💰 quantitative finance

Quantum-Assisted Optimal Rebalancing with Uncorrelated Asset Selection for Algorithmic Trading Walk-Forward QUBO Scheduling via QAOA

Este artículo presenta un marco híbrido clásico-cuántico que utiliza el algoritmo QAOA para optimizar la programación de reequilibrios de carteras, logrando reducir significativamente los costos de transacción mediante menos operaciones mientras mantiene un rendimiento ajustado al riesgo competitivo en comparación con las estrategias clásicas.

Autores originales: Abraham Itzhak Weinberg

Publicado 2026-03-19

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Abraham Itzhak Weinberg

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

¡Claro que sí! Imagina que este artículo es como una receta para cocinar el plato financiero perfecto, pero en lugar de usar cuchillos y sartenes, los chefs están usando computadoras cuánticas (una tecnología futurista) y inteligencia artificial.

Aquí tienes la explicación sencilla, paso a paso:

🌟 La Gran Idea: ¿Cuándo mover las fichas?

En el mundo de las inversiones, hay dos preguntas clásicas:

¿Qué acciones compro? (Selección de activos).
¿Cuándo las cambio? (Reequilibrio).

La mayoría de los inversores tradicionales hacen esto por separado: eligen sus acciones y luego las cambian cada mes o cada vez que se desvían un poco. El problema es que cambiar de acciones cuesta dinero (comisiones) y a veces es innecesario. Es como cambiar de ruta en un viaje cada 5 minutos; te gastas más gasolina en desviaciones que en llegar a tiempo.

Esta investigación propone algo nuevo: Usar una "brújula cuántica" para decidir exactamente cuándo es el momento perfecto para hacer un movimiento, ahorrando dinero y ganando más.

🛠️ Los Tres Ingredientes Secretos

Para lograr esto, el autor (Abraham Itzhak Weinberg) mezcló tres técnicas:

1. El "Filtro de Amistad" (Selección de Acciones)

Imagina que tienes 500 amigos (las acciones del S&P 500). Quieres elegir solo 10 para tu grupo de viaje, pero quieres que sean muy diferentes entre sí. Si todos reaccionan igual a la lluvia, todos se mojarán juntos.

Lo que hicieron: Usaron una técnica matemática (Ledoit-Wolf) para encontrar 10 acciones que, aunque están en el mismo mercado, no se comportan igual. Si una cae, es probable que la otra se mantenga firme. Es como elegir un equipo de fútbol donde tienes un portero, un delantero y un defensa, en lugar de elegir a 10 delanteros.

2. El "Entrenador IA" (Optimización de Pesos)

Una vez elegidos los 10 amigos, ¿cuánto dinero le das a cada uno?

Lo que hicieron: Usaron un Algoritmo Genético (una IA que evoluciona como la naturaleza) para probar millones de combinaciones de dinero. La IA "evolucionó" hasta encontrar la mezcla perfecta que maximiza las ganancias sin arriesgar demasiado. Además, le puso un "freno de seguridad" para que no se obsesionara con solo una o dos acciones (evitando soluciones desequilibradas).

3. El "Oráculo Cuántico" (La parte revolucionaria: QAOA)

Aquí está la magia. Decidir cuándo rebalancear es un problema de combinatoria (muchas posibilidades).

El problema clásico: Probar todas las fechas posibles para ver cuál es la mejor es como intentar encontrar una aguja en un pajar... pero el pajar es un universo entero y la aguja se mueve.
La solución cuántica: Usaron un algoritmo llamado QAOA (algoritmo de optimización cuántica aproximada). Imagina que en lugar de probar una ruta a la vez, la computadora cuántica explora todas las rutas posibles al mismo tiempo y "siente" cuál es la más suave.
El resultado: En lugar de cambiar las acciones cada semana (como hacen los robots clásicos), el sistema cuántico dijo: "¡Espera! No hagas nada durante 10 días, luego haz un movimiento rápido y luego espera otra vez".

🏆 Los Resultados: ¿Funcionó?

El equipo probó su sistema con datos reales del año 2025 (usando datos pasados para simular el futuro) y comparó su método cuántico contra 15 estrategias clásicas.

