El tema de la computación cuántica ha ganado popularidad recientemente, y tanto la comunidad científica como los inversores parecen tener grandes esperanzas en su futuro. Parece que esta nueva tecnología podría revolucionar varios aspectos de la informática tal como los conocemos actualmente. Se podrían hacer grandes aportes en los campos de la medicina y la salud, la seguridad y la computabilidad [1], así como en el campo de las finanzas, que es el que más nos interesa en Quantpedia. Las computadoras cuánticas son especialmente buenas en tareas de optimización, por lo que optimizar una cartera podría ser una de las contribuciones clave. [2] En este artículo, nos gustaría presentar el concepto de computadoras cuánticas, su estado actual, su uso potencial en finanzas y más.
¿Qué es una computadora cuántica?
Lo primero es lo primero: ¿qué es una computadora cuántica y en qué se diferencia de una clásica? Para comprender el potencial de las computadoras cuánticas, es esencial comprender qué son en sí mismas. Dado que las computadoras cuánticas no son una extensión de las computadoras clásicas, sino un tipo de máquina completamente nuevo, esta pregunta debe responderse antes de abordar su potencial para la investigación financiera.
En pocas palabras, para una computadora normal, la unidad básica de información es un bit, que puede tomar valores de 0 o 1. Entonces, cuando calcula una tarea, solo funciona con cadenas de 0 y 1. Por otro lado, la unidad básica de información (cuántica) en las computadoras cuánticas es un qubit. Hay una diferencia radical, ya que un qubit no representa un 1, ni un 0, sino una combinación de ambos a la vez. Esto se llama la superposición de una partícula que codifica ese qubit en el hardware de la computadora. Puede ser difícil de imaginar al principio, especialmente si uno no está familiarizado con la física cuántica. A nivel atómico, las partículas no se comportan como los objetos «grandes» que encontramos en la vida diaria. Por lo tanto, los temas utilizados en la computación cuántica como la superposición (una partícula en varios estados a la vez), entrelazamiento cuántico (partículas que aparentemente se comunican a grandes distancias a una velocidad que parece ser más rápida que la luz), y otros pueden parecer muy oscuros. Para dejar de lado los tecnicismos, dado que los qubits permiten un tipo diferente de cálculo, podemos resolver problemas tradicionales en ellos de una manera nueva y diferente.
Si un problema es muy complejo, puede ser casi imposible resolverlo incluso para una supercomputadora clásica. Sin embargo, con la ayuda de algoritmos cuánticos, esto podría cambiar en el futuro. Tal caso es, por ejemplo, la factorización de enteros, que subyace en una parte significativa del cifrado de datos moderno. O el problema de la optimización de carteras en finanzas. En ambos casos, el punto es que simplemente hay demasiadas posibilidades para que la computadora pase, lo que resulta en un tiempo de cómputo abrumador (podría ser decenas o miles de años de tiempo de ejecución). Por otro lado, en lugar de considerar cada posibilidad individual (es decir, cada subconjunto de activos que elegimos para formar la cartera) como lo hace una computadora clásica, los algoritmos cuánticos adoptan un enfoque diferente a través de espacios multidimensionales, donde emergen los patrones que vinculan puntos de datos individuales. [3]
Problemas de la computación cuántica
Entonces, las computadoras cuánticas pueden hacer cosas similares a las computadoras clásicas y son mucho más rápidas. Esto suena más que genial, pero hay un pequeño problema. Bueno, más de uno.
La mayoría de las veces, el rendimiento superior de una computadora cuántica todavía se formula como hipotético o predictivo. Las computadoras cuánticas todavía están en la fase de desarrollo. Al momento de escribir este artículo, el procesador cuántico superconductor más grande, el Eagle de IBM, tiene 127 qubits, que no se acerca a la cantidad de qubits que se necesitarían para hacer la mayoría de las ideas revolucionarias que los investigadores tienen en mente. Por ejemplo, para descifrar el protocolo RSA-2048, se necesitaría una estimación de 20 millones de qubits [4]. Por ahora, el plan oficial de IBM es aumentar la cantidad de qubits año tras año [5].
