← Últimos artículos
⚛️ física cuántica

Insurance portfolio simulation with a quantum circuit

Este artículo propone un enfoque de Máquina de Born de Circuito Cuántico (QCBM) para la simulación de carteras de seguros que utiliza una discretización centrada en la cola, un objetivo de estilo Monte Carlo y un esquema de entrenamiento jerárquico de dos etapas para modelar eficazmente distribuciones de pérdida conjunta complejas y capturar con precisión los riesgos de cola en hardware cuántico.

Autor original: William Cashman, Marco Caselli, Saad Hamid, Daniel Mills, Pavel Stishenko

Publicado 2026-11-20
📖 7 min de lectura🧠 Análisis profundo

Autor original: William Cashman, Marco Caselli, Saad Hamid, Daniel Mills, Pavel Stishenko

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 el autor. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Las compañías de seguros operan bajo una premisa sencilla: recaudan pagos pequeños y constantes de muchas personas para cubrir los eventos raros y catastróficos que podrían afectar a unos pocos. Para mantenerse solventes, estas firmas deben comprender cómo se comportan diferentes riesgos entre sí. Si un huracán golpea, podría dañar hogares y automóviles simultáneamente, provocando un aumento repentino en las reclamaciones. Al mismo tiempo, la misma tormenta podría deprimir el valor de las acciones y bonos que la aseguradora mantiene como inversión. Este doble golpe puede amenazar la estabilidad de la compañía. Para prepararse, los actuarios —especialistas que calculan el riesgo— intentan construir modelos matemáticos que describan cómo estos diferentes tipos de pérdidas y valores de activos se mueven en relación con uno otro. El desafío es que los datos del mundo real son desordenados. Los eventos extremos son raros, lo que significa que hay muy pocos datos para estudiar, y sin embargo, estos son los momentos que más importan. Los métodos tradicionales suelen tener dificultades para capturar estos escenarios de alto riesgo y baja frecuencia, especialmente cuando los datos son limitados.

Un equipo de investigadores ha explorado ahora un camino diferente, utilizando una computadora cuántica para modelar estas relaciones complejas. Se centraron en un tipo específico de problema: ajustar una distribución conjunta a una mezcla de pérdidas de seguros y rendimientos del mercado de valores. En este contexto, una distribución conjunta es simplemente un mapa que muestra qué tan probable es que diferentes variables tomen valores específicos al mismo tiempo. Los investigadores querían ver si un circuito cuántico —un programa que se ejecuta en un procesador cuántico— podía aprender este mapa de manera más efectiva que los métodos estándar, particularmente en las "colas" de los datos, que representan los resultados más extremos y peligrosos. Su trabajo sugiere que, al combinar una forma ingeniosa de organizar los datos con un método de entrenamiento especializado, las máquinas cuánticas pueden, de hecho, aprender estos intrincados patrones, incluso cuando los datos son escasos.

Los investigadores comenzaron con un conjunto de datos que contenía registros semanales de pérdidas del mercado de valores y tres tipos diferentes de reclamaciones de seguros. Sabían que las formas estándar de introducir estos datos en una computadora fallarían al intentar capturar los peores escenarios. Si se divide un rango de números en cubetas de igual tamaño, las cubetas que cubren los extremos extremos son tan anchas como las del medio. Esto significa que la computadora tiene muy poco espacio para distinguir entre una pérdida moderadamente mala y una verdaderamente catastrófica. Para resolver esto, el equipo diseñó un sistema que empaquetaba más detalle en los extremos. Asignaron la primera mitad de todas las observaciones a la primera cubeta, el siguiente cuarto a la segunda, el siguiente octavo a la tercera, y así sucesivamente. Este enfoque exponencial significó que la cubeta final, que contenía las pérdidas más extremas, era increíblemente estrecha, permitiendo al modelo ver los detalles finos de los eventos más graves.

