Este trabajo explora la aplicación de la computación cuántica a la optimización de carteras financieras. A partir del modelo clásico de Markowitz, se formula el problema de selección de activos como un problema QUBO (Quadratic Unconstrained Binary Optimization) y se resuelve mediante el algoritmo QAOA (Quantum Approximate Optimization Algorithm) sobre un simulador cuántico ideal. Se comparan tres implementaciones sobre acciones del S&P 500: una construcción heurística manual en Excel, una optimización algorítmica clásica completa en Python (12 activos seleccionados sobre el universo S&P 500 mediante un score multicriterio), y un pipeline híbrido clásico-cuántico en tres etapas (preselección de 25 candidatos por decorrelación, selección cuántica vía QAOA, optimización Markowitz final de los pesos continuos). Las tres implementaciones se evalúan mediante un protocolo de walk-forward backtesting (in-sample 2019-2022, out-of-sample 2022-2025) frente al benchmark SPY. Los resultados muestran que QAOA recupera la solución óptima exacta, validada previamente por enumeración combinatoria de los 5 200 300 subconjuntos posibles, en el 20% de las ejecuciones a profundidad p=3, lo que valida la viabilidad de la cadena Markowitz - QUBO - QAOA. La cartera del pipeline híbrido obtiene un Sharpe in-sample de 1,54 pero una performance out-of-sample de 0,15, inferior al benchmark SPY (0,38), con una tasa de degradación del 90,4% comparable a la del enfoque Markowitz clásico (89,8%). Esta convergencia confirma que el cuello de botella estructural reside en la estimación clásica de los parámetros y no en el algoritmo cuántico. El trabajo concluye que la ventaja cuántica efectiva requiere problemas de mayor escala y restricciones cualitativas más complejas que las consideradas aquí.
Este trabajo explora la aplicación de la computación cuántica a la optimización de carteras financieras. A partir del modelo clásico de Markowitz, se formula el problema de selección de activos como un problema QUBO (Quadratic Unconstrained Binary Optimization) y se resuelve mediante el algoritmo QAOA (Quantum Approximate Optimization Algorithm) sobre un simulador cuántico ideal. Se comparan tres implementaciones sobre acciones del S&P 500: una construcción heurística manual en Excel, una optimización algorítmica clásica completa en Python (12 activos seleccionados sobre el universo S&P 500 mediante un score multicriterio), y un pipeline híbrido clásico-cuántico en tres etapas (preselección de 25 candidatos por decorrelación, selección cuántica vía QAOA, optimización Markowitz final de los pesos continuos). Las tres implementaciones se evalúan mediante un protocolo de walk-forward backtesting (in-sample 2019-2022, out-of-sample 2022-2025) frente al benchmark SPY. Los resultados muestran que QAOA recupera la solución óptima exacta, validada previamente por enumeración combinatoria de los 5 200 300 subconjuntos posibles, en el 20% de las ejecuciones a profundidad p=3, lo que valida la viabilidad de la cadena Markowitz - QUBO - QAOA. La cartera del pipeline híbrido obtiene un Sharpe in-sample de 1,54 pero una performance out-of-sample de 0,15, inferior al benchmark SPY (0,38), con una tasa de degradación del 90,4% comparable a la del enfoque Markowitz clásico (89,8%). Esta convergencia confirma que el cuello de botella estructural reside en la estimación clásica de los parámetros y no en el algoritmo cuántico. El trabajo concluye que la ventaja cuántica efectiva requiere problemas de mayor escala y restricciones cualitativas más complejas que las consideradas aquí.
La optimización de carteras de inversión representa un desafío para el inversor al momento de seleccionar la combinación correcta de acciones a efectos de maximizar los retornos esperados y minimizar los riesgos. Es así que en contraste con el paradigma de la computación tradicional, la computación cuántica no sólo acelera de manera sustancial el proceso de las computadoras tradicionales si no que optimiza la performance del método que determina cuáles acciones deben ser incluidas en las carteras de inversión y cuáles no. En este trabajo presentamos un estudio de comparación y referencia entre el resultado obtenido por tres diferentes metodologías de optimización de cartera: a) aproximación clásica, b) aproximación cuántica, c) un híbrido entre la aproximación cuántica incorporando criterios de Inteligencia Artificial. Para el primero de los casos utilizamos el modelo de Markowitz, el cual es un algoritmo clásico para determinar carteras eficientes, para nuestra aproximación cuántica hemos trabajado con un algoritmo de optimización cuántico llamado Variational Quantum Eigensolver (VQE) y por último hemos intentado mejorar este último criterio de optimización con un índice de sentimiento calculado con procesamiento de lenguaje natural (NLP) y una métrica de forecasting multivariado basado en Machine Learning.
