Quantum Portfolio Optimization: An Extensive Benchmark

Resumen Técnico: Optimización de Carteras Cuánticas: Un Benchmarking Exhaustivo

Definición del Problema
Este estudio investiga el potencial computacional de los algoritmos cuánticos para la optimización de carteras, centrándose específicamente en una variante de minimización de la volatilidad. A diferencia de las formulaciones de "elegir activo o no", este trabajo aborda el problema más práctico de determinar los pesos continuos óptimos de los activos ($\omega_i \in [0, 1]$) para minimizar la volatilidad de la cartera ($\sigma^2$) sujeto a un rendimiento esperado mínimo ($\epsilon$) y restricciones de inversión total ($\sum \omega_i = 1$). Los autores identifican esta variante específica, denominada MinVola, como la más desafiante computacionalmente para los solvers clásicos en comparación con las formulaciones de maximización de retornos o de objetivos múltiples, lo que la convierte en el candidato más prometedor para demostrar una ventaja cuántica.

El estudio utiliza un conjunto de datos de 250 instancias derivadas de datos reales de acciones de Nasdaq (2020–2023), que van desde 3 hasta 1,000 activos. Debido a las limitaciones actuales del hardware, los métodos cuánticos se probaron en instancias de hasta 30 activos, mientras que los métodos clásicos se evaluaron en todo el rango.

Metodología
Los autores llevaron a cabo un benchmark comparativo de enfoques cuánticos y clásicos bajo un límite de tiempo estricto de 60 segundos para el muestreo y el análisis de resultados. El estudio se adhiere a los principios de imparcialidad, reproducibilidad y verificabilidad.

1. Transformación del Problema: Para interactuar con el hardware cuántico, el problema continuo de MinVola se transformó en un modelo de Optimización Binaria Cuadrática sin Restricciones (QUBO). Los pesos continuos se discretizaron utilizando una expansión binaria con un parámetro de precisión $d=3$, lo que resultó en $4n$ variables binarias para $n$ activos. Se aplicaron factores de penalización ($\phi, \psi = 1000$) para imponer las restricciones de retorno y normalización.
2. Métodos Cuánticos:
   • Recocido Cuántico (Quantum Annealing - QA): Ejecutado en un procesador D-Wave Advantage 2 (más de 4,400 qubits físicos). El estudio probó varios tiempos de recocido (1–50 $\mu$s) e intensidades de cadena (chain strengths). Debido a la naturaleza totalmente conectada del QUBO, se empleó una estrategia de incrustación de clique (clique embedding), lo que aumentó significativamente la sobrecarga de qubits.
   • Algoritmo de Optimización Aproximada Cuántica (QAOA): Implementado en el ibm_strasbourg de IBM (127 qubits) y simuladores ideales. El estudio probó tres estrategias de selección de parámetros: búsqueda en cuadrícula (grid search) para $p=1$, inicialización de rampa lineal y optimización COBYLA. El estudio se limitó a instancias pequeñas ($n \le 30$) debido a los requisitos de memoria exponenciales de la simulación clásica y las restricciones de conectividad del hardware.
3. Métodos Clásicos:
   • Solvers Exactos: Se utilizaron Gurobi y SCIP para establecer la optimalidad probada del problema discretizado.
   • Heurísticas: El benchmark incluyó Simulated Annealing, Steepest Descent, Tabu Search y una nueva heurística específica del problema diseñada para ajustar iterativamente los pesos de los activos para reducir la varianza sin construir un modelo matemático completo.
4. Métricas: El rendimiento se evaluó basándose en la razón de aproximación (valor del objetivo relativo a la solución óptima), el porcentaje de factibilidad (fracción de instancias que producen al menos una solución factible) y el número de muestras generadas dentro del límite de tiempo.

Resultados Clave

• Rendimiento Clásico: Los solvers clásicos modernos, particularmente Gurobi, resolvieron instancias de hasta 1,000 activos con optimalidad probada en segundos. Se encontró que Gurobi es más de 1,000 veces más rápido que el solver de código abierto SCIP para instancias grandes, debido principalmente a su capacidad para detectar la convexidad del problema y utilizar métodos de punto interior.
• Cuántico vs. Heurísticas Clásicas: La heurística específica del problema superó consistentemente a todos los enfoques cuánticos (tanto QA como QAOA) en términos de calidad de la solución (razón de aproximación) y factibilidad para tiempos de ejecución fijos.
• Rendimiento Cuántico:
  • Factibilidad: Tanto QA como QAOA tuvieron dificultades para encontrar soluciones factibles, con porcentajes de factibilidad que disminuyeron significativamente a medida que aumentaba el tamaño del problema.
  • Calidad: Las razones de aproximación para los métodos cuánticos fueron a menudo subóptimas (por ejemplo, $\ge 2$ para $n \ge 20$ en QAOA).
  • Comparación con el Azar: En muchas configuraciones, los métodos cuánticos funcionaron aproximadamente al mismo nivel que, o incluso peor que, el muestreo aleatorio en cuanto a la factibilidad y la razón de aproximación.
  • Limitaciones de Hardware: La conectividad densa y de todos contra todos requerida por la formulación QUBO provocó una sobrecarga de incrustación significativa para QA (limitando las instancias resolubles a $n=25$) y una enorme sobrecarga de puertas (swaps) para QAOA durante la transpilación, lo que degradó el rendimiento a medida que aumentaba la profundidad del circuito.
• Recocido Cuántico vs. QAOA: El recocido cuántico superó ligeramente al QAOA basado en puertas en términos de factibilidad y calidad de la solución, pero esta ventaja dependía del ajuste fino de los parámetros de intensidad de cadena. Incluso con el ajuste, el QA no superó a las heurísticas clásicas.

Significancia y Reivindicaciones
El artículo concluye que, para la variante considerada de optimización de carteras (minimización de la volatilidad con pesos continuos), existe actualmente un espacio muy limitado para una ventaja cuántica práctica.

• Dominio Clásico: El estudio demuestra que los solvers clásicos de vanguardia pueden resolver instancias a gran escala con optimalidad en segundos, y que las heurísticas clásicas especializadas superan a los métodos cuánticos en calidad de solución dentro de marcos de tiempo fijos.
• Restricciones de Hardware: El pobre rendimiento de los algoritmos cuánticos se atribuye principalmente a la densa conectividad del problema de optimización de carteras, lo que exacerba las sobrecargas de incrustación y transpilación en el hardware actual.
• Estándar de Benchmarking: Los autores afirman que su trabajo proporciona un benchmark exhaustivo y justo al aislar las contribuciones cuánticas de los componentes clásicos (a diferencia de los solvers híbridos de caja negra) y al utilizar datos del mundo real.
• Perspectiva Modesta: Aunque los resultados establecen un estándar alto para la futura ventaja cuántica, los autores señalan que otras variantes de problemas más complejas con restricciones adicionales podrían arrojar resultados diferentes, aunque tales escenarios requieren mayor investigación. El estudio no afirma que la computación cuántica sea inútil para las finanzas, sino que para esta formulación específica y prácticamente relevante, los métodos clásicos siguen siendo superiores.