⚛️ quantum physics

Option Pricing on Noisy Intermediate-Scale Quantum Computers: A Quantum Neural Network Approach

Este trabajo presenta una implementación pionera de una red neuronal cuántica en hardware cuántico actual para aproximar la valoración de opciones bajo el modelo Black-Scholes-Merton, demostrando la viabilidad de este enfoque en dispositivos ruidosos de escala intermedia y su potencial para modelos financieros más complejos.

Autores originales: Sebastian Zając, Rafał Pracht

Publicado 2026-04-23

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sebastian Zając, Rafał Pracht

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 el mundo de las finanzas es como un gigantesco mercado de apuestas donde se negocian "futuros" y "seguros" sobre el precio de acciones, divisas y materias primas. Estos instrumentos se llaman derivados. El problema es que calcular cuánto valen es como intentar predecir el clima exacto de una ciudad para el próximo año: es extremadamente complejo, requiere superordenadores y, a veces, los cálculos clásicos se quedan cortos o tardan demasiado.

Aquí es donde entra este paper, que es como un experimento de laboratorio realizado por dos ingenieros de una empresa llamada finQbit.

1. El Problema: La "Caja Negra" de las Finanzas

Imagina que tienes que calcular el precio de un billete de lotería que depende de si llueve mañana.

El método clásico: Usas una calculadora muy potente (como un ordenador normal) y haces millones de simulaciones (como lanzar la moneda al aire millones de veces) para adivinar el precio. Funciona, pero es lento y gasta mucha energía.
El problema: Si el billete de lotería depende de 100 cosas diferentes (lluvia, viento, tráfico, humor del vendedor...), la calculadora se vuelve tan lenta que el cálculo nunca termina.

2. La Solución Propuesta: Un "Cerebro Cuántico"

Los autores proponen usar una Red Neuronal Cuántica (QNN).

La analogía: Imagina que un ordenador normal es como un cocinero que sigue una receta paso a paso. Una computadora cuántica es como un chef que puede probar todos los ingredientes a la vez en una dimensión mágica (llamada Espacio de Hilbert) y encontrar la combinación perfecta instantáneamente.
El objetivo: Quieren ver si este "chef cuántico" puede aprender a predecir el precio de una opción financiera (un tipo de contrato) tan bien como los métodos clásicos, pero usando una máquina cuántica real y ruidosa (llamada NISQ, que significa que aún no es perfecta y tiene "ruido" o errores).

3. El Experimento: La "Caja de Arena"

Para probar su idea, no usaron el mercado real (que es demasiado peligroso y complejo). Usaron el modelo Black-Scholes-Merton.

La analogía: Es como si quisieras probar un nuevo coche de carreras. No lo llevas a la Fórmula 1 de inmediato; lo pruebas en una pista de entrenamiento controlada donde sabes exactamente cómo debería comportarse.
En este caso, la "pista" es el modelo matemático clásico. Si la red neuronal cuántica puede aprender a predecir los precios en esta pista simple, entonces tienen una oportunidad de usarla en pistas más difíciles (modelos reales complejos).

4. La Magia: El "finQbit" (El coche compacto)

El gran truco de este paper es que no usaron una computadora cuántica gigante, sino una muy pequeña y eficiente llamada finQbit.

El truco de los 2 qubits: En lugar de usar 4 o más "bits cuánticos" (qubits), que son como las piezas de un rompecabezas muy frágiles, ellos lograron comprimir toda la información en solo 2 qubits.
Cómo lo hicieron: Imagina que tienes 4 ingredientes (precio, tiempo, interés, volatilidad). En lugar de poner cada ingrediente en un plato diferente, ellos los mezclaron en dos platos especiales de una manera muy inteligente, rotándolos y cambiándolos de lugar en cada paso del proceso.
Resultado: ¡Funcionó! Con solo 2 qubits y muy pocos parámetros, su modelo cuántico fue tan preciso como los mejores modelos de inteligencia artificial clásicos (como los árboles de decisión que usan los bancos hoy en día).

