La computación cuántica se acerca a la optimización de carteras

La computación cuántica a menudo se describe como una forma completamente nueva de computación que podría resolver problemas que de otro modo serían intratables con la computación tradicional binaria basada en silicio.

Hasta ahora, la computación cuántica ha sido una tecnología prometedora, pero sigue enfrentando un desafío de ingeniería fundamental. El estado de la materia extremadamente frágil que debe mantenerse para que la computación cuántica funcione implica que es costosa y no muy escalable.

También significa que los resultados obtenidos son “ruidosos”, con errores frecuentes, demoras y resultados poco fiables.

Varias innovaciones podrían significar que ya sea una red de computadoras cuánticas más pequeñas o una nueva arquitectura de diseño de hardware, que utiliza un nuevo estado de la materia llamado topoconductores, que permite la escalabilidad, podrían resolver el problema.

Pero esto también podría ser un problema conceptual. La mayoría de los proyectos de computación cuántica buscan reemplazar completamente las soluciones de computación tradicionales con aquellas basadas en la cuántica. Sin embargo, en la práctica, la resolución de problemas más estrechos podría generar casos de uso funcionales para la computación cuántica antes.

Un estudio reciente de investigadores de la Chungbuk National University (Corea del Sur) y la Duy Tan University (Vietnam) comparó tres métodos diferentes para aprovechar la computación cuántica. Encontró que uno, el recocido cuántico, “demuestra una preparación operativa significativa a corto plazo” para la optimización de carteras financieras.

Esto podría indicar que los métodos iterativos basados en puertas, favorecidos por la mayoría de la investigación en computación cuántica y que requieren un número masivo de qubits, podrían no ser la dirección correcta para la industria, al menos a corto plazo.

Publicaron sus hallazgos en ICT Express¹, bajo el título “A comprehensive survey of quantum computing approaches for portfolio optimization in FinTech”.

Computación Cuántica para la Optimización de Carteras

Problemas Demasiado Complejos para Resolver

La optimización de carteras es un problema central y computacionalmente intensivo en las finanzas modernas y una piedra angular de la industria FinTech. Cuando se introducen restricciones realistas

(seleccionar un número fijo de activos, costos de transacción, o la inclusión de métricas no financieras como puntuaciones ESG) rápidamente se convierte en un problema combinatorio cada vez más difícil que puede hacer que la optimización exacta sea poco práctica a medida que aumenta el número de activos y restricciones.

Esto es especialmente cierto cuando aumenta el número de activos disponibles; el espacio de soluciones se expande exponencialmente.

Así que en la práctica, esto no es algo que pueda calcularse directamente para carteras a gran escala gestionadas por fondos institucionales, fondos de cobertura y asesores robóticos automatizados, con muchas reglas empíricas y decisiones manuales utilizadas en lugar de modelos matemáticos.

Las Muchas Formas de Realizar la Computación Cuántica

El núcleo de la computación cuántica es el qubit, que puede existir en una superposición de estados. Los algoritmos cuánticos manipulan superposiciones de estados de modo que la interferencia aumenta la probabilidad de medir soluciones útiles. Esto no significa que cada respuesta posible pueda simplemente calcularse y recuperarse simultáneamente.

Han surgido tres métodos principales para usar esta propiedad cuántica y realizar cálculos útiles en el mundo real, especialmente para la optimización de carteras:

El primero es el Recocido Cuántico (QA), un paradigma especializado de computación cuántica diseñado específicamente para abordar problemas de optimización complejos. Su función principal es encontrar la configuración de energía mínima, o estado fundamental, de un sistema físico.

Esta especificidad hace que el QA sea más eficiente y crea un atajo hacia configuraciones de menor energía. Para aplicar el QA de manera práctica, un problema financiero debe mapearse a una estructura matemática compatible, más comúnmente el modelo QUBO.

