immer dieselben, exakten Ergebnisse, daher sind sie deterministisch. Quantencomputer hingegen arbeiten probabilistisch und liefern Ergebnisse auf Basis von Wahrscheinlichkeiten (Dietz et al., 2018; Shipilov, 2019). Die «Superposition» und «Verschränkung» sind die Schlüsselmechanismen für den enormen Rechen-«Speed-up» von Quantenalgorithmen (Dietz et al., 2020). Quantencomputer arbeiten mit Qubits («Quantum Bits»), die anders als klassische Bits bei zeitgenössischen Computerchips gleichzeitig den Zustand 0 und 1 annehmen können, was als sogenannte «Superposition» bezeichnet wird (Shipilov, 2019; Dietz et al., 2020). Ein System aus N Qubits kann theoretisch zwei hoch N Zustände parallel repräsentieren, was exponentiell mehr Rechenkapazität bedeutet als mit N klassischen Bits (Dietz et al., 2020). Beispielsweise können 4 Qubits gleichzeitig 16 Zustände kodieren (Shipilov, 2019), 300 Qubits sogar mehr mögliche Zustände repräsentieren als es Atome im Universum gibt (Dietz et al., 2020). Zusätzlich können Qubits miteinander «verschränkt» werden (Shipilov, 2019). Die Verschränkung («Quantenverschränkung») ist so zu verstehen, dass wenn zwei oder mehr Qubits so miteinander verbunden sind, dass der Zustand eines Qubits instantan den Zustand des anderen beeinflusst, unabhängig von der Entfernung zwischen ihnen (Dietz et al., 2020). Die Verschränkung wirkt sich auf die Verarbeitungsgeschwindigkeit von Quantencomputern aus (Dietz et al., 2020), weil sie es ermöglicht, dass viele Qubits korreliert sind. Dadurch können Quantencomputer Operationen an mehreren Qubits gleichzeitig ausführen, was ihre Rechenleistung deutlich erhöht (Quantum Zeitgeist, 2024). Ein zentrales theoretisches Beispiel, das sowohl das enorme Potenzial als auch die erheblichen Risiken des Quantencomputings verdeutlicht, ist Shors Algorithmus aus dem Jahr 1994 (Shor, 1994). Dieser Algorithmus zeigt, dass Quantencomputer sehr große Zahlen effizient faktorisieren können – eine Aufgabe, die für klassische Computer praktisch unlösbar ist. Da viele heutige Verschlüsselungsverfahren genau auf der Schwierigkeit der Faktorisierung großer Zahlen basieren, könnte ein leistungsfähiger Quantencomputer diese Sicherheitsmechanismen brechen (Shor, 1994; Ruane et al., 2022). Damit stellt Shors Algorithmus die Grundlage für die Befürchtung dar, dass viele der aktuell verwendeten Verschlüsselungsmethoden in Zukunft nicht mehr sicher sein könnten (Auer et al., 2024). Dies wird bereits als enormes Sicherheitsrisiko gesehen, da sensible Daten heute schon aufgezeichnet werden, um sie später mit stärkeren Quantenmaschinen zu entschlüsseln (Auer et al., 2024, Soutar et al., 2023). Ein Beispiel hierfür ist der sogenannte «Harvest Now, Decrypt Later»-Angriff: Angreifer stehlen heute verschlüsselte Daten und speichern sie, in der Hoffnung, sie in Zukunft mit leistungsfähigen Quantencomputern entschlüsseln zu können (Noone, 2023).
Potenziale und Anwendungsbereiche
Die Finanzwirtschaft bietet viele Einsatzfelder, in denen Quantenalgorithmen deutliche Vorteile bringen können. Ein besonders wichtiges Anwendungsgebiet ist die Portfoliooptimierung (Gschwendtner et al., 2023; FM Contributors, 2023). Dabei geht es darum, die Verteilung der Anlagen so zu gestalten, dass ein bestimmtes Ziel wie zum Beispiel eine maximale Rendite im Verhältnis zum Risiko (Sharpe-Ratio) erreicht wird (Albareti et al., 2022). Während sich das Problem der Portfolio-Optimierung in seiner einfachsten Form leicht lösen lässt, da es auf ein lineares Gleichungssystem reduziert werden kann, wird die Berechnung mit zunehmender Komplexität und zusätzlichen realistischen Einschränkungen deutlich anspruchsvoller (Albareti et al., 2022).