Este trabajo se centra en el estudio de algoritmos de computación cuántica, con una introducción general al marco teórico de la computación cuántica, su naturaleza, estado actual y potencial en la resolución de problemas complejos. En particular, se aborda el uso de algoritmos cuánticos en tareas de optimización, un área de gran relevancia. Se analizarán problemas de optimización de funciones, enfocándonos en la optimización de diferentes tipos de potenciales. Para ello, se implementará el algoritmo QAOA (Quantum Approximate Optimization Algorithm), uno de los algoritmos cuánticos más representativos en este ámbito. Con el objetivo de contextualizar su rendimiento, se compararán sus resultados con los obtenidos mediante algoritmos clásicos de optimización como el método del descenso del gradiente y el método de Newton. El estudio incluirá tanto una comparación cuantitativa en términos de precisión, tiem- po de ejecución y calidad de la solución, como un análisis cualitativo de las diferencias entre enfoques clásicos y cuánticos. Asimismo, se examinará la influencia de los hiperparámetros de cada algoritmo sobre su rendimiento, con el propósito de identificar patrones o relaciones que permitan optimizar su configuración para distintos tipos de problemas.
Este trabajo presenta un estudio exploratorio y preliminar sobre la aplicación de un algoritmo cuántico variacional para resolver problemas de planificación minera a cielo abierto con capacidad de extracción flexible. El objetivo principal es evaluar la viabilidad técnica de la formulación propuesta y su resolución mediante QAOA, más que comparar su rendimiento frente a métodos clásicos o cubrir un amplio rango de instancias. Se desarrolla una formulación Quadratic Unconstrained Binary Optimization (QUBO) que incorpora variables de holgura para modelar restricciones de capacidad del tipo “menor o igual”, permitiendo operaciones por debajo de la capacidad máxima sin penalizaciones. La metodología emplea el Quantum Approximate Optimization Algorithm (QAOA) para optimizar la selección de bloques maximizando la ganancia económica de la extracción mientras respeta restricciones de precedencia geológica y límites operativos flexibles. El enfoque se valida mediante un caso de estudio en un yacimiento sintético de cobre de 18 bloques resuelto en un simulador cuántico, demostrando la capacidad del algoritmo cuántico para manejar la complejidad adicional introducida por las variables auxiliares. Esta investigación establece fundamentos para aplicar computación cuántica a problemas de planificación minera con mayor flexibilidad operativa.
La gestión de disrupciones en la operación aérea constituye un problema de elevada complejidad combinatoria, especialmente cuando una avería o indisponibilidad de aeronave obliga a reprogramar vuelos en ventanas temporales reducidas. Este trabajo estudia la aplicación de técnicas de computación cuántica variacional al problema de recuperación de aeronaves, mediante el diseño y validación de un modelo QUBO-QAOA aplicado a una versión simplificada del problema. En primer lugar, se analiza el contexto operativo de las operaciones irregulares en aerolíneas y se revisan los principales enfoques clásicos empleados en la recuperación de recursos, incluyendo métodos exactos, heurísticos y formulaciones basadas en redes espaciotemporales. A partir de este marco, se formula un modelo de recuperación de flota basado en variables binarias de asignación, retraso y cancelación, incorporando restricciones de unicidad y continuidad temporal. El modelo se expresa inicialmente como un problema de optimización combinatoria con restricciones y posteriormente se transforma en una formulación QUBO, apta para su mapeo a un Hamiltoniano de Ising. El caso de uso teórico planteado alcanza 444 variables binarias, una escala no abordable mediante simulación clásica de estado completo con los recursos disponibles. Por ello, la validación experimental se realiza sobre una instancia reducida de 15 variables, diseñada para conservar los elementos esenciales de la formulación y permitir una comparación rigurosa frente a una referencia clásica exacta. La implementación se desarrolla en Qiskit, utilizando QAOA, primitivas de estimación y muestreo, un optimizador clásico COBYLA y un proceso posterior de filtrado de soluciones factibles. Los resultados muestran que el flujo QUBO-QAOA, combinado con muestreo y posprocesado clásico, recupera el óptimo global del caso reducido, validado mediante enumeración exhaustiva. El trabajo no pretende demostrar ventaja cuántica práctica, sino verificar la viabilidad metodológica de formular, mapear e implementar una abstracción temporal del problema de recuperación de aeronaves en un marco híbrido cuántico-clásico. Finalmente, se discuten las limitaciones asociadas a la escala del problema, la simulación clásica, el hardware NISQ y la dependencia del posprocesado clásico, así como posibles líneas futuras de extensión hacia modelos más completos.