“A diferencia de los modelos basados en puertas que pueden requerir un control de pulsos de gran precisión, el QA permite un flujo de trabajo de enviar y recuperar donde la definición completa del problema (matriz) se carga una sola vez.”

Algoritmos Cuánticos Variacionales (VQAs) son bucles de optimización híbridos cuántico‑clásicos que iteran entre un procesador cuántico y un optimizador clásico.

Como tal, el tiempo total de ejecución no está determinado únicamente por los tiempos de coherencia de los qubits, sino también por la latencia de la red acumulada a lo largo de miles de iteraciones. Esta penalización por latencia representa un cuello de botella arquitectónico significativo para aplicaciones de trading de alta frecuencia.

También debe señalarse que un enfoque emergente es la combinación sinérgica de VQAs basados en puertas y recocido cuántico.

“En tal marco, un recocedor cuántico podría usarse para encontrar un estado inicial de alta calidad o para pre‑procesar un paisaje de optimización difícil, proporcionando un punto de partida sólido para un posterior bucle de optimización VQA en una máquina basada en puertas.”

Aprendizaje Automático Cuántico (QML) es un método con un paradigma arquitectónico distinto centrado en la representación de datos. Esto traslada el cuello de botella computacional de encontrar un estado fundamental a la fase de entrenamiento, donde los datos financieros de alta dimensión deben codificarse en estados cuánticos mediante mapas de características.

Puede usarse en situaciones donde descubrir relaciones complejas y no lineales en los datos financieros es una ventaja significativa. Lo convierte en una herramienta poderosa para el análisis de riesgos y la generación de escenarios (con un submétodo llamado Quantum Circuit Born Machine – QCBM), así como para predecir movimientos del mercado o clasificar activos basándose en perfiles de riesgo (con un submétodo llamado Quantum Support Vector Machine (QSVM).

Fuente: ICT Express

Encontrando la Mejor Herramienta Cuántica

Optimización de la Computación Cuántica

De un total de 423, el investigador seleccionó 30 estudios diferentes para analizarlos y ayudar a comparar distintos métodos de computación cuántica.

El primer hallazgo fue que, dado que una restricción clave es mapear eficientemente las reglas financieras al hardware cuántico, la investigación está pasando de modelos ineficientes basados en penalizaciones a una imposición arquitectónica, lo que maximiza el uso efectivo de los qubits limitados. Generalmente se hace incrustando límites operacionales directamente en la pila hardware‑software o en el ansatz de circuito.

Para abordar los límites de escalabilidad de los dispositivos NISQ, investigaciones recientes proponen arquitecturas distribuidas heterogéneas que utilizan diferentes tipos de procesadores cuánticos para distintas etapas de la cadena de optimización.

Esto puede tomar muchas formas, por ejemplo, un modelo híbrido de recocedor‑puerta o los protocolos de orquestación y sincronización para gestionar la carga de trabajo entre un recocedor y una QPU basada en puertas.

Medición del Rendimiento

Para clasificar las diferentes soluciones de computación cuántica para la optimización de carteras, los investigadores utilizaron tanto los benchmarks citados en la literatura como los solucionadores clásicos de última generación.

Descubrieron que, en general, las primeras aplicaciones financieras comercialmente útiles podrían surgir del recocido cuántico.

https://www.quera.com/glossary/ansatz

Esto se debe a que el recocido cuántico soporta restricciones de desigualdad nativas y modelos de envío en la nube de una sola vez que minimizan la latencia de comunicación.

En contraste, otros métodos ven que la sobrecarga de red a menudo supera el tiempo de ejecución cuántico o están limitados por la alta latencia de la preparación del estado.