Auch im Risikomanagement kann Quantentechnologie eine Rolle spielen. Eine Monte-Carlo-Simulation auf Quantentechnologie könnte Risikosimulationen drastisch beschleunigen, was eine wesentlich schnellere Reaktion auf Marktveränderungen erlauben würde (Orús et al., 2019). Ähnlich profitieren die komplexe Bewertung von Derivaten und das Kreditrisikomanagement: Komplizierte Derivate, und deren Preisbestimmung könnte in Bruchteilen der herkömmlichen Zeit gerechnet werden (Business Wire, 2021; Orús et al., 2019). Im Kreditrisikomanagement zeigt sich das Potenzial von Quantencomputern beispielsweise darin, dass die spanische CaixaBank mithilfe eines Quantenalgorithmus Kreditrisikoprofile deutlich schneller und effizienter klassifizieren konnte als mit traditionellen Verfahren (Retail Banker International, 2020).
In der Cybersecurity und Kryptografie erwarten Experten gleichermaßen Chancen und Bedrohungen. Quantencomputer können bestehende Verschlüsselung (z.B. RSA, ECC) brechen (Auer et al., 2024, Soutar et al., 2023). Dies zwingt die Branche zu Vorbereitungen auf „post-quantensichere“ Verfahren («Post-Quantum Cryptography»; PQC) und zu Investitionen beispielsweise in Quantum Key Distribution («quantensichere Schlüsselverteilung») für langfristige Datensicherheit. Gleichzeitig eröffnen Quantenverfahren neue Möglichkeiten im Bereich der Sicherheit: So könnte etwa mit Quantenalgorithmen die Erkennung von Betrug und Anomalien (z.B. Geldwäsche) durch Analyse riesiger Transaktionsdaten in Echtzeit verbessert werden (vgl. Chen et al., 2023).
Neben diesen Hauptanwendungsbereichen gibt es weitere potenzielle Einsatzmöglichkeiten, etwa die Beschleunigung von Liquiditätssimulationen im Treasury oder spezialisierte Blockchain- und Smart-Contract-Lösungen auf Quantenbasis zur Verbesserung der Sicherheit (Gschwendtner et al., 2023).
Beispiele aus der Praxis
Große Finanzhäuser bereiten sich bereits konkret vor. So arbeitet Goldman Sachs seit einigen Jahren mit dem Startup QC Ware und dem Quantenhersteller IonQ zusammen (Business Wire, 2021)). Im September 2021 veröffentlichten die Partner eine Machbarkeitsstudie, in der sie zeigten, dass heutige Quantenhardware Monte-Carlo-Algorithmen für Preissetzung und Risiko simulieren kann (Business Wire, 2021). JPMorgan Chase gilt laut Branchenanalyse als Spitzenreiter beim Quanten-Engagement. 2025 berichtet Finextra, dass JPMorgan zwei Drittel aller Quanten-Stellenangebote in 50 analysierten Großbanken und über die Hälfte der quantenbezogenen Publikationen in der Branche ausmache (Finextra Research, 2025). Zudem errichtete JPMorgan ein eigenes quantensicheres Kommunikationsnetzwerk zwischen Rechenzentren, um sich schon heute gegen künftige Bedrohungen zu wappnen (JPMorgan, 2023). Die UBS investiert darüber hinaus in Quantenforschungsverbunde (etwa mit CERN und der Schweizer Regierung), um etwa komplexe Risikosimulationen und Nachhaltigkeitsbemühungen zu beschleunigen (UBS, 2023). Die UBS-Analysten schätzen den Gesamtmarkt für Quantencomputing bis 2030 auf 300 bis 400 Milliarden USD (Boughedda, 2025). In Summe zeigen diese Beispiele: Die großen Banken bauen gezielt Teams und Kooperationen auf, um sich einen Vorsprung zu sichern (Finextra Research, 2025).
Herausforderungen
Der Sprung zum praktischen Quantenvorteil ist jedoch mit erheblichen Hürden verbunden. Im Vordergrund steht die Technologie und die Skalierung der Qubits für immer komplexere Berechnungen. Im Jahr 2025 hat sich die Quantencomputertechnologie erheblich weiterentwickelt. Während frühe Systeme 50 bis 100 Qubits aufwiesen, auch als NISQ oder Noisy Intermediate-Scale Quantum bezeichnet (Preskill, 2018), haben aktuellere Entwicklungen im Quantencomputing deutlich höhere Qubit-Zahlen ereicht, wie beispielsweise der 1.000-qubit Quantum Chip von IBM (vgl. Castelvecchi., 2023). Mit zunehmender Rechenkapazität erhöhen sich potenzielle Fehlerraten. Selbst winzige Störeinflüsse können Quantenberechnungen zum Absturz bringen (Dietz et al., 2020). Analysen, diese zu minimieren, sind bereits in vollem Gange (vgl. Google Quantum AI and Collaborators, 2025). UBS und andere Experten betonen, dass Qubit-Stabilität und Fehlerraten derzeit die Skalierbarkeit hemmen (Boughedda, 2025).