La computación cuántica tiene una base teórica de más de tres décadas que muestra aceleraciones polinómicas y exponenciales sobre los algoritmos clásicos. Los procesadores que se construyen hoy, sin embargo, son ruidosos, pequeños y de conectividad limitada, aún lejos de aprovechar esa ventaja en problemas de escala real. Este trabajo es un estudio experimental que mide qué tan profunda es esa brecha para cuatro algoritmos cuánticos fundamentales: Bernstein–Vazirani, Simon, Grover sobre instancias de k-SAT y la estimación cuántica de fase. Para cada algoritmo se construyó una contraparte clásica de referencia y se evaluaron, por cada tamaño de entrada, todas las combinaciones posibles de tres modelos de ruido (error de lectura, despolarizante y relajación térmica) con tres topologías de hardware (ideal, lineal de 20 qubits y heavy-hex de 127 qubits, esta última inspirada en el chip ibm_brisbane). El estudio se hizo enteramente en simulación porque permite controlar de forma independiente cada parámetro del ruido y de la conectividad, condición necesaria para hacer comparaciones limpias entre escenarios. Cada uno de los 39 escenarios resultantes por tamaño se repitió 25 veces y los resultados se reportan con intervalo de confianza al 95 % calculado con la t de Student. Toda la infraestructura (algoritmos, generador de instancias, modelos de ruido, scripts de análisis e interfaz gráfica para exploración interactiva) queda reproducible y abierta. Los hallazgos principales son tres. Primero, la ventaja teórica sobrevive en los algoritmos de poca profundidad como Bernstein–Vazirani, mientras que en Grover y en la estimación de fase el ruido deteriora rápidamente el speedup a medida que crece el número de iteraciones. Segundo, el tipo de ruido importa tanto como su nivel: el error de lectura es el menos agresivo porque no se acumula con la profundidad del circuito, mientras que el despolarizante es el más severo. Tercero, la topología influye de forma indirecta pero significativa porque condiciona la cantidad de compuertas SWAP que el compilador debe insertar y, por esa vía, aumenta la profundidad efectiva del circuito. El framework, los datos y los análisis quedan disponibles para quien quiera prototipar pruebas de algoritmos cuánticos en la era NISQ sin depender de tiempo en hardware real.
Los modelos de lenguaje más avanzados superan el billón de parámetros, y el consumo eléctrico anual en EE. UU. podría alcanzar cientos de TWh esta década, evidenciando el límite energético del hardware clásico y motivando la búsqueda de sustratos. La computación cuántica, al explotar el vasto espacio de Hilbert de los cúbits, promete redes neuronales cuánticas (QNNs) capaces de representar funciones mucho más complejas por parámetro. El proyecto "Hacia una Ventaja Cuántica en Arquitecturas Deep Learning" reduce la barrera de entrada mediante dos recursos gratuitos. Primero, un libro online (https://seroviicai.github.io/torch-quantum/book) condensa teoría cuántica y computacional esencial, análisis de capacidad con geometría informacional y técnicas modernas de optimización de QNNs en <100 páginas; ejemplos en CUDA-Q y PyTorch guían al lector desde álgebra de un solo cúbit hasta "benchmarks" completos. Segundo, la librería Torch-Quantum (https://github.com/SeroviICAI/torch-quantum/tree/main) convierte esas ideas en mapas de características, formas variacionales, modelos y "scripts" ejecutables sin modificaciones en simuladores CPU/GPU o en procesadores cuánticos en la nube como Amazon Braket. Guiada por los principios "Usabilidad sobre Rendimiento" y "Simple sobre Fácil", los experimentos mantenienen cada operación explícita y manipulable. Los experimentos con estas herramientas muestran que las QNNs alcanzan mayor dimensión efectiva (i.e. mayor expresividad) que redes clásicas con igual número de parámetros, logrando precisión casi perfecta en benchmarks pequeños como Iris y Wine tras pocas iteraciones, y estableciendo resultados estado-del-arte para modelos puramente cuánticos, incluyendo OptDigits. A mayor escala, los gradientes se encarecen bajo la regla de desplazamiento de parámetros y pueden desaparecer en "barren plateaus". El libro presenta estrategias de mitigación como retropropagaciones alternativas (e.g. métodos con tomografía de sombras y memoria cuántica), optimizadores de gradiente natural y entrenamiento por capas, animando al lector a perfeccionarlas. Al unir contexto, teoría y código, el proyecto ofrece una puerta única al avance colaborativo hacia el aprendizaje profundo cuántico.