Toward Quantum Monte Carlo for Sovereign Debt Risk: A proof of concept

En el mundo de alto riesgo de las finanzas globales, los gobiernos caminan constantemente por la cuerda floja entre pedir dinero prestado para construir sus naciones y el riesgo de pedir prestado demasiado para poder devolverlo alguna vez. Los economistas observan de cerca un número específico: la relación entre la deuda total de un país y el tamaño de su economía. Si este número sube demasiado, puede señalar una crisis, provocando la pérdida de ahorros, el estancamiento económico o incluso un colapso en la confianza. Predecir si esta relación cruzará una línea pelig 아닌 en el futuro es increíblemente difícil porque el futuro está lleno de sorpresas. Las tasas de interés podrían dispararse, el crecimiento económico podría estancarse o eventos políticos inesperados podrían sacudir los mercados. Para gestionar esta incertidumbre, los analistas tradicionalmente ejecutan miles de simulaciones por computadora, esencialmente lanzando dados digitales millones de veces para ver con qué frecuencia la relación de deuda podría traspasar un umbral de seguridad. Sin embargo, este método es lento; para obtener una respuesta muy precisa, la computadora debe ejecutar un número enorme de estas simulaciones, y el tiempo requerido crece rápidamente a medida que aumenta la precisión deseada.

Recientemente, un nuevo tipo de computadora, una que utiliza las extrañas reglas de la física cuántica, ha prometido resolver este tipo de problemas mucho más rápido. En lugar de comprobar las posibilidades una por una, estas máquinas pueden explorar muchas posibilidades a la vez y utilizar un truco matemático específico para amplificar la respuesta correcta mientras cancelan las incorrectas. Esta técnica, conocida como estimación de amplitud cuántica, teóricamente permite a los investigadores encontrar la probabilidad de un evento raro con muchos menos pasos de los que necesita una computadora estándar. Aunque esto suena como una solución para cada problema de previsión financiera, la realidad de la construcción de estas máquinas es compleja. Actualmente son frágiles, propensas a errores y difíciles de programar. La gran pregunta sigue siendo: ¿podemos realmente construir un flujo de trabajo operativo que tome un modelo económico del mundo real, lo traduzca a un lenguaje cuántico y obtenga una respuesta fiable antes de que la máquina cometa un error?

Un equipo de investigadores de la Universidad de Quebec en Trois-Rivières ha adoptado un enfoque cuidadoso y paso a paso para responder a esta pregunta. No intentaron resolver un problema masivo e insoluble de inmediato. En su lugar, construyeron un flujo de trabajo de prueba de concepto para probar todo el proceso en una versión simplificada de un modelo de deuda soberana. Su objetivo no era demostrar que las computadoras cuánticas ya son mejores que las clásicas para esta tarea específica, sino demostrar que el camino desde una teoría financiera hasta un circuito cuántico es posible y que los números finales tienen sentido. Construyeron un modelo digital donde la deuda de un país evoluciona durante veinte años, influenciada por dos factores aleatorios principales: el crecimiento de la economía y el costo de pedir prestado dinero. Simplificaron las matemáticas lo suficiente como para que pudieran calcular la respuesta exacta utilizando métodos tradicionales, lo que sirvió como un punto de referencia perfecto para contrastar su trabajo cuántico.

Los investigadores luego tradujeron este modelo simplificado a un lenguaje que una computadora cuántica pudiera entender. Dividieron los posibles escenarios futuros en una cuadrícula de puntos, que representan diferentes combinaciones de crecimiento económico y tasas de interés. Cargaron estas posibilidades en la máquina cuántica, creando un estado donde cada escenario existía simultáneamente. A continuación, construyeron un circuito digital que actuaba como una calculadora ponderada, sumando los efectos de estos factores para determinar la relación de deuda final para cada escenario. Una parte final del circuito actuó como un guardián, señalando cualquier escenario donde la relación de deuda excediera un umbral crítico de seguridad del 95 por ciento. La máquina utilizó entonces una serie de operaciones para amplificar la señal de estos escenarios "señalados", haciéndolos más fáciles de detectar. Finalmente, utilizaron un método estadístico llamado estimación de amplitud de máxima verosimilitud para contar con qué frecuencia ocurrían estos escenarios señalados, midiendo efectivamente la probabilidad de una crisis de deuda.

Cuando el equipo ejecutó sus simulaciones en una versión perfecta y sin ruido de una computadora cuántica, los resultados fueron sorprendentemente precisos. El flujo de trabajo cuántico estimó la probabilidad de que la relación de deuda excediera el umbral en aproximadamente un 8,18 por ciento. Esto coincidió casi perfectamente con el valor que el circuito fue diseñado para producir, y estaba muy cerca de la respuesta exacta calculada mediante la matemática tradicional. Los investigadores observaron que, a medida que aumentaban el número de veces que la máquina realizaba su cálculo central, el error en su estimación disminuía más rápido que la tasa clásica estándar, aunque la pendiente de escala ajustada de -0,85 se situaba entre las tasas clásica e ideal. En sus pruebas, los resultados fueron consistentes con la ventaja de escala cuadrática anticipada, pero los autores señalan explícitamente que el experimento no demostró definitivamente esta mejora asintótica.

Sin embargo, los autores explican con cuidado lo que este éxito hace y no hace. El problema que resolvieron fue deliberadamente simple. Debido a que el modelo era lineal y las incertidumbres eran perfectamente suaves, una computadora estándar podría haberlo resuelto instantáneamente usando una fórmula de forma cerrada, haciendo que el esfuerzo cuántico fuera innecesario para este caso específico. Además, el evento que estaban prediciendo no era realmente raro; un 8 por ciento de probabilidad es lo suficientemente común como para no representar el tipo de desastre de "cisne negro" donde las aceleraciones cuánticas son más necesarias. El estudio también dependió de un simulador, no de una máquina cuántica física, lo que significa que no enfrentó el ruido y los errores del mundo real que actualmente plagan el hardware experimental. Los investigadores declaran explícitamente que su trabajo es una demostación del flujo de trabajo, no una vuelta de la victoria para las finanzas cuánticas. Reconocen que para que este enfoque sea verdaderamente útil, los modelos deben ser más complejos, involucrando dinámicas no lineales y múltiples factores de riesgo que no pueden resolverse con fórmulas simples.

El equipo también destacó los obstáculos que quedan antes de que esta tecnología pueda ser utilizada en la toma de decisiones políticas del mundo real. Los circuitos cuánticos que construyeron son actualmente demasiado profundos y complejos para ejecutarse en los dispositivos ruidosos de hoy en día sin errores. El "oráculo", o la parte del programa que codifica las reglas financieras, es barato de simular pero sería costoso de construir en hardware real. Además, los métodos clásicos utilizados para la comparación en este estudio fueron básicos; técnicas tradicionales más avanzadas aún podrían superar al enfoque cuántico para estos tipos específicos de problemas. Los investigadores concluyen que, si bien su flujo de trabajo funciona y las matemáticas se sostienen en una simulación perfecta, el camino hacia una ventaja práctica requiere un progreso sustancial en el hardware y un movimiento hacia modelos económicos más complejos y realistas donde las computadoras tradicionales chocan contra un muro. Este trabajo sirve como un plano sólido, mostrando que el puente entre la teoría económica y la computación cuántica se puede construir, incluso si el camino a través de él todavía está en construcción.