Imagina un mundo donde las computadoras no solo siguen una línea de instrucción tras otra, sino que exploran muchas posibilidades a la vez, como un viajero que puede recorrer todos los senderos de un bosque simultáneamente para encontrar la salida. Esta es la promesa de la computación cuántica, un campo que utiliza las extrañas reglas de lo muy pequeño para procesar información de formas que las máquinas clásicas no pueden. Si bien estas máquinas se encuentran todavía en sus etapas iniciales y ruidosas, los científicos creen que pronto resolverán problemas que son actualmente imposibles incluso para las supercomputadoras más potentes. Uno de los lugares más emocionantes para buscar este poder es en las finanzas, una industria que trata con cantidades masivas de datos, riesgos complejos y la necesidad constante de predecir el futuro. La pregunta no es solo si estas nuevas máquinas pueden funcionar, sino cómo se les puede enseñar a aprender de los datos, de forma muy similar a como lo hace un humano, para tomar mejores decisiones sobre el dinero, los mercados y el riesgo.

Un equipo de investigadores de JPMorgan Chase ha escrito una revisión exhaustiva que traza exactamente cómo estas máquinas cuánticas están siendo entrenadas para actuar como expertos financieros. No afirman que la tecnología esté lista para reemplazar a cada operador o analista mañana mismo. En su lugar, proporcionan una imagen clara y realista del estado actual de la técnica, mostrando qué tareas financieras pueden mejorar hoy y cuáles podrían tardar más tiempo. El artículo se centra en un tipo específico de inteligencia artificial llamada aprendizaje automático (machine learning), donde las computadoras aprenden patrones a partir de datos en lugar de seguir reglas rígidas. Los investigadores examinan siete áreas principales donde las máquinas cuánticas se están aplicando: la predicción de precios, la clasificación de información en grupos, la búsqueda de patrones ocultos, la creación de nuevos datos, la selección de los hechos más importantes, la toma de decisiones a lo largo del tiempo y la comprensión del lenguaje humano.

La primera área que exploran es la predicción de números, una tarea conocida como regresión. En finanzas, esto se utiliza para adivinar futuros precios de acciones o el valor de los bonos basándose en datos pasados. Las computadoras clásicas hacen esto encontrando la mejor línea que se ajuste a una nube de puntos, pero puede ser lento cuando los datos son enormes. Los investigadores explican que los algoritmos cuánticos pueden resolver subrutinas matemáticas específicas dentro de estos problemas mucho más rápido, ofreciendo potencialmente una ventaja de velocidad que crece exponencialmente a medida que los datos se vuelven más grandes. Sin embargo, advierten sobre un obstáculo significativo: introducir los datos en la computadora cuántica en primer lugar sigue siendo difícil y lento. Si bien la matemática dentro de la máquina es rápida, el proceso de cargar la información y leer la respuesta puede, en ocasiones, anular los beneficios. El artículo señala que aún no se ha descubierto ninguna aplicación de extremo a extremo del aprendizaje automático cuántico con una aceleración exponencial sobre su contraparte clásica. A pesar de esto, el documento sugiere que, para tipos específicos de modelos financieros, los métodos cuánticos podrían eventualmente ofrecer mejoras en la eficiencia, siempre que se aborden los desafíos de la carga de datos.

A continuación, el equipo analiza la clasificación, que es el arte de ordenar cosas en categorías. En el mundo financiero, esto podría significar decidir si un solicitante de un préstamo tiene probabilidades de devolver su deuda o si una acción es de "compra" o de "venta". Las computadoras clásicas utilizan métodos como las máquinas de vectores de soporte para trazar una línea entre estos grupos. Los investigadores describen cómo las versiones cuánticas de estas herramientas pueden crear fronteras mucho más complejas, permitiéndoles separar datos que parecen mezclados para una computadora clásica. Destacan una técnica específica llamada mapa de características cuánticas, que toma datos simples y los eleva a un vasto espacio multidimensional donde los patrones se vuelven evidentes. Aunque estos métodos han sido probados en conjuntos de datos pequeños, el artículo indica que prometen para manejar los datos desordenados del mundo real que se encuentran en la banca y la inversión, aunque las aceleraciones prácticas dependen de superar los cuellos de botella en el acceso a los datos.

La revisión pasa luego al agrupamiento (clustering), que consiste en encontrar grupos naturales dentro de un conjunto desordenado de datos sin que se nos diga qué buscar. Esto es útil para detectar fraudes o agrupar acciones similares. Los investigadores discuten un método llamado agrupamiento cuántico, que trata los puntos de datos como partículas en un sistema físico, buscando áreas donde se reúnen naturalmente. También mencionan una técnica llamada agrupamiento cuántico dinámico, que observa cómo cambian estos grupos con el tiempo. Este enfoque ya se ha utilizado para analizar datos del mercado de valores y clasificar diferentes tipos de fondos de inversión, ayudando a los inversores a ver conexiones que de otro modo permanecerían ocultas. El artículo señala que, si bien estos métodos aún se están perfeccionando, ofrecen una nueva forma de ver la estructura de los mercados financieros, aunque su pleno potencial está limitado por las restricciones actuales del hardware.