5. La Prueba de Fuego: Viajando por el Mundo Cuántico

Lo más impresionante es que no se quedaron en una simulación de ordenador. ¡Llevaron su modelo a 4 computadoras cuánticas reales diferentes que existen hoy en día:

IBM Fez (usa superconductores, como circuitos fríos).
IonQ Forte (usa iones atrapados, como átomos flotando con láseres).
Rigetti Ankaa-3 (otra tecnología superconductora).
IQM Garnet (tecnología europea).

¿Qué pasó?

Cada máquina tiene su propio "ruido" (como si una tuviera un poco de estática en la radio y otra un poco de eco).
A pesar del ruido y de que las máquinas no son perfectas, el modelo finQbit logró predecir los precios correctamente en todas ellas.
La lección: Demostraron que, aunque las máquinas cuánticas actuales son "ruidosas" (como intentar escuchar una canción con el viento aullando), si tu "canción" (el algoritmo) es lo suficientemente inteligente y eficiente, puedes escucharla perfectamente.

6. Conclusión: ¿Qué significa esto para el futuro?

Este paper es como el primer vuelo de prueba de un avión cuántico.

No es el avión final: Aún no pueden volar a la velocidad de la luz ni cruzar el océano (no pueden resolver todos los problemas financieros complejos todavía).
Pero el motor funciona: Demostraron que es posible usar una red neuronal cuántica en hardware real para hacer cálculos financieros precisos.
El futuro: Si logran escalar esto a modelos más complejos (como los que usan los bancos para gestionar riesgos de miles de millones de dólares), podrían ahorrar tiempo, dinero y energía, permitiendo tomar decisiones financieras más rápidas y seguras.

En resumen: Los autores tomaron un problema financiero complejo, lo simplificaron para una "pista de entrenamiento", diseñaron un algoritmo cuántico muy eficiente (como un coche compacto y ágil) y demostraron que, incluso con las máquinas imperfectas de hoy, este coche puede correr tan bien como los coches clásicos. ¡Es un gran paso hacia el futuro de las finanzas cuánticas!

Aquí presento un resumen técnico detallado del artículo "Fijación de precios de opciones en computadoras cuánticas de escala intermedia ruidosas (NISQ): Un enfoque de red neuronal cuántica", basado en el documento proporcionado.

1. El Problema y el Contexto

El mercado global de derivados, con valores nominales de cientos de billones de dólares, requiere modelos de fijación de precios altamente precisos y eficientes para la gestión de riesgos y el cumplimiento normativo.

Limitaciones Clásicas: Aunque el modelo Black-Scholes-Merton (BSM) ofrece soluciones analíticas para opciones europeas, los productos financieros más complejos (opciones americanas, dependientes de la trayectoria, múltiples activos) carecen de soluciones cerradas. Los métodos numéricos tradicionales (Monte Carlo, diferencias finitas) sufren de la "maldición de la dimensionalidad" y son computacionalmente costosos.
El Reto Cuántico: El objetivo es determinar si las Redes Neuronales Cuánticas (QNN) pueden aproximar funciones de fijación de precios de opciones de manera efectiva en hardware cuántico actual (NISQ), que es propenso al ruido y a la decoherencia, superando las limitaciones de los enfoques clásicos en términos de eficiencia de recursos y capacidad de representación.

2. Metodología

Los autores proponen un enfoque totalmente cuántico utilizando un marco de Redes Neuronales Cuánticas (QNN) como sustituto (surrogate) para la función de precios de opciones.

Entorno de Prueba: Se utiliza el modelo Black-Scholes-Merton (BSM) para opciones de compra europeas como entorno de referencia controlado. Esto permite comparar los resultados cuánticos con soluciones analíticas exactas.
Generación de Datos: Se creó un conjunto de datos sintéticos con 500 muestras de entrenamiento y 1001 de prueba, variando cuatro características de entrada:
- Dinero (Moneyness, $m = S/K$ )
- Tiempo hasta el vencimiento ( $T$ )
- Tasa de interés libre de riesgo ( $r$ )
- Volatilidad ( $\sigma$ )
Arquitectura Propuesta (finQbit):
- Se desarrolló una arquitectura compacta de 2 qubits para mitigar el ruido del hardware.
- Codificación de Alta Densidad: Cada qubit codifica dos características simultáneamente utilizando ejes de rotación ortogonales ( $R_x, R_y$ ).
- Re-subida de Datos Dinámica (Data Re-uploading): Las características se permutan dinámicamente entre las capas de la red (3 capas de re-subida) para capturar correlaciones inter-funcionales.
- Compresión de Ansatz: El circuito original se optimizó y comprimió en un bloque unitario $U(4)$ de 2 qubits para reducir la profundidad del circuito y los errores de puertas.
Validación: El modelo se entrenó y evaluó en simuladores ideales y, crucialmente, se ejecutó en cuatro procesadores cuánticos físicos diferentes:
- IBM Fez (Superconductores)
- IQM Garnet (Superconductores)
- IonQ Forte (Iones atrapados)
- Rigetti Ankaa-3 (Superconductores)

