La optimización de carteras de inversión representa un desafío para el inversor al momento de seleccionar la combinación correcta de acciones a efectos de maximizar los retornos esperados y minimizar los riesgos. Es así que en contraste con el paradigma de la computación tradicional, la computación cuántica no sólo acelera de manera sustancial el proceso de las computadoras tradicionales si no que optimiza la performance del método que determina cuáles acciones deben ser incluidas en las carteras de inversión y cuáles no. En este trabajo presentamos un estudio de comparación y referencia entre el resultado obtenido por tres diferentes metodologías de optimización de cartera: a) aproximación clásica, b) aproximación cuántica, c) un híbrido entre la aproximación cuántica incorporando criterios de Inteligencia Artificial. Para el primero de los casos utilizamos el modelo de Markowitz, el cual es un algoritmo clásico para determinar carteras eficientes, para nuestra aproximación cuántica hemos trabajado con un algoritmo de optimización cuántico llamado Variational Quantum Eigensolver (VQE) y por último hemos intentado mejorar este último criterio de optimización con un índice de sentimiento calculado con procesamiento de lenguaje natural (NLP) y una métrica de forecasting multivariado basado en Machine Learning.
La optimización de carteras de inversión representa un desafío para el inversor al momento de seleccionar la combinación correcta de acciones a efectos de maximizar los retornos esperados y minimizar los riesgos. Es así que en contraste con el paradigma de la computación tradicional, la computación cuántica no sólo acelera de manera sustancial el proceso de las computadoras tradicionales si no que optimiza la performance del método que determina cuáles acciones deben ser incluidas en las carteras de inversión y cuáles no. En este trabajo presentamos un estudio de comparación y referencia entre el resultado obtenido por tres diferentes metodologías de optimización de cartera: a) aproximación clásica, b) aproximación cuántica, c) un híbrido entre la aproximación cuántica incorporando criterios de Inteligencia Artificial. Para el primero de los casos utilizamos el modelo de Markowitz, el cual es un algoritmo clásico para determinar carteras eficientes, para nuestra aproximación cuántica hemos trabajado con un algoritmo de optimización cuántico llamado Variational Quantum Eigensolver (VQE) y por último hemos intentado mejorar este último criterio de optimización con un índice de sentimiento calculado con procesamiento de lenguaje natural (NLP) y una métrica de forecasting multivariado basado en Machine Learning.
Este trabajo explora la aplicación de la computación cuántica a la optimización de carteras financieras. A partir del modelo clásico de Markowitz, se formula el problema de selección de activos como un problema QUBO (Quadratic Unconstrained Binary Optimization) y se resuelve mediante el algoritmo QAOA (Quantum Approximate Optimization Algorithm) sobre un simulador cuántico ideal. Se comparan tres implementaciones sobre acciones del S&P 500: una construcción heurística manual en Excel, una optimización algorítmica clásica completa en Python (12 activos seleccionados sobre el universo S&P 500 mediante un score multicriterio), y un pipeline híbrido clásico-cuántico en tres etapas (preselección de 25 candidatos por decorrelación, selección cuántica vía QAOA, optimización Markowitz final de los pesos continuos). Las tres implementaciones se evalúan mediante un protocolo de walk-forward backtesting (in-sample 2019-2022, out-of-sample 2022-2025) frente al benchmark SPY. Los resultados muestran que QAOA recupera la solución óptima exacta, validada previamente por enumeración combinatoria de los 5 200 300 subconjuntos posibles, en el 20% de las ejecuciones a profundidad p=3, lo que valida la viabilidad de la cadena Markowitz - QUBO - QAOA. La cartera del pipeline híbrido obtiene un Sharpe in-sample de 1,54 pero una performance out-of-sample de 0,15, inferior al benchmark SPY (0,38), con una tasa de degradación del 90,4% comparable a la del enfoque Markowitz clásico (89,8%). Esta convergencia confirma que el cuello de botella estructural reside en la estimación clásica de los parámetros y no en el algoritmo cuántico. El trabajo concluye que la ventaja cuántica efectiva requiere problemas de mayor escala y restricciones cualitativas más complejas que las consideradas aquí.
El proyecto de investigación en curso, que aquí se presenta, propone estudiar las aplicaciones de la Computación Cuántica (QC) y la Inteligencia Artificial (IA) utilizando los simuladores de la Plataforma Cloud de IBM-Q en el campo de las Finanzas y el Trading Algorítmico para los Mercados Financieros. Con el fin de realizar avances y mejoras en las aproximaciones actuales se diseñará un modelo híbrido de ambas tecnologías que permita codificar algoritmos de Machine Learning en computadoras cuánticas, siempre manteniendo el criterio comparativo entre aproximaciones tradicionales y cuánticas, para (1) la administración de carteras de inversión y el análisis de riesgo; y (2) el procesamiento y análisis de datos alternativos, como por ejemplo redes sociales, earnings conference calls o noticias financieras.
