💰 finanzas cuantitativas

HQNN-FSP: A Hybrid Classical-Quantum Neural Network for Regression-Based Financial Stock Market Prediction

Este artículo propone y evalúa una red neuronal híbrida clásico-cuántica (HQNN-FSP) para la predicción del mercado de valores financieros, introduciendo un nuevo ansatz cuántico y dos estrategias de optimización para demostrar el potencial del aprendizaje asistido por computación cuántica en la captura de dependencias temporales complejas y la mejora del pronóstico basado en regresión.

Autores originales: Prashant Kumar Choudhary, Nouhaila Innan, Muhammad Shafique, Rajeev Singh

Publicado 2026-10-26

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Prashant Kumar Choudhary, Nouhaila Innan, Muhammad Shafique, Rajeev Singh

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El mercado de valores es un paisaje vasto y cambiante donde los precios suben y bajan basándose en una compleja red de emociones humanas, eventos globales y datos económicos. Durante décadas, los inversores y analistas han dependido de las computadoras para dar sentido a este caos, utilizando modelos matemáticos para detectar patrones en los precios pasados y suponer hacia dónde podría dirigirse el mercado. Estos programas informáticos tradicionales son potentes, pero a menudo tienen dificultades cuando el mercado se comporta de manera impredecible o cuando las reglas del juego cambian repentinamente. Pueden quedarse estancados en el ruido, confundiendo fluctuaciones aleatorias con tendencias reales, o no lograr recordar lecciones importantes del pasado lejano. A medida que los sistemas financieros mundiales se vuelven más complejos, los investigadores han comenzado a mirar hacia un tipo diferente de potencia de cómputo: la mecánica cuántica. Esta es la rama de la física que gobierna el comportamiento de las partículas más diminutas del universo, donde las cosas pueden existir en múltiples estados a la vez y estar profundamente vinculadas entre sí de formas que parecen imposibles en nuestro mundo cotidiano. La pregunta que impulsa una nueva línea de investigación es si estas extrañas propiedades cuánticas pueden ayudar a las computadoras a entender mejor el mercado de valores que las máquinas clásicas que utilizamos hoy en día.

Un equipo de investigadores de la India y los Emiratos Árabes Unidos ha dado un paso significativo para responder a esa pregunta mediante la creación de una nueva herramienta de predicción que mezcla lo antiguo con lo nuevo. Crearon un sistema que combina modelos informáticos estándar y fiables con un procesador cuántico especializado. En lugar de pedirle a una computadora cuántica que lo haga todo desde cero, lo cual es difícil actualmente debido a la naturaleza frágil del hardware cuántico, diseñaron un enfoque híbrido. En esta configuración, una computadora clásica primero digiere los datos brutos, organizándolos y extrayendo las señales más importantes. Luego, entrega esta información refinada a un circuito cuántico, el cual utiliza las reglas únicas de la física cuántica para encontrar conexiones más profundas y sutiles que la computadora clásica podría haber pasado por alto. Los investigadores probaron este sistema con datos históricos de acciones, específicamente analizando el historial de negociación de Wipro, una importante empresa tecnológica, junto con varios indicadores técnicos que los operadores utilizan para medir el impulso del mercado.

El estudio exploró dos formas distintas de hacer que esta asociación funcionara. En el primer método, la computadora clásica actuó como un filtro, limpiando los datos e identificando tendencias clave antes de pasarlos al sistema cuántico para un análisis final. En el segundo método, los dos sistemas trabajaron juntos en un bucle único y unificado, aprendiendo el uno del otro simultáneamente mientras ajustaban sus configuraciones internas para mejorar sus predicciones. El equipo realizó miles de simulaciones para ver qué tan bien se desempeñaban estos modelos híbridos en comparación con el uso de un sistema solo cuántico o un sistema solo clásico. Encontraron que los enfoques híbridos eran consistentemente más precisos que la versión solo cuántica. Al dejar que la computadora clásica se encargara del trabajo pesado de la organización de datos, la parte cuántica pudo concentrarse en los patrones complejos que realmente importaban, lo que resultó en menos errores al predecir precios futuros.

