A quién sirve — A quien sigue la frontera quant/fintech: dónde el quantum podría acelerar problemas hoy costosos en clásico — y dónde sigue siendo hype.
El quantum computing en finanzas estudia el uso de qubits y algoritmos cuánticos (QAOA, VQE, amplitude estimation) para problemas como la optimización de carteras, el pricing de opciones, la simulación de riesgo, Monte Carlo y el quantum ML — hoy casi siempre en workflows híbridos con hardware NISQ limitado.
En palabras sencillas — Ordenadores que aprovechan la física cuántica para ciertos cálculos paralelos — prometedores sobre el papel, todavía inestables y pequeños frente a los servidores clásicos.
Áreas de investigación
| Problema | Promesa cuántica | Estado práctico |
|---|---|---|
| Optimización de cartera | Explorar espacios combinatorios | Proof-of-concept, híbrido |
| Derivados / riesgo | Speed-up de Monte Carlo | Investigación, no desk estándar |
| ML (QML) | Kernels/features cuánticas | Experimental |
| Criptografía | — |
Ninguna sustitución inmediata de los sistemas quant clásicos: latencia, corrección de errores y coste operativo son barreras reales.
Implicaciones para el trader
- Monitorizar el roadmap de vendors (IBM, IonQ, D-Wave…) para el data desk, no para el intradía
- Separar la investigación académica del marketing de vendors
- Governance: los modelos quantum-assisted deben validarse como cualquier black box (overfitting, OOS)
Error típico — Creer que el quantum «predice el mercado» mañana — hoy es I+D y nichos de optimización.
Ejemplo — Un banco pilota QAOA sobre un subconjunto de cartera restringido — la solución candidata se verifica y se refina después en un solver clásico.
Ficha
- Hoy: experimento híbrido clásico + quantum.
- Vigilar: migración a criptografía post-cuántica.
- Hub: IA y mercados.
Fuentes
- Gacon et al., "Best practices for portfolio optimization by quantum computing" (2023) - Scientific Reports.