Otra sección importante cubre el modelado generativo, donde la computadora aprende a crear nuevos datos que se ven igual a los reales. Esto es increíblemente útil para probar estrategias sin arriesgar dinero real. Los investigadores explican cómo las máquinas cuánticas pueden aprender la distribución de probabilidad de los eventos financieros, esencialmente aprendiendo la "forma" del mercado. Describen cómo estas máquinas pueden generar escenarios de mercado falsos pero realistas para probar cómo se desempeñaría una cartera en una crisis. Esto se logra utilizando versiones cuánticas de redes neuronales que potencialmente pueden muestrear de distribuciones complejas más rápido que las computadoras clásicas en subrutinas específicas. El artículo sugiere que esto podría eventualmente ayudar a los bancos a realizar pruebas de resistencia a sus sistemas, permitiéndoles ver eventos raros pero peligrosos con mayor claridad, aunque aún no se ha descubierto ninguna aplicación de extremo a extremo con aceleración exponencial.

El equipo también examina cómo las computadoras cuánticas pueden ayudar a seleccionar los hechos más importantes de un mar de información, un proceso llamado extracción de características. En finanzas, tener demasiadas variables puede confundir a un modelo, por lo que encontrar las pocas que realmente importan es clave. Los investigadores describen cómo los algoritmos cuánticos pueden analizar las relaciones entre miles de puntos de datos para encontrar los más significativos, reduciendo efectivamente un conjunto de datos masivo a su núcleo. Esto es particularmente útil para la calificación crediticia, donde el sistema debe decidir qué factores predicen realmente si una persona devolverá un préstamo. Al utilizar métodos cuánticos, el sistema podría teóricamente identificar estos factores clave de manera más eficiente, aunque el artículo enfatiza que la carga de datos sigue siendo un cuello de botella que debe resolverse antes de que estas ventajas puedan materializarse plenamente en la práctica.

La toma de decisiones a lo largo del tiempo es otra área crítica, conocida como aprendizaje por refuerzo. Así es como una computadora aprende a tomar una serie de decisiones para maximizar una recompensa, de forma similar a cómo un operador podría ajustar una cartera día tras día. El artículo explica que las computadoras cuánticas podrían, teóricamente, acelerar este proceso de aprendizaje, permitiendo que los agentes encuentren las mejores estrategias de negociación mucho más rápido. Sin embargo, los investigadores señalan que, debido a las limitaciones actuales del hardware, los enfoques de aprendizaje por refuerzo cuántico aún no se han aplicado directamente al trading automatizado. Sugieren que, si bien la base teórica es sólida, componentes del trading algorítmico podrían beneficiarse eventualmente de las ventajas cuánticas, pero aún no estamos en la etapa del trading cuántico totalmente automatizado.

Finalmente, la revisión toca cómo estas máquinas pueden comprender el lenguaje humano. Los mercados financieros son impulsados por noticias, informes y redes sociales, los cuales contienen texto no estructurado. Los investigadores describen cómo los algoritmos cuánticos pueden analizar la gramática y el significado de las oraciones para evaluar el sentimiento o detectar fraudos en documentos financieros. Al utilizar un método que trata las palabras como partes de una estructura más amplia, estos sistemas pueden teóricamente procesar cálculos de similitud de oraciones con una mejora de complejidad sobre los métodos clásicos. Esto podría ayudar a los bancos a evaluar el riesgo leyendo miles de solicitudes de préstamos o informes de auditoría, aunque el artículo aclara que la aceleración proviene de mejoras algorítmicas específicas en los cálculos de similitud y no de una capacidad general para entender el contexto mejor que las búsquedas simples por palabras clave en todos los escenarios.

El artículo concluye con un resumen sobrio pero optimista. Los investigadores dejan claro que, si bien el aprendizaje automático cuántico no es una varita mágica que resuelve instantáneamente todos los problemas financieros, es una herramienta poderosa que está evolucionando rápidamente. Reconocen que las máquinas actuales están limitadas por el ruido y su pequeño tamaño, y que la carga de datos sigue siendo un desafío. Sin embargo, argumentan que el potencial para la velocidad y la precisión es real, especialmente para los tipos específicos de problemas complejos que se encuentran en las finanzas. La revisión sirve como una hoja de ruta, mostrando que estamos pasando de la teoría a la práctica, y que la industria financiera está bien posicionada para ser una de las primeras en beneficiarse de esta nueva era de la computación. El viaje apenas comienza, pero el destino promete un mundo donde las decisiones financieras se tomen con una profundidad de comprensión que antes estaba fuera de nuestro alcance.