📈 economics

The Quantum Structure of Markets: Linking Hamiltonian-Jacobi-Bellman Dynamics to Schrodinger Equation through Feynman Action

Este artículo desarrolla un enfoque de control estocástico mediante integrales de camino euclidianas para caracterizar el comportamiento óptimo de las empresas y derivar un equilibrio de Nash en retroalimentación no cooperativo, ofreciendo una alternativa tratable a las formulaciones tradicionales de Hamilton-Jacobi-Bellman en economías complejas y contrastando sus resultados con los de los juegos de campo medio.

Autores originales: Paramahansa Pramanik

Publicado 2026-03-27

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Paramahansa Pramanik

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

Imagina que el mercado económico es como un océano gigante y tormentoso. En este océano, hay miles de barcos (las empresas) tratando de navegar hacia el puerto de las mayores ganancias.

El problema es que el océano no es predecible: hay olas repentinas (cambios en la economía), vientos fuertes (nuevas tecnologías) y corrientes ocultas (comportamiento de otros barcos). Tradicionalmente, los economistas intentaban predecir el futuro usando mapas muy detallados y reglas fijas (llamadas "Ecuaciones de Hamilton-Jacobi-Bellman"). Pero cuando el océano es muy grande y complejo, esos mapas se vuelven tan complicados que nadie puede leerlos; es como intentar dibujar cada gota de agua del océano en un solo papel.

¿Qué propone este paper?

El autor, Paramahansa Pramanik, sugiere un cambio de perspectiva radical. En lugar de intentar dibujar un mapa perfecto del futuro, propone usar una idea tomada de la física cuántica (la ciencia de las partículas más pequeñas del universo).

Aquí tienes la explicación sencilla con analogías:

1. El problema de los mapas antiguos (El método tradicional)

Imagina que eres un capitán de barco. El método antiguo te dice: "Para llegar al puerto más rápido, debes calcular exactamente qué camino tomarás en cada segundo, considerando todas las olas posibles".

El problema: Si hay 100 barcos interactuando y el clima cambia al azar, los cálculos se vuelven imposibles. Es como intentar adivinar el futuro de cada persona en una ciudad gigante al mismo tiempo. A veces, las matemáticas se rompen porque el sistema es demasiado no lineal (demasiado caótico).

2. La nueva idea: El "Método de los Caminos" (Feynman)

El autor dice: "¿Y si en lugar de buscar un solo camino perfecto, imaginamos que el barco prueba todos los caminos posibles al mismo tiempo?".

En la física cuántica, una partícula (como un electrón) no sigue una sola línea recta. En realidad, viaja por todos los caminos posibles simultáneamente hasta llegar a su destino. La partícula "siente" todos los caminos y elige el que tiene más sentido basándose en una especie de "peso" o probabilidad.

El paper aplica esto a las empresas:

En lugar de calcular una sola estrategia perfecta, el modelo simula miles de escenarios posibles (como si el barco navegara por mil rutas diferentes en paralelo).
Luego, usa una fórmula mágica (llamada Integral de Camino de Feynman) para decir: "De todas estas rutas, las que son más rentables tienen más peso, y las que son malas se cancelan entre sí".
El resultado es una "estrategia óptima" que emerge naturalmente de esta mezcla de posibilidades, sin necesidad de tener un mapa perfecto del futuro.

3. La analogía del "Integrador" (La llave maestra)

Para hacer que esta física cuántica funcione en economía, el autor introduce un concepto llamado función 'g'.

Imagina que el océano tiene corrientes muy extrañas que hacen que los barcos se desvíen.
La función 'g' es como un compás especial o un "factor de integración" que el capitán (o el regulador del mercado) elige.
Este compás ayuda a traducir el caos del océano en una ecuación más simple (llamada ecuación de Schrödinger, que en física describe cómo se mueven las partículas).
Al usar este compás, el problema difícil de "navegar en la tormenta" se convierte en un problema más manejable de "dónde están las olas más probables".

4. ¿Qué pasa con la competencia? (Juegos no cooperativos)

El paper también estudia qué pasa cuando hay muchas empresas compitiendo (un "juego" donde cada uno quiere ganar más que el otro).

Antes: Se intentaba resolver esto como un rompecabezas gigante donde cada pieza dependía de la otra.
Ahora: El modelo trata a cada empresa como una partícula cuántica que reacciona a las demás. En lugar de forzar una solución única, el modelo encuentra un equilibrio donde ninguna empresa quiere cambiar su rumbo porque, dadas las probabilidades, es la mejor opción posible en ese momento.

En resumen: ¿Por qué es importante?

