⚛️ quantum physics

Quantum-Informed Portfolio Selection: An End-to-End Pipeline Validated on Trapped-Ion Hardware with Real Market Data

Este artículo presenta un flujo de trabajo de extremo a extremo que utiliza el algoritmo híbrido qReduMIS, el cual aprovecha las mediciones de QAOA para identificar nodos congelados y guiar reducciones clásicas, resolviendo con éxito problemas de diversificación de carteras a gran escala utilizando datos de mercado reales en el hardware de iones atrapados de Quantinuum donde el QAOA independiente falla.

Autores originales: Romina Yalovetzky, Martin J. A. Schuetz, Zichang He, Jiayu Shen, Yue Sun, Rudy Raymond, Shauna Sahay, Kishore Perla, Ruben S. Andrist, Grant Salton, Helmut G. Katzgraber, Roger Bongiovanni, Niraj Kuma

Publicado 2026-07-02

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Romina Yalovetzky, Martin J. A. Schuetz, Zichang He, Jiayu Shen, Yue Sun, Rudy Raymond, Shauna Sahay, Kishore Perla, Ruben S. Andrist, Grant Salton, Helmut G. Katzgraber, Roger Bongiovanni, Niraj Kumar, Rob Otter

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

La visión general: Construir una cesta de inversión "superdiversificada"

Imagina que eres un chef intentando crear la ensalada definitiva. Tienes una cesta enorme con 225 ingredientes diferentes (acciones). Tu objetivo es elegir tantos ingredientes como sea posible para hacer una ensalada grande y deliciosa, pero con una regla estricta: ningún par de ingredientes puede saber demasiado parecido.

Si eliges dos tipos de lechuga que saben exactamente igual, no estás diversificando realmente tu ensalada; solo estás duplicando un sabor. En finanzas, esto se llama "correlación". Si dos acciones suben y bajan juntas, están "correlacionadas". El objetivo del artículo es encontrar el grupo más grande posible de acciones que sean todas únicas entre sí.

El problema: Un laberinto demasiado grande para resolverlo solo

Encontrar este grupo perfecto es como intentar resolver un laberinto masivo.

La forma antigua (Computadoras clásicas): Las computadoras tradicionales intentan resolver esto comprobando cada combinación posible. Pero a medida que el número de ingredientes crece, el número de combinaciones explota. Es como intentar encontrar una aguja en un pajar que se hace más grande cada segundo.
La forma cuántica (La nueva herramienta): Los investigadores intentaron usar una "Computadora Cuántica" especial (específicamente, una máquina de iones atrapados de Quantinuum) para resolver este laberinto. Sin embargo, al igual que un humano que se cansa, la computadora cuántica tuvo dificultades. Cuando el laberinto se volvía demasiado grande (como los índices S&P 100 o Nikkei 225), la computadora cuántica por sí sola no podía encontrar la solución perfecta. Se perdía constantemente.

La solución: El "Detective Híbrido" (qReduMIS)

En lugar de pedirle a la computadora cuántica que resuelva todo el laberinto a la vez, los investigadores crearon un nuevo método de colaboración llamado qReduMIS. Piensa en ello como una asociación de detectives entre una Computadora Clásica (el planificador lógico) y una Computadora Cuántica (el adivinador intuitivo).

Así es como funciona su "proceso de extremo a extremo" (End-to-End Pipeline), paso a paso:

La limpieza (Paso Clásico): Primero, la Computadora Clásica observa la lista de 225 acciones y elimina las obvias que no pueden formar parte de la solución. Es como si el chef dijera: "Definitivamente no necesitamos tanto chocolate como pepinillos", y las deja a un lado. Esto reduce el problema a un grupo más pequeño y manejable (un "núcleo" o kernel).
La adivinación intuitiva (Paso Cuántico): La Computadora Clásica le entrega este grupo más pequeño a la Computadora Cuántica. En lugar de preguntarle a la Computadora Cuántica: "¿Cuál es la respuesta perfecta?" (en lo que podría fallar), le hacen una pregunta diferente: "¿Qué ingredientes tienen más probabilidades de estar en la ensalada perfecta?"
- La Computadora Cuántica realiza un experimento rápido y da una lista de "pistas calientes". Dice: "Estoy un 90% seguro de que el Ingrediente #4 pertenece a la ensalada, y estoy un 90% seguro de que el Ingrediente #7 no pertenece".
- En el artículo, estas "pistas calientes" se llaman Nodos Congelados (Frozen Nodes).
El desbloqueo (La Magia): La Computadora Clásica toma estas "pistas calientes" y las bloquea en su lugar. Si la Computadora Cuántica dice "el Ingrediente #4 es imprescindible", la Computadora Clásica lo bloquea y elimina a sus "rivales" (acciones que saben demasiado similares al #4).
Repetir: Este proceso se repite. La Computadora Clásica reduce la lista, la Computadora Cuántica da algunas "pistas calientes" más, y la lista se hace cada vez más pequeña hasta que se encuentra la ensalada perfecta.

La analogía: El "Dedo en el aire" frente al "Mapa"

Cuántico Independiente (El Mapa): Imagina intentar conducir a través de un país usando un GPS que está roto y que solo te da un 1% de probabilidad de tomar el giro correcto. Si confías solo en ese GPS, es probable que te pierdas.
qReduMIS (El Dedo en el aire): En lugar de pedirle al GPS roto toda la ruta, le preguntas: "¿El siguiente giro es a la izquierda o a la derecha?". Puede que acierte el 90% de las veces. Tomas esa pista, conduces un poco y preguntas de nuevo. Al tomar pasos pequeños de alta probabilidad y usar a un humano (la Computadora Clásica) para llenar los huecos, logras cruzar el país con éxito a pesar de que el GPS es imperfecto.

Lo que realmente encontraron

Los investigadores probaron esto con datos reales del mercado de valores de cuatro índices principales (DAX, FTSE, S&P 100 y Nikkei 225) utilizando una computadora cuántica real con 98 "qubits" (bits cuánticos).

El fracaso del acto solitario: Cuando dejaron que la Computadora Cuántica intentara resolver los problemas más grandes (S&P 100 y Nikkei 225) por sí sola, falló por completo. Encontró la solución perfecta el 0% de las veces.
El éxito del equipo: Cuando utilizaron el método de equipo qReduMIS:
- Para el S&P 100, encontraron la solución perfecta el 40% de las veces.
- Para el Nikkei 225, encontraron la solución perfecta el 95% de las veces.
- En todas las pruebas, las soluciones que encontraron fueron al menos un 96% tan buenas como la solución teórica perfecta.

El factor "Tiempo"

También midieron cuánto tiempo tomaba resolver estos problemas. Descubrieron que, a medida que los problemas se hacían más grandes, el método de "Equipo" (qReduMIS) se volvía más lento mucho más lentamente que el método "Solo" (QAOA independiente).

Analogía: Si el método Solo es un corredor que se agota y se ralentiza exponencialmente a medida que la colina se vuelve más empinada, el método de Equipo es un corredor con una bicicleta. Incluso en una colina empinada, la bicicleta los mantiene avanzando a un ritmo constante. El artículo afirma que el método de Equipo es 3.2 veces más eficiente en cómo escala con el tamaño del problema.

Resumen

Este artículo no pretende haber construido un robot que pueda predecir el mercado de valores o hacerte rico. En cambio, demuestra un punto técnico específico: No necesitas una computadora cuántica perfecta para resolver problemas difíciles.

Al usar una computadora cuántica solo para dar "pistas" (identificando qué partes del problema están "congeladas" o son seguras) y dejar que una computadora clásica haga el trabajo pesado de organizar esas pistas, puedes resolver acertijos financieros masivos que una computadora cuántica por sí sola no puede descifrar. Convierte una herramienta cuántica "defectuosa" en un socio altamente efectivo.