Una vez organizados los datos, el equipo enfrentó otro obstáculo: cómo enseñar a la computadora cuántica a reconocer los patrones. Usualmente, un modelo de aprendizaje automático se entrena comparando sus suposiciones con los datos reales y ajustando sus configuraciones para reducir la diferencia. Sin embargo, con tan pocos puntos de datos y tantos resultados posibles, la forma estándar de medir esta diferencia se vuelve poco confiable y ruidosa. Los investigadores desarrollaron un nuevo método para suavizar este ruido. En lugar de intentar comparar cada una de las cubetas de datos a la vez, agruparon las cubetas al azar en grupos más grandes y gruesos y compararon esos. Al repetir este agrupamiento aleatorio muchas veces y promediar los resultados, crearon una señal estable que le decía a la computadora en qué dirección mover sus configuraciones para mejorar. Esto permitió que el entrenamiento procediera sin problemas incluso con datos limitados.

El proceso de entrenamiento en sí fue construido en dos etapas para asegurar que la computadora aprendiera de manera eficiente. Primero, el equipo entrenó una versión más pequeña del modelo en un simulador de computadora clásica. Este modelo más pequeño utilizaba menos "qubits", las unidades básicas de información de una computadora cuántica. Una vez que este modelo más pequeño aprendió la forma general de la distribución de riesgo, los investigadores transfirieron su conocimiento a un modelo más grande y detallado. Luego, perfeccionaron solo las partes nuevas del modelo más grande en hardware cuántico real. Este enfoque, conocido como aprendizaje jerárquico, actuó como un "arranque en caliente", dándole a la máquina compleja un punto de partida en lugar de obligarla a aprender desde cero. El hardware que utilizaron fue una computadora cuántica de iones atrapados, la cual utiliza átomos individuales mantenidos en su lugar por campos electromagnéticos para realizar cálculos.

Los resultados mostraron que este enfoque funcionó. El modelo cuántico aprendió con éxito las relaciones entre los diferentes tipos de riesgos. Identificó correctamente que las diferentes líneas de seguros tendían a moverse juntas durante los periodos malos, mientras que los rendimientos del mercado de valores permanecían mayormente independientes de las pérdidas de seguros. Cuando el equipo analizó la pérdida potencial total de la cartera, el modelo entrenado con la codificación exponencial fue capaz de alcanzar los valores extremos vistos en los datos reales. En contraste, un modelo que utilizaba el método uniforme estándar no pudo producir valores lo suficientemente altos como para coincidir con las peores pérdidas observadas; simplemente chocó contra un techo muy por debajo de la realidad. El modelo exponencial, sin embargo, pudo representar pérdidas que eran cientos de veces mayores que la mediana, capturando el verdadero peligro de la cola.

Hubo, por supuesto, limitaciones. El modelo entrenado en el hardware cuántico no se desempeñó de manera tan bien como el que fue simulado en una computadora clásica. Los investigadores descubrieron que esta brecha no se debía principalmente a errores en la máquina cuántica en sí, sino a que solo podían ejecutar la máquina un número limitado de veces para reunir datos. La computadora cuántica necesita ejecutarse muchas veces para construir una imagen clara de las probabilidades, y con la tecnología actual, no pudieron ejecutarla lo suficiente como para igualar la precisión de la simulación. No obstante, el experimento demostció que el método es viable. El esquema de entrenamiento jerárquico superó significativamente al empezar desde cero, reduciendo el error en el modelo final en más de la mitad en comparación con los intentos aleatorios.

El estudio concluye que los circuitos cuánticos pueden adaptarse para manejar los datos de "cola pesada" y escasos típicos de las carteras de seguros, pero solo si todo el proceso se diseña con estos desafíos específicos en mente. Los métodos estándar desarrollados para distribuciones de datos más suaves y comunes no funcionan directamente. El éxito de este proyecto dependió de tres innovaciones clave: una forma de codificar los datos que se enfoca en los extremos, un objetivo de entrenamiento que permanece estable con pocas muestras y un proceso de aprendizaje de dos pasos que construye la complejidad gradualmente. Si bien los investigadores no afirmaron haber resuelto el problema del modelado de riesgos por completo, demostraron un flujo de trabajo operativo que va desde los datos hasta un modelo de riesgo generado por computación cuántica. Señalaron que, para que esto se convierta en una herramienta práctica para la industria, el trabajo futuro deberá abordar el número de veces que se debe ejecutar el hardware y probar el método en carteras aún más grandes. Por ahora, el trabajo constituye una prueba de que las máquinas cuánticas pueden comenzar a mapear la forma de los eventos financieros raros y peligrosos.

¿Ahogado en artículos de tu campo?

Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.

Probar Digest →