Resumen Técnico: Caminatas Estocásticas Cuánticas para la Optimización de Carteras

Planteamiento del Problema

La optimización de carteras clásica, basada en el marco de media-varianza de Markowitz, enfrenta limitaciones prácticas críticas a pesar de su elegancia teórica. Los problemas principales incluyen:

• Error de Estimación y Fragilidad: En espacios de alta dimensionalidad (por ejemplo, $n=500$ activos), la matriz de covarianza contiene más de $10^5$ parámetros. Pequeños errores en la estimación de los retornos esperados ($\mu$) y las covarianzas ($\Sigma$) conducen a pesos de cartera extremos e inestables.
• Concentración y Rotación: Los optimizadores de media-varianza suelen producir carteras altamente concentradas (bajo número efectivo de acciones) y una rotación excesiva (300–500% anual) para perseguir mejoras marginales en el ratio de Sharpe. Este "maximización del error" hace que las estrategias sean operativamente inviables debido a los costes de transacción y al impacto de mercado.
• Limitaciones de las Alternativas: Si bien las carteras ingenuas de peso igual ($1/N$) son robustas y diversificadas, ignoran la información transversal. Por el contrario, los enfoques de aprendizaje profundo (predict-then-optimize o aprendizaje por refuerzo de extremo a extremo) suelen actuar como "cajas negras" opacas, sufren de sobreajuste ante datos financieros no estacionarios y carecen de interpretabilidad para la gestión de riesgos.

El artículo postula que estos fallos derivan de una falta de restricciones estructurales en la optimización clásica, la cual no logra imponer naturalmente la diversificación o la robustez frente al ruido de los datos de entrada.

Metodología: El Marco de la Caminata Estocástica Cuántica (QSW)

Los autores proponen un marco de Caminata Estocástica Cuántica (QSW) que modela la asignación de carteras como un proceso dinámico en una red financiera ponderada.

1. Construcción del Grafo

Los activos se mapean como nodos en un grafo dirigido y ponderado $G=(V, E)$. El grafo codifica los datos financieros a través de dos canales:

• Atributos de Nodo (Bucles de Auto-conexión): Codifican los retornos ajustados por riesgo específicos de cada activo (ratios de Sharpe).
• Pesos de las Aristas: Codifican las relaciones binarias. El peso $W_{ij}$ entre el activo $i$ y el $j$ se define como:
  $$W_{ij} = \begin{cases} \exp(\alpha \cdot SR_j - \beta \cdot \Sigma_{ij}) & i \neq j \\ \exp(\lambda \cdot SR_i) & i = j \end{cases}$$
  Donde $\alpha$ controla la persecución de retornos, $\beta$ penaliza las transiciones entre activos altamente correlacionados (imponiendo la diversificación) y $\lambda$ actúa como un coeficiente de permanencia.

2. Dinámica de Doble Canal

Los pesos de la cartera se derivan de la distribución estacionaria de una caminata híbrida cuántica-clásica gobernada por la ecuación maestra de Gorini–Kossakowski–Lindblad–Sudarshan (GKLS):
$$\frac{d\rho}{dt} = -i(1-\omega)[H, \rho] + \omega \sum_{i,j} c_{ij} \left( L_{ij}\rho L_{ij}^\dagger - \frac{1}{2}\{L_{ij}^\dagger L_{ij}, \rho\} \right)$$

• Canal Coherente (Cuántico): Impulsado por un Hamiltoniano Hermítico $H$, este canal permite la superposición e interferencia, permitiendo que el caminante explore simultáneamente grupos de activos correlacionados.
• Canal Estocástico (Clásico): Implementado mediante un generador de tipo Google (similar al PageRank) con tasas de transición $c_{ij}$. Este canal garantiza la ergodicidad, asegura la convergencia a un estado estacionario único y amortigua la masa de probabilidad dentro de grupos cerrados para redistribuir el capital hacia regiones subrepresentadas.
• Parámetro de Mezcla ($\omega$): Controla el equilibrio entre la exploración cuántica ($\omega=0$) y la difusión clásica ($\omega=1$).

3. Implementación

• Estado Estacionario: Los pesos de la cartera $w_i$ se definen como los elementos diagonales de la matriz de densidad estacionaria $\rho_\infty$ ($w_i = \rho_{\infty, ii}$).
• Computación: Los autores implementan el solucionador utilizando operadores de Kraus para evolucionar la matriz de densidad, aprovechando la aceleración por GPU (NVIDIA A100) para su eficiencia. Esto permite la optimización de carteras de $\sim 100$ activos en segundos.