Este paper es como cambiar de dibujar un mapa estático a usar un GPS en tiempo real que prueba millones de rutas a la vez.

Para las empresas: Les da una forma de tomar decisiones en mercados caóticos y complejos donde las reglas tradicionales fallan.
Para la economía: Conecta dos mundos que parecían separados: la economía (dinero y empresas) y la física cuántica (partículas y probabilidades).
La gran ventaja: Funciona incluso cuando las cosas son muy complicadas, no lineales o impredecibles, algo que los métodos antiguos no podían manejar bien.

La moraleja: En un mundo lleno de incertidumbre, en lugar de intentar predecir el futuro con una sola línea recta, es mejor entender todas las posibilidades que existen y dejar que la probabilidad nos guíe hacia la mejor decisión. Es como dejar que el océano te diga por dónde navegar, en lugar de luchar contra él con un mapa viejo.

Aquí presento un resumen técnico detallado del artículo "The Quantum Structure of Markets: Linking Hamiltonian-Jacobi-Bellman Dynamics to Schrödinger Equation through Feynman Action" (La Estructura Cuántica de los Mercados: Vinculando la Dinámica Hamilton-Jacobi-Bellman a la Ecuación de Schrödinger a través de la Acción de Feynman), escrito por Paramahansa Pramanik.

1. Planteamiento del Problema

El artículo aborda la determinación del comportamiento óptimo de las empresas en economías gobernadas por equilibrios de Walras, eficiencia de Pareto y equilibrios de Nash de retroalimentación no cooperativos. El problema central radica en las limitaciones de los métodos tradicionales de optimización dinámica, específicamente la ecuación de Hamilton-Jacobi-Bellman (HJB), en entornos estocásticos complejos:

Curse of Dimensionality (Maldición de la dimensionalidad): La resolución numérica de las ecuaciones HJB requiere la discretización del espacio de estados. En sistemas con muchas variables (como múltiples firmas o activos), el costo computacional crece exponencialmente, haciendo que los métodos basados en mallas sean inviables.
No linealidad y falta de suavidad: En dinámicas de mercado no lineales (como las dinámicas de Merton-Garman-Hamiltonian), las soluciones clásicas de la HJB a menudo no existen, no son únicas o carecen de diferenciabilidad, lo que dificulta la aplicación del principio de máximo de Pontryagin.
Dinámicas prospectivas: Muchos problemas económicos implican compromisos futuros que rompen la estructura recursiva estándar requerida por la programación dinámica tradicional.

El objetivo es desarrollar un marco alternativo que evite la construcción explícita de una función de valor (value function) y proporcione soluciones tratables para sistemas estocásticos no lineales de alta dimensión.

2. Metodología: Control de Integral de Camino Euclídea

El autor propone un enfoque basado en la integral de camino de Feynman (originaria de la mecánica cuántica) adaptada a la teoría de control estocástico. La metodología se estructura de la siguiente manera:

Reformulación Lagrangiana Estocástica: En lugar de maximizar una función de valor recursiva, el problema se formula como la maximización de un funcional de beneficio dinámico sujeto a restricciones estocásticas (isoperimétricas y no holónomas). Se introduce un multiplicador de Lagrange $\lambda(s)$ para manejar las restricciones de la dinámica del estado (ecuaciones diferenciales estocásticas o SDEs).
Transformación a Ecuación de Schrödinger:
1. Se define una función auxiliar $g(s, X)$ , que actúa como un factor integrante para la SDE del mercado.
2. Aplicando el Lema de Itô a esta construcción y realizando expansiones de Taylor, el sistema se transforma en una ecuación diferencial parcial lineal de tipo Schrödinger con rotación de Wick (Wick-rotated).
3. Esta transformación convierte la ecuación HJB no lineal (que es hacia atrás en el tiempo) en una ecuación de difusión lineal (hacia adelante), gobernada por una función de transición de probabilidad $\Psi$ .
Representación de Integral de Camino: La solución se expresa como una integral funcional sobre todas las trayectorias posibles del estado del mercado, ponderadas por un funcional de acción exponencial:
$\Psi \propto \int \exp\left(-\varepsilon A_{s,\tau}(X)\right) \mathcal{D}X$
Donde $A$ es la acción de Feynman y $\varepsilon$ es un parámetro de penalización.
Resolución Numérica (Monte Carlo): Dado que la solución no requiere una malla de estados, se utiliza el muestreo de Monte Carlo para simular múltiples trayectorias estocásticas. La estrategia óptima se recupera mediante un promedio ponderado de estas trayectorias, donde los pesos son proporcionales a $\exp(-\varepsilon \cdot \text{Acción})$ . Esto evita la maldición de la dimensionalidad, ya que el costo computacional escala linealmente con el número de trayectorias simuladas, no exponencialmente con la dimensión del estado.

