⚛️ quantum physics

Evaluating Quantum Amplitude Estimation for Pricing Multi-Asset Basket Options

Este trabajo evalúa el uso de la estimación de amplitud cuántica para la valoración de opciones sobre cestas de múltiples activos, analizando el equilibrio entre la precisión y los recursos computacionales mediante una comparativa con métodos clásicos.

Autores originales: Muhammad Kashif, Shaf Khalid, Nouhaila Innan, Alberto Marchisio, Muhammad Shafique

Publicado 2026-02-12

📖 4 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Muhammad Kashif, Shaf Khalid, Nouhaila Innan, Alberto Marchisio, Muhammad Shafique

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 Precio de la Incertidumbre: ¿Puede una Computadora Cuántica "Adivinar" el Futuro Financiero?

Imagina que eres un experto en apuestas, pero no apuestas a carreras de caballos, sino a la economía. Tienes un "paquete" de acciones (una canasta) que contiene pedazos de empresas como Apple, Google y Microsoft. Tu objetivo es calcular cuánto valdrá ese paquete en el futuro para decidir un precio justo hoy.

El problema es que el mercado es como un océano agitado: las olas (los precios) suben y bajan de forma impredecible. Calcular el valor exacto de esa "canasta" de acciones es matemáticamente agotador, incluso para las computadoras más potentes de hoy.

1. El Problema: El Mapa de Puntos vs. El Mapa de Continuidad

Para entender lo que hicieron los investigadores, imagina que quieres dibujar un mapa de una montaña rusa.

El método clásico (Monte Carlo): Es como si lanzaras miles de pelotas de tenis a la montaña rusa y trataras de promediar dónde caen. Es efectivo, pero si la montaña rusa es gigante y compleja, necesitas millones de pelotas y muchísimo tiempo.
El método cuántico (QAE): Es como si, en lugar de lanzar pelotas, pudieras usar una "niebla mágica" que cubre toda la montaña rusa al mismo tiempo. Esa niebla te dice la forma de la montaña casi instantáneamente. Es mucho más rápido, pero tiene un truco: para que la niebla sea precisa, necesitas que sea muy densa.

2. El Experimento: ¿Cuántos "píxeles" necesitamos?

Los científicos probaron algo muy interesante. En la computación cuántica, la precisión depende de algo llamado "qubits de incertidumbre".

Imagina que estás viendo una foto en tu celular.

Si la foto tiene pocos píxeles (pocos qubits), verás una mancha borrosa. Si intentas adivinar qué hay en la foto, te equivocarás por mucho. Esto es lo que pasa cuando usan solo 1 o 2 qubits: el precio que calculan es un desastre, muy lejos de la realidad.
Si aumentas los píxeles (más qubits), la imagen se vuelve nítida. Los investigadores descubrieron que el "punto dulce" (el equilibrio perfecto) está entre 3 y 4 qubits. Con esto, la computadora cuántica empieza a ver la "foto" del mercado con una claridad asombrosa, casi igual que los métodos tradicionales.

3. El Desafío: La Canasta se vuelve más pesada

Luego, hicieron otra prueba: ¿qué pasa si en lugar de 3 empresas, metemos 9 empresas en la canasta?

Es como intentar mantener el equilibrio sobre una cuerda floja mientras te pasan maletas cada vez más grandes. A medida que añades más empresas (más dimensiones), la computadora cuántica se vuelve "confundida" si no le das más recursos. Si mantienes la misma cantidad de "píxeles" pero añades más empresas, la imagen se vuelve borrosa otra vez y el error aumenta.

4. La Conclusión: ¿Estamos listos?

El estudio nos dice algo muy importante para el futuro:

No es magia instantánea: Las computadoras cuánticas actuales todavía necesitan ayuda. No pueden simplemente "saber" el precio; necesitan una buena preparación de datos.
El equilibrio es la clave: No sirve de nada usar miles de qubits si la computadora se vuelve demasiado lenta o compleja. Hay un punto óptimo donde la rapidez cuántica y la precisión matemática se dan la mano.
El camino está trazado: El experimento funcionó con datos reales (precios de acciones de verdad, no inventados), lo que demuestra que, aunque todavía estamos en la etapa de "prototipo", el camino hacia una banca financiera cuántica es real y prometedor.

En resumen: Los investigadores encontraron que las computadoras cuánticas son como fotógrafos expertos: si les das la configuración correcta de "píxeles" (qubits), pueden capturar la compleja realidad del mercado financiero con una precisión que antes nos tomaba una eternidad calcular.