Ein zweiter großer Risikofaktor ist die Cybersicherheit. Experten warnen, dass Finanzinstitute jetzt schon gegen potenzielle „Harvest-and-Decrypt“-Angriffe vorgehen müssen. Die Bedrohung durch Quantenkryptoangriffe erfordert dringende Vorbereitung, etwa die Entwicklung quantensicherer Kryptoverfahren, denn ein erfolgreicher Angriff auf ein Zahlungssystem könnte weltweite Auswirkungen im Billionenbereich haben (Soutar et al., 2023). Banken müssen daher zugleich in Quantenalgorithmen zur Angriffserkennung investieren und ihre Datensicherheit robust neu aufstellen.
Drittens fehlt es an Fachkräften und Know-how. Die Nachfrage nach Quanteninformatikern, Physikern und Mathematikern wächst rasant, doch das Angebot hält kaum Schritt. McKinsey stellte 2022 fest, dass die Investitionen in Quanten-Start-ups explodieren, während der Pool qualifizierter Experten hinterherhinkt (Masiowski et al., 2022). Große Institute konkurrieren bereits um Quanten-Talente. Fachkräfte mit gemischten Finanz- und IT-Kenntnissen sind stark gefragt. Dieser Mangel verzögert die Entwicklung praxistauglicher Anwendungen und erfordert teure Aufbauprogramme.
Zusätzlich ergeben sich organisatorische und regulatorische Herausforderungen: Finanzunternehmen müssen ihre IT-Architekturen anpassen und Compliance-Fragen klären, wenn vertrauliche Algorithmen in der Quanten-Cloud laufen. Auch die Frage der Standardisierung für Quantenalgorithmen und -Schnittstellen ist noch ungelöst. All diese Aspekte müssen parallel zu Forschung und Pilotprojekten adressiert werden, damit der Rollout später reibungslos gelingt.
Quantencomputing eröffnet der Finanzbranche große Chancen, um vielfältige Aufgaben schneller und leistungsfähiger zu bewältigen – sei es bei komplexen Berechnungen, Entscheidungsfindungen oder neuen Technologien. Gleichzeitig bestehen weiterhin technische, sicherheitsrelevante und personelle Herausforderungen, die gelöst werden müssen, damit die Technologie ihr volles Potenzial entfalten kann. Die Innovationen im Quantenbereich schreiten jedoch kontinuierlich voran, was zu verbesserten Qubit-Stabilitäten, geringeren Fehlerraten und effizienteren Algorithmen führt und damit neue, praktisch umsetzbare Anwendungen ermöglicht.
Referenzen
Auer, R., Dupont, A., Gambacorta, L., Park, J. S., Takahashi, K., & Valko, A. (2024). Quantum computing and the financial system: Opportunities and risks (BIS Papers No. 149). Bank for International Settlements. https://www.bis.org/publ/bppdf/bispap149.pdf.
Bobier, J.-F., Binefa, J.-M., Langione, M., & Kumar, A. (2020). It’s time for financial institutions to place their quantum bets. Boston Consulting Group. https://www.bcg.com/publications/2020/how-financial-institutions-can-utilize-quantum-computing.
Boughedda, S. (2025). Quantum computing to hit a market cap of $300–400B by 2030: UBS. Investing.com. https://www.investing.com/news/stock-market-news/quantum-computing-to-hit-a-market-cap-of-300400b-by-2030-ubs-3824252.
Bova, F., Goldfarb, A., & Melko, R. (2023). The business case for quantum computing. MIT Sloan Management Review. https://sloanreview.mit.edu/article/the-business-case-for-quantum-computing/.
Business Wire. (2021). Goldman Sachs, QC Ware and IonQ demonstrate quantum algorithms proof-of-concept that could revolutionize financial services, other industries. https://www.businesswire.com/news/home/20210921005441/en/Goldman-Sachs-QC-Ware-and-IonQ-Demonstrate-Quantum-Algorithms-Proof-of-Concept-That-Could-Revolutionize-Financial-Services-Other-Industries.