3. Contribuciones Clave

Derivación de Equilibrios de Nash No Cooperativos en Entornos de Integral de Camino: El artículo establece formalmente la existencia y la caracterización de un equilibrio de Nash de retroalimentación no cooperativo dentro del marco de la integral de camino, contrastándolo con las interacciones de juegos de campo medio (mean-field games).
Alternativa a la Función de Valor: Se demuestra que es posible obtener políticas óptimas sin construir explícitamente la función de valor $V(s, X)$ , superando las dificultades de las ecuaciones HJB en sistemas no lineales y de alta dimensión.
Unificación de Enfoques: Se conecta rigurosamente la teoría de control estocástico con la mecánica cuántica, mostrando cómo la ecuación de HJB puede transformarse en una ecuación de Schrödinger lineal bajo ciertas condiciones (como funciones de beneficio cuadráticas y ruido aditivo), permitiendo el uso de técnicas de física estadística.
Aplicabilidad a Dinámicas Complejas: El método se aplica exitosamente a casos donde el principio de máximo de Pontryagin falla o es inaplicable, como en sistemas con dinámicas de volatilidad estocástica (Merton-Garman-Hamiltonian) y problemas de extracción de recursos con múltiples agentes.

4. Resultados Principales

El autor presenta varios resultados teóricos y ejemplos numéricos:

Proposición 2 (Equilibrio de Walras): Se deriva una condición de primer orden para la estrategia óptima de una empresa en un equilibrio de Walras. La solución se obtiene resolviendo una ecuación diferencial que involucra derivadas parciales de una función $f$ construida a partir de la acción de Feynman, en lugar de resolver una PDE no lineal.
Proposición 3 (Ecuación Merton-Garman-Hamiltonian): Se demuestra que el método de integral de camino puede encontrar estrategias óptimas para opciones europeas con volatilidad estocástica, un caso donde las soluciones analíticas de HJB son extremadamente difíciles o imposibles de obtener.
Comparación con Pontryagin (Ejemplos 1 y 2):
- En un modelo de publicidad de mercado, el enfoque cuántico produce una estrategia de retroalimentación cúbica (no lineal), mientras que el principio de Pontryagin (bajo ciertas suposiciones de valor) produce una regla lineal.
- Los resultados muestran que el enfoque propuesto genera distribuciones de mercado terminal y patrones de control distintos, ofreciendo una mayor flexibilidad ante la incertidumbre.
Juegos Cooperativos y No Cooperativos (Ejemplos 3, 4 y 5): Se aplican las fórmulas derivadas a problemas de extracción de recursos con múltiples jugadores. Se demuestra que el enfoque de integral de camino proporciona soluciones de equilibrio de Nash y Pareto que difieren estructuralmente de las obtenidas mediante la programación dinámica clásica, especialmente en la presencia de dinámicas de deriva no lineales.
Validación Numérica: Las simulaciones de Monte Carlo (Figuras 3-8) confirman la estabilidad numérica del método, mostrando que la aproximación de integral de camino maneja bien la dispersión estocástica y no sufre de degeneración de pesos severa bajo los parámetros probados.

5. Significado e Implicaciones

Este trabajo es significativo por varias razones:

Viabilidad Computacional: Ofrece una solución práctica a la "maldición de la dimensionalidad" en la economía dinámica y la teoría de juegos estocásticos, permitiendo modelar sistemas con muchas firmas o activos donde los métodos tradicionales fallan.
Nueva Perspectiva Teórica: Al vincular la economía con la mecánica cuántica a través de la acción de Feynman, el paper sugiere que el comportamiento agregado de los mercados puede entenderse como la superposición de todas las trayectorias estocásticas posibles, no solo la trayectoria determinista óptima.
Flexibilidad en Modelado: El método no requiere suposiciones restrictivas de linealidad o concavidad estricta, lo que lo hace adecuado para modelar fenómenos económicos reales con fricciones, no linealidades y comportamientos prospectivos complejos.
Aplicaciones Interdisciplinarias: Aunque el enfoque se centra en la economía, el marco metodológico es transferible a otros campos como la biología (modelado de tumores, migración de especies) y la ingeniería, donde la toma de decisiones bajo incertidumbre y dinámicas estocásticas es crucial.

En resumen, el artículo propone un cambio de paradigma en la resolución de problemas de control óptimo estocástico, sustituyendo la programación dinámica basada en valores por un enfoque de integral de camino basado en trayectorias, lo que permite abordar problemas de alta dimensión y no linealidad que eran previamente intratables.