Los hallazgos fueron sorprendentes:

Ganó el equipo cuántico: La estrategia "IA + Computadora Cuántica" tuvo el mejor rendimiento ajustado al riesgo (un indicador llamado Sharpe Ratio de 0.588), superando ligeramente a la mejor estrategia clásica (0.575).
Ahorro masivo de dinero: ¡Esta es la parte más importante!
- La estrategia clásica (que cambiaba cada 10 días) tuvo que hacer 24 movimientos, gastando mucho en comisiones.
- La estrategia cuántica solo hizo 8 movimientos.
- Analogía: Es como si dos taxis fueran al mismo destino. El taxi clásico se detiene en 24 semáforos para cambiar de carril innecesariamente. El taxi cuántico, gracias a su "brújula", solo se desvía 8 veces.
- Resultado: Ahorraron un 44.5% en costos de transacción y aun así ganaron más dinero.

💡 ¿Qué significa esto para el futuro?

El artículo demuestra que las computadoras cuánticas (aunque aún son experimentales y pequeñas) ya pueden ayudar a tomar decisiones financieras complejas mejor que los métodos tradicionales en tareas específicas, como decidir cuándo mover el dinero.

No es que la computadora cuántica adivine el futuro, sino que es muy buena resolviendo acertijos de "cuándo hacer qué" de una manera que las computadoras normales tardarían mucho más en calcular o no encontrarían la solución óptima.

En resumen:
El autor creó un sistema que elige amigos financieros que no se parecen entre sí, les asigna dinero con una IA inteligente y usa una computadora cuántica para decirte exactamente cuándo moverte para ganar más y gastar menos en comisiones. ¡Es como tener un piloto automático que sabe cuándo acelerar y cuándo frenar para ahorrar gasolina! 🚀📉📈

1. Planteamiento del Problema

La gestión de carteras enfrenta dos decisiones interrelacionadas: qué activos mantener y cuándo reequilibrar los pesos hacia las metas objetivo.

Limitaciones clásicas: Los enfoques tradicionales tratan estos problemas de forma secuencial y desacoplada (primero optimizan pesos, luego aplican un calendario fijo o umbrales). Esto ignora la interacción entre la deriva de los pesos y el costo de transacción, desperdiciando presupuesto en operaciones innecesarias o perdiendo oportunidades de reequilibrio beneficiosas.
El desafío computacional: Optimizar el momento exacto del reequilibrio es un problema de optimización combinatoria que se vuelve intratable a escala clásica cuando el número de fechas candidatas crece.
La propuesta: Utilizar la computación cuántica, específicamente el Algoritmo Cuántico de Aproximación de Optimización (QAOA), para formular y resolver el problema de la programación del reequilibrio como un problema de Optimización Binaria Cuadrática sin Restricciones (QUBO).

2. Metodología

El marco propuesto integra selección de activos, optimización de pesos y programación de reequilibrio en un flujo de trabajo "walk-forward" (hacia adelante) para evitar sesgos de visión futura.

A. Selección de Activos (Asset Selection)

Universo: S&P 500, libre de sesgo de supervivencia (se reconstruye el índice tal como estaba el 31 de diciembre de 2024).
Estimación de Covarianza: Se utiliza el estimador de contracción (shrinkage) Ledoit-Wolf para reducir el error de estimación en matrices de covarianza con muestras finitas.
Agrupamiento Jerárquico: Se aplica clustering jerárquico basado en la distancia angular de la matriz de correlación contraída.
Selección: Se eligen $n=10$ $n = 10$ acciones (una por cada clúster) que maximizan el ratio de Sharpe anualizado dentro de su grupo. Esto garantiza una cartera de activos máximamente no correlacionados y de alto rendimiento individual.
- Activos seleccionados: EXR, NI, CHD, LLY, COST, AVGO, TPL, CTAS, AMP, AJG.

B. Optimización de Pesos

Se comparan cuatro métodos de asignación de pesos:

Algoritmo Genético (GA) Regularizado por Entropía: Maximiza el ratio de Sharpe anualizado penalizando soluciones degeneradas (concentradas en pocos activos) mediante un término de entropía normalizada. Se ejecuta acelerado en GPU.
Varianza Mínima (MinVar): Solución de forma cerrada para minimizar la volatilidad.
Pesos Iguales (Equal Weight).
Ensemble: Promedio simple de los tres anteriores.