Cálculos Híbridos Cuántico‑Clásicos

Lo que también surge es que los enfoques híbridos que combinan la computación cuántica con la clásica funcionan mejor por una variedad de razones:

• Mitigación de la latencia de red, con los investigadores proponiendo optimizadores clásicos co‑ubicados con la QPU o modelos de envío de una sola vez.
• Manejo de restricciones eficiente en recursos: en lugar de ajustar meticulosamente los pesos de penalización, lo que puede ocultar las soluciones más óptimas, el manejo nativo de restricciones permite la optimización de carteras a escala institucional con mayor fidelidad de solución.
• Mapeo tarea‑hardware: en lugar de intentar resolver todo con un solo tipo de hardware, el recocedor realiza una descomposición global computacionalmente intensiva y el procesador basado en puertas maneja la agregación local de gran detalle.

Así, el proceso ideal para desarrollar soluciones de computación cuántica podría ser primero identificar el método ideal para un problema dado, y luego desarrollar un modelo que fusione estas herramientas cuánticas con herramientas clásicas en una solución híbrida.

Por lo tanto, la arquitectura, la latencia y el manejo de restricciones podrían importar tanto, o incluso más, que el rendimiento del hardware cuántico utilizado.

Fuente: ICT Express

Es probable que esto siga siendo cierto mientras el principal obstáculo en la computación cuántica sean las limitaciones de hardware y el ruido: recuentos limitados de qubits, lo que limita el tamaño del problema, mientras que el ruido degrada la calidad de la solución.

También coincide con la experiencia práctica, donde prácticamente todas las aplicaciones contemporáneas a gran escala de QUBO o CQM se ejecutan en sistemas híbridos cuántico‑clásicos.

Por lo tanto, el investigador concluye que este enfoque sinérgico es esencial para abordar problemas relevantes para la industria con el hardware de computación cuántica actual.

¿Es Necesaria la Computación Cuántica?

Un último dato interesante en este estudio es la comparación de la computación cuántica con otros métodos de computación innovadores.

Por ejemplo, se analizan arquitecturas aceleradas por GPU masivamente paralelizadas que pueden superar radicalmente a las herramientas de cálculo normales. Este método también puede eludir el cuello de botella de latencia de red de los sistemas cuánticos basados en la nube.

“Los solucionadores de primer orden basados en GPU pueden lograr aceleraciones de tiempo de ejecución de hasta 12.9x en configuraciones de un solo período y 48x en configuraciones multiperiodo respecto a solucionadores clásicos exactos de alto rendimiento como MOSEK 11.0”

Las GPU incluso pueden usarse para simular resultados que normalmente se obtienen con computadoras cuánticas. En particular, el Enfriamiento Simulado Paralelo acelerado por GPU (PSA) y la Optimización por Enjambre de Partículas (PSO) pueden aprovechar miles de núcleos para lograr una convergencia casi en tiempo real. Por ejemplo, los núcleos GPU‑PSO optimizados lograron una aceleración de 150x en comparación con una referencia de CPU.

A medida que se desarrollan GPUs y hardware similar capaz de realizar enormes cantidades de cálculos paralelos para cálculos de IA, esto podría constituir una competencia seria para la incipiente industria de la computación cuántica.

“En consecuencia, la ventaja cuántica debe medirse frente a estas tuberías clásicas optimizadas por hardware y de subsegundo que definen el umbral actual de preparación para producción en FinTech de alta frecuencia.”

Sin embargo, las GPU son una tecnología más madura que las QPU, por lo que a muy largo plazo, el problema más difícil de resolver probablemente se beneficiará de la computación cuántica, especialmente cuando otras limitaciones como el consumo de energía puedan retrasar en ocasiones el despliegue de grandes clústeres de GPU.

Para los inversores, esta comparación reduce considerablemente el campo. El estudio no sugiere que cada arquitectura cuántica esté igualmente cerca de generar valor comercial en finanzas. En cambio, identifica el recocido cuántico como particularmente adecuado para la optimización con restricciones, al tiempo que enfatiza que cualquier sistema viable debe seguir compitiendo con alternativas basadas en GPU cada vez más potentes. Eso hace que D‑Wave sea especialmente relevante: ofrece exposición cotizada públicamente a la arquitectura que los investigadores consideran entre las más operativamente listas, mientras ya persigue aplicaciones comerciales en finanzas y otras industrias intensivas en optimización.