Sin embargo, los resultados también revelaron los límites actuales de esta tecnología. Si bien los modelos híbridos fueron mejores que la versión solo cuántica, aún no podían igualar el rendimiento de los modelos informáticos clásicos más avanzados disponibles en la actualidad. Los investigadores observaron que todos los modelos, incluidos sus propias creaciones híbridas, tuvieron dificultades cuando el mercado experimentaba una caída repentina y pronunciada. Cuando la tendencia de los precios cambiaba abruptamente, los sistemas a menudo no lograban ajustarse con la suficiente rapidez, continuando la predicción basada en el patrón anterior. Esto sugiere que, si bien el componente cuántico añade una nueva capa de conocimiento, aún no es una solución mágica que pueda resolver instantáneamente el problema de la volatilidad del mercado. El estudio también destacó un compromiso entre la precisión y la velocidad. A medida que los investigadores añadían más bits cuánticos —las unidades básicas de información del sistema cuántico— a sus modelos, las predicciones se volvían ligeramente más precisas, pero el tiempo requerido para entrenar el sistema crecía significamente.

Los investigadores también examinaron de cerca cómo sus modelos tomaban decisiones. Al utilizar una técnica que rastrea qué piezas de información influyeron más en la predicción final, confirmaron que el sistema estaba prestando atención a las cosas correctas. El modelo dependía fuertemente de indicadores financieros específicos, tales como medidas del impulso del mercado y la fuerza de la tendencia, en lugar de solo ruido aleatorio. Esto le otorga al sistema un nivel de transparencia que a menudo falta en los modelos informáticos complejos, permitiendo a los analistas comprender por qué se realizó una predicción. El estudio concluye que, si bien los modelos híbridos cuántico-clásicos aún no están listos para reemplazar las herramientas utilizadas por los operadores profesionales, representan un camino prometedor hacia adelante. Demuestran que, al combinar cuidadosamente las fortalezas de la computación clásica con las capacidades únicas de la mecánica cuántica, es posible construir sistemas que sean más robustos e instructivos que cualquiera de los dos por separado. A medida que el hardware cuántico continúe mejorando y volviéndose más estable, estos sistemas híbridos podrían eventualmente desempeñar un papel transformador en la forma en que entendemos y navegamos el mundo financiero.

Resumen Técnico: HQNN-FSP

Planteamiento del Problema
El pronóstico de series temporales financieras sigue siendo una tarea desafiante debido a las complejas dependencias temporales, la alta volatilidad, la no linealidad y la sensibilidad a factores macroeconómicos y geopolíticos. Si bien los modelos tradicionales de Aprendizaje Automático (ML), como las Redes Neuronales Recurrentes (RNN) y las redes de Memoria de Corto Pl plazo (LSTM), se han utilizado ampliamente, enfrentan limitaciones que incluyen el sobreajuste, la insuficiencia de generalización en condiciones de mercado dinámicas y la dificultad para capturar dependencias de largo alcance. Además, los modelos clásicos suelen tener dificultades para capturar correlaciones intrincadas en mercados no estacionarios. Este estudio explora si los enfoques híbridos cuántico-clásicos pueden aprovechar los recursos cuánticos —específicamente la superposición y el entrelazamiento— para mejorar la representación de características y el aprendizaje en tareas de regresión del mercado de valores.

Metodología
Los autores proponen HQNN-FSP, un marco híbrido que integra el aprendizaje profundo clásico con Redes Neuronales Cuánticas (QNN). La metodología abarca los siguientes componentes:

Preparación de Datos: El estudio utiliza precios históricos de acciones (Apertura, Cierre, Máximo, Mínimo) aumentados con indicadores técnicos: Índice de Fuerza Relativa (RSI), Convergencia/Divergencia de Media Móvil (MACD) y Índice Direccional Medio (ADX). Las características se seleccionan mediante SelectKBest y se normalizan usando MinMaxScaler.
Arquitecturas de Modelos: Se evalúan tres arquitecturas distintas:
1. CustomQNN: Una Red Neuronal Cuántica independiente basada en un Circuito Cuántico Parametrizado (PQC) inspirado en una formulación Hamiltoniana. Utiliza codificación de ángulo (puertas de un solo qubit $R_Y$ y $R_Z$ ) para mapear datos clásicos a estados cuánticos, seguido de un ansatz personalizado que presenta rotaciones parametrizadas y operaciones de entrelazamiento (puertas CNOT y CZ) para capturar dependencias no triviales.
2. HybridQNN1 (Secuencial): Un flujo de trabajo donde un modelo de aprendizaje profundo clásico (LSTM) primero extrae características temporales de los datos. Estas características son luego codificadas en estados cuánticos y procesadas por un regresor QNN.
3. HybridQNN2 (Conjunto): Un marco de extremo a extremo donde los componentes clásicos (LSTM) y cuánticos (PQC) se entrenan simultáneamente. Las características puras son procesadas en paralelo por ambos módulos, y sus salidas se fusionan en una capa dedicada antes de una predicción final. Esto permite la optimización conjunta de todos los parámetros mediante retropropagación.
Entrenamiento y Optimización: Los modelos se entrenan utilizando el optimizador ADAM con un esquema de tasa de aprendizaje. Para asegurar la integridad temporal, el estudio emplea TimeSeriesSplit y validación cruzada de k-pliegues. El abandono temprano (early stopping) y la normalización por lotes se utilizan para prevenir el sobreajuste. Los experimentos se realizan en un simulador cuántico (QULACS) y en un clúster de Computación de Alto Rendimiento (PARAM Shivay).