Resumen Técnico: Selección de Carteras Informada por Cuántica mediante qReduMIS en Hardware de Iones Atrapados

Formulación del Problema
El artículo aborda el Problema de Selección de Carteras (PSP), una tarea fundamental en la gestión de inversiones destinada a construir una cesta diversificada de activos para equilibrar el riesgo y el retorno. Los autores formalizan el PSP como un problema de Conjunto Independiente Máximo (MIS) en un grafo de correlación de activos. En esta formulación:

Los nodos representan activos financieros.
Las aristas conectan pares de activos si su correlación absoluta supera un umbral específico $\lambda$ .
El objetivo es encontrar el mayor subconjunto de nodos (activos) tales que ningún par de nodos esté conectado, asegurando que la cartera seleccionada contenga activos mutuamente no correlacionados.

Los autores destacan que los grafos de los mercados financieros difieren significativamente de los estándares de optimización combinatoria. Son densos, no locales y exhiben distribuciones de grado heterogéneas, a diferencia de los grafos dispersos, regulares o con restricciones geométricas (por ejemplo, grafos de disco unitario) que se estudian habitualmente en la literatura de optimización cuántica. Estas propiedades estructurales plantean desafíos tanto para los algoritmos exactos clásicos como para los enfoques cuánticos actuales, particularmente en lo que respecta a la escalabilidad y la supresión de la probabilidad de éxito a medida que aumenta la dificultad del problema.

Metodología: El Pipeline qReduMIS
La contribución central es un pipeline híbrido cuántico-clásico de extremo a extremo que aprovecha el algoritmo qReduMIS, adaptado aquí para hardware cuántico basado en puertas. En lugar de utilizar el procesador cuántico para producir directamente la solución óptima final, el pipeline utiliza las mediciones cuánticas para identificar "nodos congelados" (frozen nodes): vértices con una alta probabilidad marginal de pertenecer (o no pertenecer) al MIS óptimo.

El pipeline opera recursivamente a través de los siguientes pasos:

Reducción Clásica: El grafo del mercado de entrada se somete a técnicas de reducción clásica exacta (específicamente, la eliminación de "nodos de esquina expuestos" o vértices simpliciales). Esto reduce el grafo a un "núcleo" (kernel) más pequeño, manteniendo conjuntos de nodos seleccionados y eliminados.
Subrutina Cuántica (QAOA): El núcleo reducido se mapea a un circuito de Algoritmo de Optimización Aproximada Cuántica (QAOA). El circuito se ejecuta en un procesador de iones atrapados (Quantinuum Helios).
Identificación de Nodos Congelados: En lugar de buscar directamente la cadena de bits óptima, el algoritmo analiza la distribución de probabilidad marginal de los nodos de las mediciones de QAOA. Los nodos con alta probabilidad marginal (dentro del conjunto) o baja probabilidad marginal (fuera del conjunto) se identifican como "congelados".
Desbloqueo Recursivo: Se selecciona un nodo congelado (utilizando una estrategia semi-codiciosa basada en los marginales de mayor rango), se fija en la solución y se elimina del grafo junto con sus vecinos. Esto "desbloquea" el grafo, permitiendo que el paso de reducción clásica proceda más allá en la siguiente iteración.
Terminación: El proceso se repite hasta que el núcleo es completamente reducible o se alcanza un criterio de parada, produciendo una cartera diversificada final.

Contribuciones Clave
El artículo realiza tres contribuciones principales:

Demostración de Extremo a Extremo en Hardware: Los autores desplegaron el pipeline completo en el sistema de iones atrapados de 98 cúbits Quantinuum Helios utilizando datos reales de mercado de cuatro índices principales (DAX, FTSE, S&P 100, Nikkei 225) con hasta 225 activos. Esta representa una de las demostraciones de QAOA basado en puertas más grandes sobre instancias de optimización de mundo real hasta la fecha.
Extensión Algorítmica a Dispositivos Basados en Puertas: El trabajo extiende el marco qReduMIS, previamente demostrado en hardware de recocido cuántico (quantum annealing), a QAOA basado en puertas. Esta adaptación es crítica porque los grafos de mercado poseen una conectividad no local que excede las capacidades de incrustación (embedding) nativas de muchos recocedores cuánticos, pero se adapta naturalmente a la conectividad todos contra todos de los procesadores de iones atrapados.
Benchmarking Riguroso: El estudio proporciona una comparación sistemática entre QAOA independiente y qReduMIS (impulsado por QAOA) a través de múltiples figuras de mérito, incluyendo la probabilidad de éxito, la razón de aproximación y la escala del tiempo óptimo para la solución (optTTS).

