⚛️ quantum physics

Quantum Weighted Moving Average for Predicting Limit Order Book Trends

Este artículo presenta un modelo híbrido clásico-cuántico llamado Promedio Móvil Ponderado Cuántico (QWMA) para predecir tendencias en el libro de órdenes limitado, el cual logra un rendimiento comparable al de los mejores modelos clásicos en conjuntos de datos financieros a pesar de no demostrar una ventaja cuántica definitiva.

Autores originales: Matthias Kamm, Dinh-Long Vu, Patrick Rebentrost

Publicado 2026-09-02

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Matthias Kamm, Dinh-Long Vu, Patrick Rebentrost

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

En el bullicioso mundo del trading de alta frecuencia, donde las fortunas se ganan y se pierden en un abrir y cerrar de ojos, el mercado habla un lenguaje de órdenes. Antes de que el precio de una acción se mueva, susurra a través de un libro de órdenes de límite conocido como el libro de órdenes de límite (limit order book). Este libro es un registro en constante cambio de cada comprador y vendedor que espera para negociar, enumerando sus precios deseados y la cantidad de acciones que desean. Es una serie temporal multivariante, un flujo complejo de puntos de datos que evolucionan en milisegundos, capturando la tensión entre la oferta y la demanda. Durante décadas, los operadores humanos y las computadoras clásicas han intentado encontrar patrones en este ruido, utilizando herramientas matemáticas para suavizar el caos y predecir si el precio subirá, bajará o se mantendrá estable. Una de estas herramientas es la media móvil, un método simple que observa el historial de precios para adivinar el futuro, tratando los datos recientes como una guía de lo que vendrá después.

Ahora, un equipo de investigadores plantea una pregunta audaz: ¿pueden las extrañas e contraintuitivas reglas de la mecánica cuántica ayudarnos a leer mejor este libro? Las computadoras cuánticas, que utilizan las propiedades de las partículas subatómicas para procesar información, han mostrado promesa en campos como la química y la criptografía, pero su aplicación a los mercados financieros sigue siendo en gran medida no probada. El desafío no es solo la velocidad bruta; se trata de encontrar una manera de traducir los datos desordenados del mundo real de los mercados de valores a un formato que una máquina cuántica pueda entender y aprender. Si tiene éxito, esto podría abrir una nueva puerta para la previsión financiera, ofreciendo potencialmente un nuevo lente a través del cual ver la intrincada danza del capital global.

Los investigadores, trabajando desde centros en Singapur y Zúrich, se propusieron construir un modelo cuántico diseñado específicamente para predecir tendencias en estos libros de órdenes. No intentaron simplemente forzar a una computadora cuántica a hacer lo que una clásica ya hace; en su lugar, diseñaron una nueva arquitectura llamada Media Móvil Ponderada Cuántica (Quantum Weighted Moving Average). Para entender cómo funciona esto, imagine la computadora cuántica como una máquina que puede contener muchas posibilidades a la vez. Los investigadores primero tomaron los datos brutos del libro de órdenes —precios y volúmenes de los diez niveles superiores del mercado— y los limpiaron utilizando una técnica llamada normalización bilineal. Este paso es crucial; escala los datos para que la máquina cuántica pueda procesarlos sin confundirse por el tamaño masivo de los números, de forma muy similar a ajustar el contraste de una fotografía para hacer visibles los detalles.

Una vez preparados los datos, el equipo los introdujo en el circuito cuántico. El núcleo de su método involucra una técnica conocida como combinación lineal de unitarias. En términos sencillos, esto significa que la computadora cuántica toma la información de diferentes momentos en el tiempo y la mezcla de una manera específica. Cada momento del pasado es tratado como una pieza distinta de un rompecabezas, y la máquina cuántica asigna un peso a cada pieza, decidiendo cuánta importancia dar al pasado frente al presente. Los investigadores permitieron que el modelo aprendiera estos pesos automáticamente, dejando que la máquina determinara qué momentos de la historia de la acción eran más predictivos del futuro. También crearon versiones más simples de este modelo, incluyendo una que imita una media móvil exponencial estándar, una herramienta financiera común que otorga más peso a los eventos recientes y menos a los más antiguos.

