¿Sirve la computación cuántica para gestión de riesgo financiero hoy?
Estado a: agosto 2026.
El riesgo financiero es la clase donde la computación cuántica tiene su historia teórica más limpia y uno de sus marcadores más vacíos. La historia: los motores de riesgo corren Monte Carlo, Monte Carlo converge como 1/√M, y un algoritmo cuántico — la estimación de amplitud — converge como 1/M. Un speedup cuadrático demostrable sobre el cálculo caballo-de-batalla de todo banco. El marcador: a agosto 2026, nadie ha corrido ese speedup punta a punta contra un motor Monte Carlo clásico fuerte en la misma instancia de riesgo y ganado. Ni en Value-at-Risk, ni en CVaR, ni en greeks. Este post pone las dos mitades con fuentes, porque la brecha entre ellas ES el estado del arte.
¿Qué promete la teoría exactamente?
La cadena tiene tres eslabones, todos reales. Brassard, Høyer, Mosca y Tapp formalizaron la estimación de amplitud cuántica en 2002: estimar una amplitud de probabilidad a error ε con O(1/ε) llamadas al oráculo, donde el muestreo clásico necesita O(1/ε²). Montanaro (2015) lo convirtió en un speedup cuántico general para Monte Carlo: cuadráticamente menos muestras para la misma barra de error. Woerner y Egger (IBM, npj Quantum Information, feb 2019) lo mapearon a los números que un escritorio de riesgo reporta de verdad — VaR y CVaR — y demostraron el circuito en hardware.
La trampa no está en la matemática. Está en tres lugares que la matemática no cubre: los factores constantes de la tolerancia a fallos, el costo de cargar datos de mercado en superposición, y la fuerza del rival clásico. Un speedup cuadrático divide el exponente a la mitad; no sobrevive un sobrecosto de factor constante de 10⁶× hasta que los tamaños de problema se vuelven enormes. No es un punto retórico — es la conclusión publicada de la gente que construye las máquinas, como muestra la sección del cruce.
¿Qué se ha medido en hardware?
Cada resultado en hardware en esta clase es una prueba de componente, no una carrera. La tabla es corta porque la tabla honesta es corta.
| Resultado | Escala | Qué muestra | Qué NO muestra | Fuente (fecha) |
|---|---|---|---|---|
| Speedup cuadrático para Monte Carlo | teoría | convergencia 1/M vs 1/√M | factores constantes, carga de datos | Montanaro, Proc. R. Soc. A (2015) |
| VaR/CVaR vía estimación de amplitud | 5 qubits, T-bill juguete | el circuito corre en HW real | ventaja alguna — la instancia es trivial | Woerner & Egger, npj QI (feb 2019) |
| Pricing de opciones en hardware | 3 qubits | circuito de pricing punta a punta | escala; las barras de error no le ganan a nada | Stamatopoulos et al., Quantum 4, 291 (jul 2020) |
| Carga de distribuciones de cola pesada | 25–64 qubits (IBM Eagle/Osprey) | circuitos MPS someros alivian el cuello de datos | un número de riesgo; es un codificador, no un solver | HSBC + Haiqu, vía FinTech Magazine (2026) |
| Umbral de ventaja, pricing de derivados | estimación de recursos | qué cuesta el cruce | que ese HW exista — no existe | Chakrabarti et al., Quantum 5, 463 (jun 2021) |
Nótese lo ausente: alguna fila donde un dispositivo cuántico produjo un VaR, CVaR o greek más rápido o más barato que un Monte Carlo clásico afinado en la misma instancia. Monte Carlo clásico además es vergonzosamente paralelo — escala en granjas de GPU con costo de coordinación casi nulo — así que el baseline clásico no se queda quieto mientras el lado cuántico madura. Nuestro post sobre por qué un baseline clásico débil arruina un benchmark cuántico aplica completo a esta clase.
¿Dónde estaría el punto de cruce?
Esta es la clase rara donde el cruce fue costeado por los optimistas, en público, con números. Chakrabarti et al. (Goldman Sachs + IBM, Quantum, jun 2021) estimaron qué hace falta para que el pricing cuántico de derivados le gane al clásico: ~8.000 qubits lógicos y una T-depth de 54 millones, ejecutada en cerca de un segundo — un reloj lógico del orden de 50 MHz. Stamatopoulos et al. (Quantum, jul 2022) mejoraron el pipeline de greeks con métodos de gradiente cuántico y bajaron el requisito a ~7 MHz de reloj lógico — todavía un resultado puramente de papel, derivado de simulación, asumiendo hardware tolerante a fallos.
Para calibrar: no existe ninguna máquina tolerante a fallos con miles de qubits lógicos a ningún reloj; los roadmaps de vendors ponen ~200 qubits lógicos en 2029 y ~2.000 en 2033 (aquí leemos esos roadmaps — un roadmap es una meta, no un cronograma). Y Babbush et al. (Google, PRX Quantum, 2021) hicieron el punto estructural que aplica a toda esta clase: los speedups cuadráticos no entregan ventaja neta en las primeras máquinas tolerantes a fallos — el sobrecosto de corrección de errores se los come. El speedup de riesgo es exactamente cuadrático. Por eso el mismo análisis que motiva la investigación en riesgo cuántico también la fecha más allá de las primeras generaciones FT, salvo que las constantes caigan dramáticamente.