Contribuciones Clave

1. Representación Basada en Redes: El artículo mapea el compromiso media-riesgo a un grafo dirigido y ponderado donde los bucles de auto-conexión codifican la información de Sharpe y las aristas entre nodos penalizan la correlación, proporcionando una representación estructural de la diversificación.
2. Asignación "1/N Inteligente": El marco QSW converge naturalmente a una cartera "1/N inteligente". Retiene la estabilidad estructural y la diversificación de la estrategia de peso igual ingenuo, pero introduce pequeños sesgos basados en datos gracias a la dinámica cuántica-clásica.
3. Robustez Estructural: A diferencia de los optimizadores clásicos que requieren restricciones artificiales para evitar una rebalanceo extremo, la dinámica QSW suprime intrínsecamente la rotación forzada y es estructuralmente resistente a los errores de estimación.
4. Reglas de Diseño Prácticas: A través de búsquedas exhaustivas en cuadrícula, los autores identifican reglas de diseño simples: la estrategia óptima suele implicar una mínima persecución de retornos ($\alpha \approx 0.1$), una máxima presión de diversificación ($\beta \approx 500$) y un parámetro de mezcla $\omega$ que actúa principalmente como un "dial de rotación".

Resultados Empíricos

El marco fue validado mediante tres fases de experimentos:

Fase 1: Exploración de Parámetros (2018–2024)

• Estabilidad: Las carteras QSW exhibieron ratios de Sharpe de $\approx 0.96–0.98$ y una volatilidad de $\approx 17\%$, casi idénticas al referente $1/N$. En contraste, el referente de Media-Varianza (MPT) mostró una sensibilidad extrema a la longitud de la ventana de entrenamiento (el Sharpe saltó de 0.86 a 1.36 al pasar de una ventana de 1 año a una de 2 años) y produjo carteras altamente concentradas (HHI $\approx 0.26$).
• Rotación: QSW logró estos resultados con una rotación moderada (2%–80% dependiendo de los ajustes), mientras que MPT requirió un 320%–480% de rotación.
• Robustez: Las pruebas de choque de Monte Carlo revelaron que MPT amplifica las pequeñas perturbaciones de los datos de entrada en cambios masivos de peso (desviación estándar $\approx 7.8\%$), mientras que QSW se mantuvo estable (desviación estándar $< 4\%$).

Fase 2: Búsqueda Exhaustiva en Cuadrícula

Una búsqueda en cuadrícula de 625 puntos sobre los parámetros $(\alpha, \beta, \lambda, \omega)$ confirmó que el régimen de "1/N inteligente" es una región amplia y estructuralmente robusta del espacio de parámetros, no el resultado de un ajuste fino. Las configuraciones con mejor desempeño consistieron consistentemente en minimizar la persecución de retornos y maximizar las penalizaciones por diversificación.

Fase 3: Robustez de Largo Alcance (1990–2024)

• Estudio de Multiverso: El estudio ejecutó 30 ensayos independientes durante 34 años utilizando universos de 100 acciones mantenidos dinámicamente para evitar el sesgo de supervivencia.
• Desempeño: El optimizador dinámico QSW logró un CAGR promedio de 23.3% y un ratio de Sharpe de 0.98, superando a MPT (Sharpe 0.48), $1/N$ (Sharpe 0.74) y al índice S&P 500 (Sharpe 0.37).
• Métricas de Riesgo: QSW mantuvo menores caídas máximas (drawdowns) y mejores ratios de Calmar que MPT y el índice, manteniendo una volatilidad situada entre la de $1/N$ y la de MPT.
• Adaptabilidad: Incluso con una reoptimización trimestral (resultando en una rotación de $\approx 200\%$), QSW superó significativamente el $\approx 330\%$ de rotación de MPT, entregando a la vez retornos ajustados por riesgo superiores.

Significado y Reivindicaciones

El artículo sostiene que el marco QSW ofrece una alternativa fundamentada tanto a la diversificación ingenua como a la optimización de alta dimensionalidad y frágil. Su significancia radica en:

• Regularización Estructural: La dinámica inspirada en la física cuántica actúa como un regularizador natural, evitando que el optimizador colapse en carteras concentradas y frágiles sin requerir restricciones ad hoc.
• Interpretabilidad: A diferencia de las "cajas negras" del aprendizaje profundo, los parámetros de QSW tienen claras interpretaciones físicas (por ejemplo, $\beta$ como un freno de diversificación, $\omega$ como un dial de ruido/rotación), lo que hace que el modelo sea auditable y confiable para la gestión de riesgos.
• Viabilidad Práctica: Al equilibrar la robustez de $1/N$ con la flexibilidad de los sesgos basados en datos, el marco entrega mayores retornos ajustados por riesgo con una rotación moderada, lo que lo hace implementable en entornos del mundo real donde los costes de transacción y los errores de estimación son inevitables.

Los autores concluyen que la ventaja de QSW no proviene de un "efecto mágico" cuántico, sino de las propiedades estructurales impuestas por la caminata híbrida, las cuales imponen características de cartera deseables (diversificación y robustez) por diseño.