Para probar su creación, el equipo utilizó dos conjuntos de datos del mundo real. El primero fue una colección bien conocida de datos de cinco acciones finlandesas, que contenía millones de eventos de negociación registrados durante diez días. El segundo fue un conjunto de datos de acciones chinas. Ejecutaron sus modelos cuánticos a través de miles de simulaciones, comparando su rendimiento contra los mejores modelos de aprendizaje automático clásicos disponibles actualmente. Los resultados fueron sorprendentes en su equilibrio. Los modelos cuánticos no superaron a los clásicos; de hecho, no mostraron una "ventaja cuántica" clara que los hiciera más rápidos o potentes que la tecnología existente. Sin embargo, funcionaron notablemente bien, igualando la precisión de los mejores modelos clásicos en muchos escenarios. Esto sugiere que el enfoque cuántico es viable y capaz de capturar los patrones esenciales en los datos, incluso sin un aumento masivo de velocidad.

El estudio reveló algunos matices importantes sobre cómo aprenden estos modelos. Los investigadores descubrieron que la forma en que se normalizaban los datos era mucho más importante que la complejidad del circuito cuántico en sí. Cuando utilizaron la técnica de normalización adecuada, los modelos cuánticos prosperaron. También descubrieron que la máquina cuántica era particularmente buena enfocándose en las partes más predictivas de la serie temporal. En las versiones más simples del modelo, donde los pesos estaban fijados para seguir un decaimiento exponencial —lo que significa que se le ordenó a la máquina prestar más atención a los datos más recientes—, esta funcionó casi tan bien como la versión más compleja que tenía que aprender los pesos desde cero. Esto implica que, para predicciones a corto plazo, la historia más reciente es a menudo la más valiosa, y un enfoque estructurado para ponderar estos datos puede ser tan efectivo como uno totalmente aprendido.

A pesar de estos éxitos, los investigadores fueron cuidadosos en moderar las expectativas. Declararon explícitamente que su trabajo no demuestra que las computadoras cuánticas sean actualmente superiores a las clásicas para esta tarea. Los experimentos se realizaron en simuladores, no en hardware cuántico real, el cual todavía está en una etapa temprana y ruidosa. Los modelos que construyeron requieren un proceso llamado post-selección, donde la computadora tiene que descartar muchos intentos para obtener la respuesta correcta, un paso que sería muy lento en las máquinas físicas actuales. Además, los conjuntos de datos que utilizaron tienen limitaciones; la forma en que los datos fueron muestreados y etiquetados podría introducir sesgos que afecten qué tan bien los modelos se generalizan al mundo real. Los investigadores señalaron que los conjuntos de datos a menudo carecen de la granularidad necesaria para probar plenamente el potencial de los algoritmos cuánticos, y que la generación actual de hardware aún no es lo suficientemente potente como para manejar los flujos de datos masivos y detallados de un mercado en vivo.

El artículo concluye que, si bien el sueño de una computadora cuántica revolucionando el trading de acciones aún no es una realidad, el camino a seguir es más claro. El modelo de media móvil ponderada cuántica sirve como un peldaño, demostrando que los métodos cuánticos pueden adaptarse para manejar las complejas series temporales multivariantes de los mercados financieros. Muestra que, con la preprocesación adecuada y un diseño reflexivo, las máquinas cuánticas pueden aprender a leer los susurros del mercado tan bien como las computadoras clásicas. Los siguientes pasos, sugieren los autores, implican probar estos modelos en hardware cuántico real y refinar la preparación de los datos para que se adapten mejor a las restricciones únicas de estas nuevas máquinas. Por ahora, el trabajo se mantiene como una sólida demostración de que la computación cuántica no es solo una curiosidad teórica para las finanzas, sino una herramienta práctica que está comenzando a encontrar su lugar en el ruidoso y de alto riesgo mundo del trading.