Aunque esos no son los únicos problemas. Las computadoras cuánticas deben enfriarse a temperaturas muy bajas, tan frías como el espacio exterior, para funcionar correctamente.
Además, hay diferentes arquitecturas que pueden tener las computadoras cuánticas: hasta ahora no existe una arquitectura universal definitiva que pueda resolver cualquier problema computacional, y las partículas deben entrelazarse de una manera específica para calcular un problema específico. Por lo tanto, es posible que aún nos falten algunos años para la revolución cuántica en la informática.
¿Comprar y trabajar en una computadora cuántica?
Por otro lado, algunas empresas y nuevas empresas ya han comenzado a trabajar en computadoras cuánticas disponibles públicamente. Existe la posibilidad de comprar uno, y ni siquiera es “tan” caro. Una empresa china de nueva creación, SpinQ Technology, ofrece una computadora cuántica de escritorio por poco menos de $ 5000.
Sin embargo, como tiene solo 2 qubits, está dirigido principalmente a escuelas y universidades, es más para aquellos que quieren investigar y familiarizarse con el concepto. Con 2 quibits, podemos optimizar la cartera que consta de 2 activos, pero nada más.
https://epjquantumtechnology.springeropen.com/articles/10.1140/epjqt/s40507-021-00109-8
https://www.spinquanta.com/products-solutions/gemini
https://www.discovermagazine.com/technology/ una-computadora-cuántica-de-escritorio-por-solo-usd5-000
También hay otras formas de ingresar al mundo de la computación cuántica. Empresas como IBM, Google y D-Wave tienen sus computadoras cuánticas disponibles a través de sistemas en la nube. Así que si visitas sitios como:
https://quantumai.google
https://quantum-computing.ibm.com
https://www.dwavesys.com/solutions-and-products/cloud-platform/
es posible acceder a procesadores cuánticos de última generación y trabajar en ellos. Por ejemplo, el último recocido cuántico D-Wave tiene más de 5000 bits cuánticos y está disponible para acceder a través de su nube. Otra alternativa es usar lenguajes de programación que simulen la computación cuántica, como Azure Quantum de Microsoft ( https://learn.microsoft.com/en-us/azure/quantum/ ) que podría ser suficiente para algunas aplicaciones, aunque no es igual. a ejecutar un programa en la propia computadora cuántica.
Computación cuántica e investigación en comercio cuantitativo
En esta última sección de nuestro artículo, nos gustaría ofrecer una descripción general de estos pocos estudios recientes sobre el tema de la computación cuántica. Los documentos de lectura adicional siempre están vinculados debajo del título.
Computación cuántica para finanzas: estado del arte y perspectivas futuras
https://arxiv.org/abs/2006.14510
En este estudio escrito por Daniel J. Egger et al. de IBM Computing, los autores ofrecen una introducción completa a la computación cuántica en las finanzas. Es un artículo muy bueno y detallado.
En la primera parte, ofrecen una introducción a las computadoras cuánticas, que van desde información “básica” sobre qubits hasta una descripción más detallada del proceso de cálculo en dichas computadoras. Luego, nombran algunos de los problemas financieros que consideran solucionables mediante computadoras cuánticas, y para cada uno de ellos presentan dicho algoritmo.
Se trata de problemas de optimización, problemas de aprendizaje automático y problemas de simulación, donde los algoritmos tradicionales de Monte Carlo utilizados con ordenadores clásicos podrían ser sustituidos por un algoritmo cuántico más eficiente llamado Amplitude Estimation, gracias al cual el tiempo de ejecución se acelera cuadráticamente. Concluyen mencionando algunos desafíos a los que se tendrá que enfrentar la computación cuántica. En general, este documento es un excelente resumen de la computación cuántica.
Optimización de cartera de 60 acciones utilizando algoritmos clásicos y cuánticos
https://arxiv.org/abs/2008.08669
En esta próxima investigación, los autores Jeffrey Cohen, Alex Khan y Clark Alexander comparan los enfoques clásico y cuántico para la optimización de carteras en una cartera de 60 acciones. El estudio es una extensión de su investigación anterior, donde probaron una muestra de 40 acciones. En el futuro, se podrían estudiar carteras aún más grandes.