Resumen Técnico: Evaluación de la Estimación de Amplitud Cuántica para la Valoración de Opciones sobre Cestas de Múltiples Activos

Problema
La valoración precisa y eficiente de opciones sobre cestas (basket options) —derivados financieros cuyo valor depende del promedio ponderado de varios activos subyacentes— es un desafío computacional significativo. Los métodos clásicos presentan limitaciones críticas: el modelo Black-Scholes es insuficiente para múltiples activos debido a sus suposiciones simplistas (como la volatilidad constante), y las simulaciones de Monte Carlo (MC) se vuelven extremadamente costosas computacionalmente a medida que aumenta la dimensionalidad (número de activos) y se busca una mayor precisión. Aunque la Estimación de Amplitud Cuántica (QAE) promete una aceleración cuadrática sobre Monte Carlo, la mayoría de los estudios previos se han limitado a datos sintéticos o modelos idealizados, dejando un vacío sobre su desempeño con datos reales de mercado y la gestión de recursos cuánticos.

Metodología
Los autores proponen un flujo de trabajo híbrido cuántico-clásico que utiliza datos históricos reales del mercado (obtenidos vía yfinance) para modelar la distribución de precios. La metodología se divide en:

Preprocesamiento de Datos: Cálculo de rendimientos logarítmicos, medias ( $\mu$ ) y desviaciones estándar ( $\sigma$ ) escaladas al horizonte temporal de la opción, utilizando datos reales de activos como AAPL, GOOG, MSFT, entre otros.
Discretización y Construcción de la Cesta: Se discretiza el rango de precios de cada activo en una cuadrícula definida por $n$ qubits de incertidumbre. Se asume inicialmente la independencia de los activos para construir la distribución conjunta de la cesta.
Construcción del Circuito Cuántico:
- Preparación de Estados: Se utiliza una distribución log-normal para cargar las probabilidades en un registro de qubits de incertidumbre.
- Codificación de la Función de Pago (Payoff): Se emplea un sumador ponderado (Weighted Adder) y una función lineal por tramos para aproximar el pago de la opción ( $\max(0, \text{Precio}_{\text{cesta}} - K)$ ) en un qubit objetivo.
Estimación de Amplitud (QAE): Se aplica el algoritmo para estimar el valor esperado del pago, comparando los resultados con simulaciones de Monte Carlo y el modelo Black-Scholes.

Contribuciones Clave

Integración de Datos Reales: Superan la dependencia de modelos sintéticos al emplear comportamientos de mercado reales (volatilidad y deriva empírica).
Marco Híbrido Flexible: Establecen un sistema para analizar el compromiso (trade-off) entre el uso de recursos (conteo de qubits) y la precisión de la estimación.
Estudio Paramétrico Sistemático: Analizan detalladamente cómo varía la precisión al modificar dos variables: el número de qubits de incertidumbre por activo y el número total de activos en la cesta.
Análisis de Complejidad vs. Precisión: Identifican los límites de la resolución de la cuadrícula cuántica frente al crecimiento exponencial de la complejidad del circuito.

Resultados Principales

Impacto de los Qubits de Incertidumbre: Se observó que con pocos qubits (1–2), la discretización es demasiado gruesa, provocando errores graves de subestimación o sobreestimación. Sin embargo, al alcanzar un "punto óptimo" de 3 a 4 qubits por activo, los resultados de QAE convergen y se alinean estrechamente con los métodos clásicos (Monte Carlo). Más allá de 4 qubits, los beneficios en precisión son marginales comparados con el aumento exponencial en la profundidad del circuito.
Impacto de la Dimensionalidad (Número de Activos): A medida que aumenta el número de activos en la cesta (de 3 a 9), la precisión disminuye si el número de qubits se mantiene fijo. Por ejemplo, con 1 solo qubit, el error de desviación aumenta conforme la cesta crece.
Comportamiento de Convergencia: En cestas de alta dimensionalidad (6–9 activos), el método tiende a presentar desviaciones (sobreestimaciones) debido a la dificultad de capturar correlaciones complejas con recursos limitados, lo que resalta la sensibilidad del método a la resolución de la discretización.

Significancia
Este trabajo es fundamental para la computación cuántica aplicada a las finanzas (Quantum Finance), ya que proporciona una hoja de ruta práctica para la asignación de recursos en la era NISQ (dispositivos cuánticos de escala intermedia con ruido). Al identificar el "punto dulce" de 3–4 qubits, los autores ofrecen una guía para optimizar los flujos de trabajo híbridos, demostrando que la QAE es viable para la valoración de derivados complejos, siempre que se equilibre la resolución de la probabilidad con las limitaciones de hardware actuales.