La computació quàntica ha generat expectatives enormes al món financer. Es diu que els kernels quàntics podrien revolucionar la predicció de rendiments borsaris aprofitant propietats de superposició i entrellaçament. No obstant això, un estudi recent amb un disseny experimental rigorós planteja seriosos dubtes: després de comparar un kernel de fidelitat quàntica, un kernel quàntic projectat i un kernel clàssic RBF al mercat d'accions A xinès, no es va trobar cap avantatge significatiu. La diferència en el Coeficient d'Informació va ser mínima (ΔIC = +0.005, p=0.42), i cap model quàntic va superar les regressions lineals amb el mateix pressupost computacional. Aquest resultat convida a reflexionar sobre on és realment el valor de la tecnologia quàntica aplicada a les finances.
Els kernels quàntics mesuren la similitud entre punts de dades en un espai de Hilbert d'alta dimensió, cosa que en teoria permet capturar patrons no lineals que els kernels clàssics no assoleixen. En l'esmentat experiment, es va utilitzar un disseny de 'kernel-swap' on només canviava el kernel, mantenint idèntics els subconjunts d'entrenament, el solucionador i els pressupostos d'ajust. Es van avaluar 170 finestres temporals walk-forward (2012-2025) amb un univers point-in-time. Els resultats van ser contundents: els kernels quàntics es van comportar de manera indistingible del RBF clàssic. Fins i tot en aplicar una extensió Nyström per gestionar les ~38.000 observacions completes, els models quàntics van igualar però mai van superar les regressions lineals penalitzades. Després de corregir per comparacions múltiples, cap diferència entre onze models va resultar significativa.
Com és possible que s'hagin publicat afirmacions contràries? L'estudi documenta que una avaluació amb només 60 finestres i un univers filtrat amb informació de tota la mostra fa que el mateix kernel quàntic sembli dominant en estabilitat i significativament millor que les xarxes neuronals. Això demostra la importància d'aplicar protocols rigorosos: universos point-in-time, comparacions amb pressupostos igualats i correcció per multiplicitat. A més, l'anomenada 'geometric difference' entre kernels quàntics i clàssics va resultar alta (g >> 1), però no va predir guanys fora de mostra (ρ = -0.20). És a dir, la diferència teòrica no es tradueix en rendiment pràctic.
Des d'una perspectiva empresarial, la lliçó és clara: abans d'apostar per tecnologia quàntica, les organitzacions han d'assegurar-se que els seus models clàssics i la seva infraestructura tecnològica estan optimitzats. A Q2BSTUDIO entenem que el veritable avantatge competitiu no prové d'una tecnologia concreta, sinó de la capacitat d'integrar solucions sòlides de aplicacions a mida amb plataformes cloud fiables. La predicció de rendiments borsaris implica gestionar grans volums de dades, entrenar models complexos i desplegar sistemes en temps real. Per això, és fonamental comptar amb serveis cloud com els que oferim a cloud AWS/Azure, que proporcionen l'escalabilitat i flexibilitat necessàries.
A més, la intel·ligència artificial (IA) juga un paper central en la construcció d'aquests models. Els agents IA permeten automatitzar el procés de selecció de característiques, ajust d'hiperparàmetres i detecció d'anomalies. A Q2BSTUDIO desenvolupem solucions d'IA adaptades a cada negoci, combinant-les amb eines de Business Intelligence (BI/Power BI) per visualitzar resultats i prendre decisions informades. No obstant això, la seguretat no es pot descuidar: la informació financera és sensible, per la qual cosa integrem ciberseguretat en cada capa del sistema, des de la recollida de dades fins al desplegament en producció.
L'estudi analitzat també revela que l'elecció de l'ample de banda en el kernel RBF té un impacte crític. Amb una graella de cerca més àmplia, es va trobar un òptim interior lluny del punt clàssic que suggeriria una graella gruixuda. Això recorda que l'optimització de models requereix un coneixement profund dels algorismes i les eines adequades. El nostre equip a Q2BSTUDIO ajuda les empreses a implementar des de models lineals simples fins a arquitectures complexes de deep learning, sempre amb un enfocament pragmàtic i orientat a resultats.
En conclusió, l'avantatge quàntic en la predicció d'accions segueix sent una il·lusió a dia d'avui, almenys segons l'evidència controlada més recent. Mentre la comunitat científica treballa en protocols estàndard per avaluar aquestes tecnologies, les empreses poden obtenir beneficis immediats millorant els seus models clàssics amb bones pràctiques d'enginyeria de dades, infraestructura cloud i automatització intel·ligent. A Q2BSTUDIO estem preparats per acompanyar aquest camí, oferint desenvolupament de programari a mida, solucions cloud, IA, ciberseguretat i BI. La revolució quàntica arribarà, però mentrestant, el veritable avantatge està en l'execució excel·lent del que ja funciona.
