振幅估计用来确定一个量子线路中某个特定结果所对应的振幅（以及由此得到的概率），所需的线路评估次数是经典蒙特卡洛采样在达到同等统计精度时所需次数的平方根量级，这与 Grover 算法在搜索问题上所利用的平方级加速模式是同一种；事实上，最初的振幅估计算法正是直接建立在 Grover 振幅放大技术与量子相位估计相结合的基础之上。经典蒙特卡洛方法的估计误差随样本数 N 按 1/√N 的比例下降，而振幅估计的误差则随对底层线路的调用次数 N 按 1/N 的比例下降，这正是其加速优势的来源。这正是大多数被提出的量子金融应用的理论基础，尤其是衍生品定价和投资组合风险估计，这两者在经典情形下都可以归结为蒙特卡洛估计问题。原始算法需要用到与量子相位估计一样的深线路，而这正是近期硬件力不从心之处，这也是为什么目前大多数实现都采用迭代式或仅基于振幅放大的变体，用一部分理论上的加速优势，换取足够浅、能够在 NISQ 设备上运行的线路。