Resultados Experimentales
Los experimentos utilizaron circuitos QAOA con $p=2$ capas actuando sobre núcleos de hasta 78 cúbits (para la instancia del Nikkei 225, donde el grafo completo requeriría 225 cúbits, excediendo el límite del hardware).

Probabilidad de Éxito: El QAOA independiente falló en encontrar la solución óptima para los dos índices más grandes (S&P 100 y Nikkei 225), logrando una probabilidad de éxito ( $P_{MIS}$ ) de 0. En contraste, qReduMIS logró probabilidades de éxito de 0.40 y 0.95, respectivamente, para estos índices.
Razón de Aproximación: A través de los cuatro índices, qReduMIS mantuvo una razón de aproximación promedio $\ge 0.96$ , mientras que el QAOA independiente osciló entre 0.73 y 0.83.
Comportamiento de Escala: En un emulador ruidoso del dispositivo Quantinuum H2-1, los autores analizaron la escala del tiempo óptimo para la solución (optTTS) frente al tamaño del problema. Para $p=2$ , el exponente de escala para qReduMIS resultó ser 3.2 veces menor que el de QAOA independiente ( $\beta_{qReduMIS} = 0.164$ frente a $\beta_{QAOA} = 0.524$ ).
Señal de Nodo Congelado: El análisis del núcleo del DAX 100 mostró que, incluso cuando la probabilidad de muestrear la solución óptima directamente era baja (<10%), aproximadamente el 96% de la masa de probabilidad marginal se concentraba en los nodos congelados de la verdad fundamental (ground-truth). Esto confirma que el hardware cuántico proporciona suficiente señal para guiar la reducción clásica incluso sin producir directamente la solución óptima.

Significancia y Reivindicaciones
El artículo postula que la principal significancia de este trabajo radica en demostrar un uso fundamentalmente diferente de los recursos cuánticos: aprovechar las mediciones cuánticas para identificar propiedades estructurales (nodos congelados) que facilitan las reducciones clásicas, en lugar de esperar que el procesador cuántico resuelva todo el problema de optimización directamente.

Los autores afirman que este paradigma de "reducir y muestrear" permite al pipeline:

Resolver instancias que exceden el presupuesto de cúbits del hardware actual (por ejemplo, el Nikkei 225 de 225 activos en un dispositivo de 98 cúbits) operando sobre núcleos reducidos.
Superar al QAOA independiente en instancias que pueden codificarse, mejorando significativamente las tasas de éxito y la calidad de la solución.
Proporcionar un camino escalable, ya que el marco se beneficia del aumento de la profundidad del circuito (demostrado por la mejora del rendimiento en $p=6$ ) y de las mejoras en la fidelidad del hardware.

Los autores mantienen la modestia respecto a la comparación con los solvers clásicos, señalando que, para los tamaños de problema actuales accesibles al hardware cuántico, las metaheurísticas clásicas como el Recocido Simulado (Simulated Annealing - SA) resuelven la mayoría de las instancias de forma trivial. Por lo tanto, la validación principal es una comparación cuántica contra cuántica, estableciendo que el enfoque híbrido extrae significativamente más utilidad de los recursos cuánticos limitados que la optimización cuántica estándar por sí sola. El trabajo sugiere que, a medida que el hardware madure para manejar instancias más grandes y difíciles donde las heurísticas clásicas tienen dificultades, la escala favorable de qReduMIS puede traducirse en una ventaja práctica.