¿No reclamó HSBC ya una ventaja cuántica en finanzas?
Existe un claim; no es un resultado de riesgo, y merece lectura cuidadosa. El 25 de septiembre de 2025, HSBC e IBM anunciaron un "primero mundial" en trading algorítmico habilitado por cuántica: hasta ~34% de mejora en predecir la probabilidad de llenado de RFQs de bonos, usando procesadores IBM Heron para transformar features de un modelo ML clásico. Tres cosas dejan esto fuera del marcador de riesgo. Primero, la tarea es generación de features de ML para predicción de llenado de órdenes — no Monte Carlo de riesgo, no estimación de amplitud; ningún mecanismo de speedup cuadrático participa. Segundo, el propio paper del equipo nota que el ruido del hardware contribuye a la ganancia, y que la simulación sin ruido del mismo cálculo cuántico no muestra la ventaja — que es lo opuesto a cómo se ve un speedup computacional. Tercero, no ha habido replicación independiente; la crítica pública de Aaronson (sep 2025) detalla por qué los efectos de ruido-como-regularizador necesitan baselines de ruido clásico antes de que "ventaja" sea la palabra correcta. Nada de esto es una acusación — el comunicado de HSBC describe el experimento con precisión. Es un recordatorio de que en esta clase, las victorias medidas hasta ahora no son del tipo que la teoría promete. Aplica nuestro checklist para leer claims de ventaja.
¿Qué cambiaría el veredicto?
Tres eventos observables, cualquiera de los cuales reportaríamos como noticia: (1) una máquina tolerante a fallos con miles de qubits lógicos a relojes lógicos de escala MHz — mirar conteos de qubits LÓGICOS, no físicos; (2) un cálculo de riesgo por estimación de amplitud punta a punta que le gane a un Monte Carlo clásico afinado en la misma instancia, misma precisión, con reloj de pared y dólares reportados — costo por respuesta, no costo por disparo; (3) una mejora algorítmica que suba el speedup cuadrático a algo que la corrección de errores no pueda comerse. Hasta que aterrice uno de esos, el veredicto honesto para un escritorio de riesgo es: quédate con tus GPUs, mira la matemática del cruce, y trata cada titular de "finanzas cuánticas" como un claim a parsear, no un resultado a comprar.
Qué sabemos / qué no sabemos
Qué sabemos. El speedup cuadrático para Monte Carlo es matemática probada (2002/2015). Los circuitos de VaR/CVaR corren en hardware real a escala juguete (2019). El cruce fue costeado por sus proponentes en ~8.000 qubits lógicos y decenas de MHz de reloj lógico (2021), mejorable a ~7 MHz para greeks en papel (2022). Los speedups cuadráticos son la primera baja del sobrecosto de corrección de errores (2021). Ninguna victoria cuántica punta a punta en una carga real de riesgo ha sido publicada a agosto 2026.
Qué no sabemos. Si las constantes algorítmicas caerán más rápido de lo que asumen los roadmaps de hardware — el campo ya sorprendió antes (la dequantización sorprendió en la dirección contraria). Si el cuello de botella de carga de datos (codificar distribuciones de mercado en superposición) tiene solución general; los codificadores MPS son progreso en una pieza, no en el todo. Si los efectos de ML potenciado por ruido como el resultado de HSBC replican bajo baselines de ruido clásico — nadie ha publicado esa prueba. Y, declarado sin vueltas: Rosetta no tiene corridas selladas en esta clase. Nuestra evidencia medida (la serie V-0012) es de optimización de portafolios en instancias chicas — una clase distinta (ese veredicto está aquí) — y no reclamamos nada medido sobre cargas de riesgo. Un banco de riesgo dedicado está en nuestro backlog; hasta que corra, nuestro veredicto aquí descansa por completo en el registro publicado de arriba.
Fuentes
- Montanaro, Quantum speedup of Monte Carlo methods, Proc. R. Soc. A 471, 20150301 (2015)
- Brassard, Høyer, Mosca & Tapp, Quantum amplitude amplification and estimation (2002)
- Woerner & Egger, Quantum risk analysis, npj Quantum Information 5, 15 (feb 2019)
- Stamatopoulos et al., Option pricing using quantum computers, Quantum 4, 291 (jul 2020)
- Chakrabarti et al., A threshold for quantum advantage in derivative pricing, Quantum 5, 463 (jun 2021)
- Babbush et al., Focus beyond quadratic speedups for error-corrected quantum advantage, PRX Quantum 2, 010103 (2021)
- Stamatopoulos, Mazzola, Woerner & Zeng, Towards quantum advantage in financial market risk, Quantum 6, 770 (jul 2022)
- Comunicado HSBC, trading algorítmico habilitado por cuántica con IBM (25 sep 2025)
- Aaronson, sobre el claim HSBC–IBM (sep 2025)
- FinTech Magazine, HSBC & Haiqu: codificación de colas pesadas en hardware IBM (2026)
Rosetta Q publica veredictos con datos crudos reproducibles. Esto es contenido educativo, no un claim de producto.