Este trabajo se centra en el estudio de algoritmos de computación cuántica, con una introducción general al marco teórico de la computación cuántica, su naturaleza, estado actual y potencial en la resolución de problemas complejos. En particular, se aborda el uso de algoritmos cuánticos en tareas de optimización, un área de gran relevancia. Se analizarán problemas de optimización de funciones, enfocándonos en la optimización de diferentes tipos de potenciales. Para ello, se implementará el algoritmo QAOA (Quantum Approximate Optimization Algorithm), uno de los algoritmos cuánticos más representativos en este ámbito. Con el objetivo de contextualizar su rendimiento, se compararán sus resultados con los obtenidos mediante algoritmos clásicos de optimización como el método del descenso del gradiente y el método de Newton. El estudio incluirá tanto una comparación cuantitativa en términos de precisión, tiem- po de ejecución y calidad de la solución, como un análisis cualitativo de las diferencias entre enfoques clásicos y cuánticos. Asimismo, se examinará la influencia de los hiperparámetros de cada algoritmo sobre su rendimiento, con el propósito de identificar patrones o relaciones que permitan optimizar su configuración para distintos tipos de problemas.
Este documento desarrolla un análisis integral y profundamente técnico sobre la convergencia entre la computación cuántica y la inteligencia artificial, examinando los fundamentos físicos, algorítmicos y computacionales que están dando forma a un nuevo paradigma tecnológico. El texto expone de manera rigurosa los conceptos esenciales de qubits, superposición, entrelazamiento, algoritmos cuánticos de referencia y la evolución hacia la era NISQ, junto con una explicación detallada del aprendizaje automático moderno, sus limitaciones y la motivación para buscar aceleración cuántica. A partir de ese marco, se presenta un estudio completo de la inteligencia artificial cuántica (QAI), incluyendo arquitecturas híbridas, modelos nativos cuánticos, algoritmos variacionales, kernels cuánticos, aprendizaje supervisado y no supervisado cuántico, refuerzo cuántico, métodos generativos y optimización combinatoria mediante QAOA y recocido cuántico. El documento analiza aplicaciones sectoriales reales en salud, finanzas, energía, transporte, defensa y seguridad, así como estudios y casos documentados en laboratorios líderes como Google, IBM, RIKEN, NASA, USRA y múltiples startups especializadas. Profundiza en cómo la IA clásica potencia el desarrollo cuántico por medio de calibración autónoma, mitigación y corrección de errores, optimización experimental y descubrimiento automático de algoritmos. Finalmente, se abordan los desafíos técnicos, computacionales, éticos y teóricos que enfrenta la IA cuántica, incluyendo limitaciones del hardware NISQ, carga y extracción de datos, barren plateaus, ausencia de ventaja cuántica práctica demostrada y vacíos normativos emergentes. Dirigido a investigadores, ingenieros, decisores estratégicos y profesionales en ciencia de datos, computación cuántica, IA, ciberseguridad y prospectiva tecnológica que buscan comprender el estado del arte y las implicaciones geopolíticas y científicas de esta convergencia en rápido crecimiento.
En este trabajo realizamos un estudio de una propuesta cuántica para construir un Support Vector Machine (SVM). El cual es uno de los métodos más robustos dentro de Machine learning (ML), para este fin, estudiamos toda la teoría de ML relacionada con SVMs: Paradigma de aprendizaje, clasificación con hiperplanos, cuantificación del error y regularización de conjuntos de hipótesis. Así como el tratamiento de los kernels, el corazón de los SVMs. En paralelo, realizamos un estudio de las bases necesarias de la computación cuántica (QC) para implementar SVM cuánticos. Trabajamos desde qubits, con énfasis en el fenómeno de superposición, hasta algoritmos para estimación de fase, exponenciar operadores e invertir matrices arbitrarias. Juntamos las dos líneas con el estudio detallado del SVM cuántico como fue propuesto por Rebentrost [et al.]. Finalmente, proponemos una extensión a esta formulación para incluir un kernel gaussiano
La computación cuántica se presenta como una de las tecnologías más disruptivas del siglo XXI, con un potencial transformador especialmente relevante para el sector financiero. Este trabajo analiza las principales aplicaciones de la computación cuántica en el sector financiero y los obstáculos que condicionan su desarrollo. Se examinan cuatro ámbitos concretos: la aceleración de simulaciones Monte Carlo, la optimización de carteras a través del quantum annealing, el quantum machine learning aplicado a la evaluación de riesgo crediticio y la amenaza de los algoritmos de Shor y Grover representan para la criptografía financiera vigente. Se examinan asimismo las limitaciones técnicas que frenan el desarrollo de esta tecnología como la decoherencia y el ruido en dispositivos NISQ, corrección de errores cuánticos y desafíos de escalabilidad del hardware. Se concluye que, si bien la mayoría de las aplicaciones se encuentran todavía en fases experimentales, la frontera entre el potencial teórico y la aplicación práctica se desplaza de forma sostenida, y que el sector financiero tiene ante sí tanto una amenaza presente, en materia de criptografía, como una oportunidad estratégica que ha lanzado una carrera hacia la supremacía cuántica, en la que participan gobiernos, instituciones e inversores privados de primer nivel.