Castelvecchi, D. (2023). IBM präsentiert erstmals Quantenchip mit über 1.000 Qubits. Nature. https://doi.org/10.1038/d41586-023-03854-1.
Dietz, M., Henke, N., Moon, Backes, J., J., Pautasso, L., & Sadeque, Z. (2020). How quantum computing could change financial services. McKinsey & Company. https://www.mckinsey.com/industries/financial-services/our-insights/how-quantum-computing-could-change-financial-services.
Finextra Research. (2025). JPMorgan leads quantum computing arms race. https://www.finextra.com/newsarticle/45688/jpmorgan-leads-quantum-computing-arms-race.
FM Contributors. (2023). Harnessing quantum computing for financial analysis and risk management. Finance Magnates. https://www.financemagnates.com/fintech/data/harnessing-quantum-computing-for-financial-analysis-and-risk-management/
Goldman Sachs, QC Ware & IonQ. (2021). Goldman Sachs, QC Ware und IonQ demonstrieren Proof-of-Concept für Quantenalgorithmen, die Finanzdienstleistungen revolutionieren könnten. Business Wire. https://www.businesswire.com/news/home/20210921005441/en/Goldman-Sachs-QC-Ware-and-IonQ-Demonstrate-Quantum-Algorithms-Proof-of-Concept-That-Could-Revolutionize-Financial-Services-Other-Industries.
Google Quantum AI and Collaborators (2025). Quantum error correction below the surface code threshold. Nature 638, 920–926. https://doi.org/10.1038/s41586-024-08449-y.
Gschwendtner, M., Morgan, N., & Soller, H. (2023). Quantum technology use cases as fuel for value in finance. McKinsey & Company. https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/tech-forward/quantum-technology-use-cases-as-fuel-for-value-in-finance.
JPMorgan (2023). Firm establishes quantum-secured crypto-agile network. JPMorgan. https://www.jpmorgan.com/technology/news/firm-establishes-quantum-secured-crypto-agile-network.
Masiowski, M., Mohr, N., Soller, H., & Zesko, M. (2022). Quantum computing funding remains strong, but talent gap raises concern. McKinsey & Company. https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/quantum-computing-funding-remains-strong-but-talent-gap-raises-concern.
Noone, G. (2023). Are harvest now, decrypt later cyberattacks actually happening? Tech Monitor. https://www.techmonitor.ai/hardware/quantum/harvest-now-decrypt-later-cyberattack-quantum-computer.
Orús, R., Mugel, S., & Lizaso, E. (2019). Quantum computing for finance: Overview and prospects. Reviews in Physics, 4, 100028. https://doi.org/10.1016/j.revip.2019.100028.
Preskill, J. (2018). Quantum computing in the NISQ era and beyond. Quantum, 2, 79. https://doi.org/10.22331/q-2018-08-06-79.
Quantum Zeitgeist. (2024). Quantum computing basics: Understanding qubits and superposition. Quantum Zeitgeist. https://quantumzeitgeist.com/quantum-computing-basics-understanding-qubits-and-superposition/.
Retail Banker International. (2020, November 16). CaixaBank uses quantum computing to classify credit risk profiles. https://www.retailbankerinternational.com/news/caixabank-uses-quantum-computing-to-classify-credit-risk-profiles/.
Ruane, J., McAfee, A., & Oliver, W. D. (2022). Quantum computing for business leaders. Harvard Business Review. https://hbr.org/2022/01/quantum-computing-for-business-leaders.
Shipilov, A. (2019). The real business case for quantum computing. INSEAD Knowledge. https://knowledge.insead.edu/strategy/real-business-case-quantum-computing.
Shor, P. W. (1994). Algorithms for quantum computation: Discrete logarithms and factoring. In Proceedings 35th Annual Symposium on Foundations of Computer Science (pp. 124–134). IEEE. https://doi.org/10.1109/SFCS.1994.365700.
Soutar, B., Dannemiller, D., Buchholz, S., & Bhuta, M. (2023). Quantum computing in financial services. Deloitte Insights. https://www2.deloitte.com/us/en/insights/industry/financial-services/financial-services-industry-predictions/2023/quantum-computing-in-finance.html.
UBS. (2023). UBS kooperiert mit dem CERN, EDA und GESDA, um Quantencomputing zu fördern, um die UN-Ziele für nachhaltige Entwicklung zu erreichen. https://www.ubs.com/global/de/media/display-page-ndp/de-20231013-oqi.htmlSpain+3Spain+3Spain+3.
