¿Sirve la computación cuántica para optimización de portafolios hoy?

Estado a: julio 2026. El veredicto de abajo es medido, no afirmado: se apoya en un benchmark público y en 20 corridas selladas que cualquiera puede verificar.

Respuesta corta: todavía no. La optimización de portafolios — elegir el subconjunto de activos que maximiza retorno para un presupuesto de riesgo — es el ejemplo más común para vender computación cuántica, porque mapea limpio a la forma QUBO que los optimizadores cuánticos comen. Pero mapear limpio no es lo mismo que ganar. En instancias realistas los solvers clásicos más fuertes devuelven un óptimo probado en segundos, y a mediados de 2026 ningún método cuántico o híbrido les ha ganado de una forma que sobreviva a un baseline clásico justo y tuneado. El mapeo limpio es justo la razón por la que el negativo honesto acá vale la pena publicarlo: este es el problema en el que la cuántica debería ser mejor, y todavía pierde.

Qué encontró el benchmark independiente

Un estudio grande de 2025, Quantum Portfolio Optimization: An Extensive Benchmark (arXiv:2509.17876), corrió QAOA y annealing cuántico contra solvers clásicos en muchas instancias de portafolio. El hallazgo fue tajante: los métodos cuánticos no le ganaron a Gurobi, y en varias instancias no fueron mejores que el muestreo aleatorio — mientras Gurobi devolvía soluciones óptimas o casi óptimas en segundos. Esto calza con el estándar emergente de la comunidad, QOBLIB (Nature Computational Science, 2026), que dice sin rodeos que la ventaja cuántica solo puede reclamarse cuando se supera a los mejores métodos clásicos conocidos. En portafolios, no se los supera.

Qué muestran nuestras propias corridas selladas

Corrimos la misma pelea nosotros y sellamos cada resultado. QAOA (profundidad 2, simulado) contra OR-Tools CP-SAT en instancias de selección de portafolio, misma instancia, mismo presupuesto, óptimo exacto como árbitro. El solver clásico llegó al óptimo probado en las 20 corridas. QAOA nunca — y la brecha no se achicó con el tamaño, deambuló:

El tiempo de prueba clásico sí creció con el tamaño (de ~0,05 s a 12 activos a ~29 s a 20, unas 25× por cada cuatro activos), así que el lado clásico no es gratis — pero "más lento en probar la optimalidad" es algo muy distinto de "vencido". CP-SAT igual devolvió el óptimo todas las veces; QAOA devolvió una respuesta 25–48% peor y, en los tamaños grandes, se quedó sin presupuesto de pasos antes de converger.

Por qué los portafolios son el lugar equivocado para buscar una victoria temprana

El discurso es seductor porque la matemática es ordenada: la selección media-varianza se vuelve un problema binario cuadrático, y los problemas binarios cuadráticos son para lo que están hechos los annealers y QAOA. Pero lo ordenado corta para ambos lados — un problema que mapea limpio al hardware cuántico normalmente también mapea limpio a un solver clásico afinado por décadas, y esos solvers (branch-and-cut en Gurobi, la propagación de restricciones de CP-SAT) son extraordinariamente fuertes justo en esa estructura. El lugar honesto para cazar ventaja cuántica temprana es un problema que sea difícil específicamente para los métodos clásicos, no uno que sea fácil para todos.

Qué sabemos / Qué no sabemos

Qué sabemos (medido, fechado). Un benchmark independiente de 2025 encontró a QAOA y al annealing sin ganarle a Gurobi en portafolios, a veces igualando al muestreo aleatorio. Nuestras 20 corridas selladas ponen a CP-SAT en el óptimo probado todas las veces, con QAOA 25–48% lejos y sin tendencia de tamaño. El tiempo de prueba clásico crece con el tamaño pero igual resuelve en segundos a decenas de segundos.

Qué no sabemos. Si un método híbrido futuro, mejor mitigación de errores o una codificación más astuta cambian esto — el progreso es real y continúa (p. ej., experimentos híbridos de iones atrapados de 2026 reportan mejoras en setups específicos). Lo que todavía no podemos llamar es el cruce: el tamaño de problema, si existe, donde un método cuántico superaría a un solver clásico tuneado en una instancia de portafolio. Nuestras corridas son simuladas (sin ruido), así que favorecen al lado cuántico; el hardware real enfrentaría ruido encima de la brecha de arriba.

Rosetta Q publica veredictos con datos crudos reproducibles. Esto es contenido educativo, no un claim de producto, y no es asesoría de inversión. El veredicto es "todavía no", medido en las fechas citadas — es una afirmación sobre hoy, no una predicción sobre el campo.