Resumen Técnico: Media Móvil Ponderada Cuántica para la Predicción de Tendencias en el Libro de Órdenes de Límite

Planteamiento del Problema
El artículo aborda el desafío de pronosticar series temporales financieras multivariantes, específicamente la predicación de tendencias de precios a partir de datos del Libro de Órdenes de Límite (LOB, por sus siglas en inglés). Mientras que las arquitecturas clásicas de aprendizaje automático (por ejemplo, redes neuronales, atención temporal) están bien establecidas en este dominio, la aplicación de la computación cuántica a la predicción de tendencias de LOB sigue siendo incipiente. Los autores pretenden cerrar esta brecha mediante el desarrollo de un modelo de aprendizaje automático cuántico (QML) adaptado a la estructura específica de los datos de LOB, que consisten en series temporales multivariantes de precios y volúmenes de compra/venta (bid/ask) a través de múltiples niveles.

Metodología
La solución propuesta es el modelo de Media Móvil Ponderada Cuántica (QWMA), una arquitectura híbrida clásico-cuántica basada en el marco de la Combinación Lineal de Unitarias (LCU). La metodología avanza a través de las siguientes etapas:

Preprocesamiento Clásico:
- Entrada: Los datos brutos de LOB se representan como una secuencia de $T$ vectores de características, donde cada vector contiene precios y volúmenes de compra/venta para los 10 niveles superiores (40 características) o un conjunto expandido de 144 características que incluye precios medios y derivados.
- Normalización: Los autores enfatizan el papel crítico de la normalización bilineal, que normaliza los datos tanto en las dimensiones temporales como de características. También utilizan la normalización z-score para evitar la fuga de datos (data leakage) entre los conjuntos de entrenamiento y de prueba.
- Mapeo de Parámetros: Los vectores normalizados se mapean a ángulos de rotación mediante una transformación lineal entrenable para servir como entradas para el circuito cuántico.
Núcleo Cuántico (Implementación LCU):
- Incrustación Unitaria (Unitary Embedding): Cada paso de tiempo $t$ en la secuencia de entrada se codifica en un operador unitario $U_t$ utilizando un Circuito Cuántico Parametrizado (PQC) con codificación de ángulo.
- Combinación Lineal: La operación central es una suma ponderada de estas unitarias: $W = \sum_{t=0}^{T-1} c_t U_t$ .
- Preparación de Estados: Para implementar esta operación no unitaria en un ordenador cuántico, el modelo utiliza un registro ancilla. Una unidad de preparación de estados $B$ crea una superposición de coeficientes $\sqrt{c_t}$ en el registro ancilla, y una operación de control-selección aplica la correspondiente $U_t$ al registro del sistema.
- Post-selección: El estado deseado se obtiene midiendo el registro ancilla y realizando la post-selección del resultado correspondiente a la aplicación exitosa de la LCU.
Variantes del Modelo:
- QWMA: Los coeficientes $c_t$ son parámetros entrenables, lo que permite al modelo aprender dinámicamente la importancia temporal de los diferentes pasos de tiempo.
- QSMA (Media Móvil Simple Cuántica): Los coeficientes se fijan con pesos uniformes ( $c_t = 1/T$ ).
- QEMA (Media Móvil Exponencial Cuántica): Los coeficientes siguen un patrón de decaimiento exponencial ( $c_t \propto (1-\alpha)^t$ ), enfatizando las observaciones más recientes. Los autores demuestran que la preparación de estados para QEMA puede implementarse eficientemente utilizando una secuencia de rotaciones de un solo qubit sin aumentar la profundidad del circuito en comparación con el caso uniforme.
Post-procesamiento:
- El estado cuántico resultante se mide en la base de Pauli. Los resultados de la medición se introducen en un Perceptrón Multicapa (MLP) clásico para generar las probabilidades de clase para tres categorías de tendencia: Ascendente, Estacionaria y Descendente.