3. Contribuciones Clave

Implementación en Hardware Real: Es una de las primeras implementaciones de un flujo de trabajo completo de fijación de precios de opciones basado en QNN ejecutado en hardware cuántico NISQ disponible comercialmente.
Arquitectura Eficiente (finQbit): Propone un diseño de 2 qubits que logra una precisión comparable a modelos clásicos complejos (como XGBoost) utilizando solo 36 parámetros entrenables, una reducción de un orden de magnitud frente a los ~400 parámetros de los ensembles clásicos.
Estudio Transversal de Hardware: Realiza una comparación rigurosa entre tecnologías de qubits superconductores e iones atrapados, analizando cómo los perfiles de ruido específicos de cada plataforma afectan la precisión de la fijación de precios.
Mitigación de Errores: Demuestra la efectividad de técnicas como la mitigación de errores de lectura (Readout Error Mitigation) y la compresión de ansatz para recuperar la precisión en entornos ruidosos.

4. Resultados Principales

Precisión General: La arquitectura finQbit logró un coeficiente de determinación ( $R^2$ ) de 0.97958 en simulación ideal, superando ligeramente al modelo XGBoost ( $R^2 \approx 0.978$ ).
Desempeño en Regiones Críticas (ATM): El modelo cuántico mostró una ventaja significativa en la región "Al Diner" (At-The-Money), donde la convexidad de la superficie de precios es máxima.
- En la región ATM, el error cuadrático medio (MSE) de finQbit fue ~0.000163, reduciéndose aproximadamente un 50% en comparación con el XGBoost (0.000328). Esto sugiere que las transformaciones unitarias continuas en el espacio de Hilbert capturan mejor la no linealidad suave que los árboles de decisión discretos.
Rendimiento en Hardware Físico:
- IBM Fez: Fue el hardware más preciso, alcanzando un $R^2$ de 0.9300 con la arquitectura comprimida.
- IonQ Forte: Mostró alta estabilidad temporal pero un sesgo sistemático hacia la sobreestimación de precios.
- Rigetti e IQM: Mostraron sesgos hacia la subestimación, especialmente en opciones "In-The-Money" (ITM), aunque la mitigación de errores mejoró significativamente los resultados en Rigetti.
Análisis de Ruido: Se identificó que el aumento del número de disparos (shots) más allá de cierto umbral (2000-5000) no siempre mejora la precisión debido a la deriva temporal del hardware (calibración), lo que introduce un sesgo sistemático que domina al ruido estadístico.

5. Significado y Conclusión

El estudio concluye que las Redes Neuronales Cuánticas son un marco viable para la fijación de precios de derivados incluso en la era NISQ actual.

Validación de Concepto: Demuestra que no es necesario esperar a computadoras cuánticas tolerantes a fallos para aplicar aprendizaje automático cuántico en finanzas.
Ventaja Inductiva: La geometría continua del espacio de Hilbert ofrece un sesgo inductivo superior para aproximar superficies financieras suaves y no lineales en comparación con los métodos clásicos basados en particiones discretas.
Futuro: Aunque el modelo BSM es simple, este trabajo sienta las bases para extender estas técnicas a modelos más complejos y demandantes computacionalmente (volatilidad estocástica, tasas de interés, opciones exóticas), donde los métodos clásicos encuentran cuellos de botella.

En resumen, el artículo proporciona evidencia empírica de que los enfoques basados en QNN pueden ofrecer aproximaciones precisas y eficientes en recursos para la valoración de opciones, superando a los benchmarks clásicos en regiones de alta convexidad y demostrando robustez a través de diversas plataformas de hardware cuántico.