Contribuciones Clave

Desarrollo de Arquitectura Híbrida: El artículo propone una integración fluida de QNNs diseñadas a medida con arquitecturas clásicas (RNN, LSTM, BiLSTM, GRU).
Regresor QNN Personalizado: Introducción de un regresor QNN que utiliza un ansatz novedoso y personalizado y circuitos cuánticos parametrizados específicamente optimizados para el pronóstico de series temporales financieras.
Estrategias de Optimización Dual: La exploración de dos configuraciones híbridas: extracción de características secuencial seguida de modelado cuántico (HybridQNN1) y optimización conjunta de parámetros clásicos y cuánticos (HybridQNN2).
Evaluación Sistemática: Ajuste de hiperparámetros exhaustivo y análisis de error utilizando TimeSeriesSplit, validación cruzada de k-pliegues y métricas de Error Cuadrático Medio (RMSE).

Resultados

Comparación de Rendimiento: Los modelos híbridos (HybridQNN1 y HybridQNN2) superaron consistentemente al CustomQNN independiente, logrando valores de RMSE más bajos. Entre los métodos mejorados por la tecnología cuántica, HybridQNN2 alcanzó el RMSE más bajo en todas las configuraciones de qubits (3, 4 y 5 qubits).
Análisis de Error: Los análisis de ajuste Gaussiano y diagramas de violín revelaron que los modelos híbridos exhibieron distribuciones de error más estrechas centradas cerca de cero en comparación con la mayor varianza del QNN independiente, lo que indica una mayor estabilidad.
Clásico vs. Híbrido: Aunque los modelos híbridos mejoraron respecto a los modelos cuánticos independientes, los modelos clásicos (LSTM, RNN, BiLSTM, GRU) todavía lograron el RMSE más bajo en general y requirieron significativamente menos tiempo de entrenamiento.
Impacto de los Qubits: El aumento en el número de qubits generalmente mejoró la precisión para los modelos híbridos, pero aumentó los costos computacionales. Notablemente, HybridQNN1 mostró un aumento brusco en el tiempo de entrenamiento con 5 qubits, mientras que HybridQNN2 se mantuvo relativamente más eficiente.
Regímenes de Mercado: Todos los modelos, incluidos los híbridos, tuvieron dificultades para adaptarse a cambios abruptos de mercado (cambios de régimen), particularmente durante tendencias bajistas pronunciadas, lo que resalta una limitación en la capacidad de respuesta ante la dinámica rápida.

Significancia y Reivindicaciones
El artículo afirma que los modelos híbridos cuántico-clásicos ofrecen una vía prometedora para el pronóstico financiero al aprovechar los espacios de características mejorados por la tecnología cuántica para mejorar el reconocimiento de patrones, particularmente bajo condiciones volátiles. Se encontró que la integración de indicadores técnicos específicos del dominio (RSI, MACD) mediante el análisis SHAP influyó significativamente en la salida predictiva.

Sin embargo, los autores mantienen una postura modesta respecto a las capacidades actuales. Reconocen que, si bien la hibridación mitiga algunas limitaciones de los modelos cuánticos independientes (como la alta varianza del error), estos modelos aún no superan a los enfoques de aprendizaje profundo clásicos de vanguardia en términos de RMSE o eficiencia computacional. El estudio concluye que los modelos híbridos representan un camino viable hacia la analítica predictiva mejorada por la tecnología cuántica, pero su despliegue práctico en los mercados financieros requiere una mayor optimización en el diseño de circuitos, la resiliencia al ruido y la escalabilidad del hardware para cerrar la brecha de rendimiento con los métodos clásicos.

Más como este