C. Formulación QUBO del Reequilibrio

El núcleo de la contribución es transformar la decisión de cuándo reequilibrar en un problema QUBO:

Variables: Un vector binario $x \in \{0, 1\}^W$ donde $W$ son las fechas candidatas en una ventana de tiempo.
Función Objetivo (Minimización):
- Ganancia Marginal de Sharpe: Beneficio neto de reequilibrar vs. mantener la cartera derivada.
- Penalización de Costo: Costo de transacción proporcional a la desviación de los pesos.
- Penalización de Frecuencia: Un término de interacción exponencialmente decreciente que penaliza reequilibrios consecutivos (evita el "ruido" de trading).
Resolución: Se utiliza QAOA con profundidad $p=2$ . Se emplea una estrategia de multi-reinicio (5 reinicios con ángulos aleatorios) y optimización clásica (COBYLA) para encontrar los parámetros variacionales óptimos.

D. Validación Walk-Forward

Para eliminar el sesgo de visión futura, el periodo de prueba (2025) se divide en 3 ventanas. El QUBO se construye y resuelve solo con los datos disponibles hasta el inicio de cada ventana, aplicando el calendario resultante solo dentro de esa ventana.

3. Contribuciones Clave

Selección de Activos Robusta: Combinación de contracción Ledoit-Wolf y clustering jerárquico para evitar errores de estimación y sesgos de búsqueda.
Optimización de Pesos Híbrida: Uso de GA regularizado por entropía en GPU para evitar soluciones degeneradas.
Formulación QUBO Novel: Primera formulación en la literatura que trata la programación temporal del reequilibrio (timing) como un problema QUBO, incorporando costos y penalizaciones de frecuencia.
Marco Walk-Forward con QAOA: Implementación práctica que elimina el lookahead bias y demuestra la viabilidad de QAOA en problemas de scheduling financiero.
Evidencia Empírica: Comparación exhaustiva de 16 estrategias (4 métodos de pesos $\times$ 4 estrategias de calendario) en datos fuera de muestra.

4. Resultados (Periodo de Prueba: 2025)

Los resultados se basan en datos del S&P 500 (entrenamiento 2010-2024, prueba 2025).

Rendimiento Superior: La estrategia GA + QAOA logró el mejor ratio de Sharpe (0.588), superando a la mejor estrategia clásica (GA con reequilibrio cada 10 días, Sharpe 0.575).
Reducción de Costos Dramática:
- GA + QAOA: 8 reequilibrios (Costo: 6.1 puntos básicos).
- GA (cada 10 días): 24 reequilibrios (Costo: 11.0 puntos básicos).
- Reducción del 44.5% en costos de transacción manteniendo un rendimiento superior.
Retorno Total: 10.1% para GA + QAOA frente al 9.77% del mejor clásico.
Convergencia Cuántica: La distribución de bitstrings de QAOA mostró una concentración significativa de probabilidad en la solución óptima (>7% de los disparos en el bitstring superior, frente a un 0.4% esperado en una distribución uniforme), sugiriendo una ventaja cuántica en la sub-problemática combinatoria.
Fallo de Estrategias Clásicas: Las estrategias de umbral (rebalancear si la deriva > 5%) y los pesos de Varianza Mínima (MinVar) rindieron mal en el entorno de 2025, validando la necesidad de optimización dinámica y selección de activos basada en momentum (GA).

5. Significado e Implicaciones

Ventaja Cuántica Práctica: El artículo proporciona evidencia empírica de que los algoritmos variacionales cuánticos (QAOA) pueden ofrecer mejoras económicas tangibles (mejor ratio riesgo/retorno y menor costo) en problemas de trading combinatorio, incluso en hardware simulado actual.
Eficiencia Operativa: Demuestra que la optimización cuántica puede reducir la frecuencia de operaciones innecesarias, un factor crítico en la rentabilidad de los fondos de alta frecuencia y gestión activa.
Escalabilidad: Aunque el experimento actual usa $W=8$ fechas candidatas (factible clásicamente), la metodología está diseñada para escalar a $W \ge 20$ o más, donde la complejidad exponencial ( $2^W$ ) hace que los métodos clásicos sean inviables, abriendo la puerta a su implementación en hardware cuántico real (NISQ) y annealers (D-Wave).

En conclusión, el trabajo establece un nuevo paradigma donde la computación cuántica no solo optimiza los pesos de la cartera, sino que resuelve dinámicamente el problema de cuándo ejecutar las operaciones, logrando una eficiencia superior a los métodos clásicos más avanzados.