La tarea de encontrar una cartera óptima de 60 acciones significa que hay 2 a la potencia de 60 opciones a considerar. De los métodos clásicos, los autores consideran Fat Tailed Monte Carlo Analysis, Genetic Algorithm, Simulated Annealer, D-Wave Tabu MultiStart MST2 Sampler y D-Wave Hybrid Samples, todos los cuales tienen tiempos de ejecución inferiores a 1 minuto. El método cuántico considerado se realiza utilizando D-Wave Systems Quantum Annealer. Este método tiene un tiempo de ejecución de 0,13 segundos. Casi todos los métodos pudieron encontrar la solución ideal en el estudio (todos excepto D-Wave Tabu Sampler y D-Wave Hybrid Sampler). Los autores concluyen que, en promedio, el sistema D-Wave parece seleccionar las carteras que lideran la eficiencia, como también se puede ver en los siguientes gráficos del documento:
Optimización de la cartera con D-Wave Quantum Annealer
https://www.iccs-meeting.org/archive/iccs2021/papers/127470042.pdf
El problema de la optimización de cartera tiene muchas variantes. Los autores Frank Phillipson y Harshil Singh Bhatia se centran en una formulación explícita del problema: la variante de optimización de la cartera con un solo objetivo, maximizar el rendimiento esperado y bajo las restricciones de presupuesto y riesgo. Encuentran que los solucionadores comerciales pueden resolver el problema (escogen dos solucionadores y dos metaheurísticas) y comparan las soluciones con el enfoque híbrido utilizando el recocido cuántico D-Wave. Los resultados del enfoque híbrido son, según los autores, prometedores y, a pesar de que la computación cuántica aún se encuentra en una etapa temprana de desarrollo, el resultado de este método híbrido ya fue capaz de ofrecer un rendimiento razonablemente bueno. El estudio se realizó para los índices S&P500 y Nikkei225. En la primera parte, los autores también dan una gran visión general de la literatura,
Optimización de cartera cuántica con bandas de inversión y volatilidad objetivo
https://arxiv.org/abs/2106.06735
Esta última investigación de Samuel Palmer et al. (2021) también se centra en el tema de la optimización de cartera cuántica. En su estudio, sin embargo, los autores muestran cómo implementar bandas de inversión y cómo apuntar a volatilidades específicas. Luego logran calcular carteras óptimas para las muestras completas de S&P100 y S&P500. En el primer paso, explican cómo apuntar a una cartera de inversión óptima con volatilidad fija. Luego, cómo imponer bandas de inversión en las carteras computadas. Lo hacen ejecutando un método híbrido en un recocido cuántico D-Wave.
Conclusión
La literatura sobre el tema de la computación cuántica en las finanzas se expande día a día. Con respecto a las finanzas y la optimización de la cartera, pero no limitado a estos temas, la computación cuántica ha creado una gran expectación en la comunidad. Aunque tal vez un poco exagerado en algunos de los medios, las computadoras cuánticas definitivamente presentan una futura revolución de la computación. Si bien es posible que nunca reemplacen por completo a las computadoras clásicas, se ha planteado la hipótesis de que probablemente existirán junto a ellas, utilizadas para diferentes tipos de tareas. Es posible que una computadora cuántica no sea ideal para realizar tareas cotidianas, como navegar por la computadora o trabajar en hojas de cálculo. Sin embargo, es casi seguro que serán más rápidos para resolver problemas muy complejos. Ninguno de ellos está en esta etapa todavía, pero mientras observamos la carrera cuántica entre las grandes empresas como Google, IBM y también China, que está invirtiendo mucho dinero en la investigación en este campo, podríamos ser testigos de grandes avances en un tiempo factible de unos pocos años en el futuro. Por ahora, según los estudios vinculados anteriormente, la investigación en optimización de cartera utilizando métodos híbridos parece ser la más prometedora en horizontes a corto plazo.
Autora:
Ivana Dragonova, analista cuantitativa