Contribuciones Clave

Arquitectura Novedosa: Introducción del modelo QWMA, que adapta el concepto clásico de medias móviles al dominio cuántico utilizando técnicas de LCU.
Análisis de Preprocesamiento: Evaluación sistemática de las técnicas de normalización de entrada, identificando la normalización bilineal (específicamente la normalización temporal) como un factor crítico para el rendimiento del modelo, que a menudo supera los beneficios de los mecanismos de atención complejos en los modelos de referencia clásicos.
Variantes Eficientes: Desarrollo del modelo QEMA, que ofrece una alternativa eficiente en hardware al QWMA entrenable, utilizando pesos fijos de decaimiento exponencial que pueden prepararse con circuitos poco profundos.
Evaluación Comparativa (Benchmarking): Evaluación exhaustiva en el conjunto de datos estándar FI-2010 y un segundo conjunto de datos de Acciones A de China, comparando los modelos cuánticos contra referencias clásicas de vanguardia (BiNTABL y MLP).

Resultados

Rendimiento: En el conjunto de datos FI-2010, el modelo QWMA logra un rendimiento comparable al de los mejores modelos clásicos (BiNTABL), particularmente para horizontes de predicción largos ( $K=5, 10$ ). Rinde ligeramente por debajo en horizontos cortos ( $K=1, 2, 3$ ), pero se mantiene competitivo.
Sensibilidad a la Normalización: El estudio confirma que sin una normalización de entrada adecuada (específicamente la temporal o la bilineal), tanto los modelos clásicos como los cuántos fallan en predecir tendencias de manera fiable. Se encontró que la normalización de características por sí sola degrada el rendimiento.
Esquemas de Ponderación:
- El modelo QEMA supera consistentemente al modelo QSMA para horizontes cortos ( $K \in \{1, 2, 3\}$ ), validando la hipótesis de que los datos recientes son más predictivos para las tendencias a corto plazo.
- Para horizontos más largos, la brecha de rendimiento entre el QWMA entrenable y el QEMA se reduce, siempre que el circuito de incrustación unitaria sea suficientemente expresivo.
Expresividad del Circuito: El aumento del número de qubits o de la profundidad del circuito produjo solo mejoras marginales para el QWMA entrenable, lo que sugiere que la simplicidad del conjunto de datos permite que espacios de Hilbert de baja dimensión capturen la información relevante. Sin embargo, para los modelos de pesos fijos (QSMA/QEMA), se requirieron circuitos más expresivos para compensar las distribuciones de peso subóptimas.
Generalización: El modelo QWMA demostró un comportamiento similar en el conjunto de datos de Acciones A de China, confirmando su robustez a través de diferentes datos de mercado.

Significado y Reivindicaciones
El artículo posiciona al modelo QWMA como un "paso intermedio" para la aplicación de técnicas cuánticas al trading de mercado. Los autores declaran explícitamente que no presentan evidencia de ventaja cuántica (ni teórica ni numérica). Los resultados actuales demuestran que los modelos cuánticos pueden lograr un rendimiento cercano al de los mejores modelos clásicos, pero no los superan.

La importancia del trabajo radica en:

Demostrar que los algoritmos cuánticos pueden adaptarse eficazmente a la estructura específica de los datos de LOB.
Destacar que la "parte cuántica" del modelo es lo suficientemente expresiva como para centrarse en las partes predictivas de las series temporales, incluso sin una mejora probada.
Identificar que, para el hardware actual de escala intermedia con ruido (NISQ), las variantes de pesos fijos como QEMA son candidatas prometedoras para la implementación debido a su preparación de estado eficiente y a la falta de necesidad de parámetros entrenables complejos.
Enfatizar la necesidad de mejores referentes clásicos y mejores conjuntos de datos (por ejemplo, etiquetado dinámico, mejores estrategias de muestreo) para evaluar adecuadamente los futuros algoritmos financieros cuánticos.

Los autores concluyen que, si bien las limitaciones actuales del hardware impiden procesar escalas de LOB de grano fino, el método propuesto para mapear series temporales multivariantes a combinaciones lineales de estados cuánticos es bien adecuado para el dominio y puede ofrecer un camino hacia ventajas sobre los algoritmos clásicos a medida que el hardware madure.

Más como este