Invertir en Recocido Cuántico

D-Wave Quantum Inc.

D‑Wave es una empresa de computación cuántica que se ha centrado no en construir el mayor número de qubits superconductores en el futuro, sino en los más utilizables para casos de uso reales hoy.

Ya, la mitad de los clientes de D‑Wave son empresas comerciales, con un 65 % de los ingresos provenientes de clientes comerciales, de los cuales el 45 % de los ingresos proviene de clientes del Forbes Global 2000.

Fuente: D-Wave

Por ejemplo, las herramientas de D‑Wave ya son usadas por AT&T para reducir el tiempo de procesamiento de una carga de trabajo de optimización de red de aproximadamente una hora a menos de 15 segundos.

“El trabajo futuro planificado explorará un conjunto más amplio de aplicaciones, como detección y respuesta a cortes, enrutamiento de técnicos, planificación de construcción de redes y gestión del tráfico”

D‑Wave también ha demostrado aplicaciones financieras directas del recocido cuántico, incluida la optimización de carteras que involucran activos del S&P 100 y S&P 500. Por ejemplo, una colaboración con CaixaBank, un banco líder en España, utilizó D‑Wave para exactamente el tipo de aplicación financiera discutida en este estudio. Lo que normalmente le llevaba al banco varias horas de tiempo de cómputo se redujo a solo minutos mediante la tecnología de computación cuántica.

“Las aplicaciones híbridas cuánticas han disminuido significativamente el tiempo de cómputo para resolver problemas financieros complejos, mejorando la optimización de carteras de inversión, aumentando la tasa interna de retorno (TIR) de una cartera de bonos y minimizando el capital necesario para operaciones de cobertura, como resultado de su colaboración.”

Al centrarse en el recocido cuántico, la empresa se ve a sí misma tomando el camino intermedio entre la tecnología de iones atrapados (“eficiente, pero lenta”) y los qubits superconductores (“rápidos, pero complicados y menos fiables”). La empresa está escalando rápidamente su hardware, con la esperanza de multiplicar por 4 el número de qubits en su sistema para 2029 y por 20 para 2031.

Fuente: D-Wave

Además del recocido, que comenzó a desarrollar en 2011, D‑Wave también ha estado expandiéndose al modelo de puertas desde 2020. En conjunto, ambas tecnologías deberían complementarse, cada una especializándose en aplicaciones específicas.

Fuente: D-Wave

“Mientras que la computación cuántica de recocido sobresale en optimización, simulación de materiales y ciertas cargas de trabajo de IA, se espera que la computación cuántica basada en puertas avance aplicaciones como la química cuántica, el diseño molecular y el almacenamiento de energía de próxima generación.”

Sin embargo, los inversores en D‑Wave deben ser conscientes de que la computación cuántica es un campo emergente y muy competitivo. Prácticamente todas las empresas cuánticas se considerarán a sí mismas como habiendo elegido la ruta tecnológica correcta, ya sea porque es más resiliente (iones atrapados), más preparada para el mercado (recocido), o tiene mayor potencial de escalabilidad (superconductora).

Aún así, que su computación cuántica se despliegue a escala creciente para resolver ya problemas reales en biotecnología, telecomunicaciones o banca es una hazaña impresionante, y D‑Wave podría ser un ganador inesperado en el campo, mientras que las discusiones a menudo se centran en otras empresas que utilizan diferentes tecnologías de computación cuántica.

Últimas Noticias y Desarrollos de Acciones de D-Wave Quantum Inc (QBTS)

Estudio Referenciado

^{1. Kimchhor Chiv, Anand Nayyar, and Tae-Kyung Kim. A comprehensive survey of quantum computing approaches for portfolio optimization in FinTech. ICT Express. 5 agosto 2026.}