Barclays trabaja junto con IBM desde hace a\u00f1os en algoritmos cu\u00e1nticos de optimizaci\u00f3n de carteras, usando el Quantum Approximate Optimization Algorithm (QAOA) adaptado a restricciones reales como costos de transacci\u00f3n y l\u00edmites regulatorios. Un estudio acad\u00e9mico publicado en febrero de 2026 midi\u00f3, adem\u00e1s, una ventaja concreta: una cartera armada con QAOA logr\u00f3 un ratio de Sharpe de 1,81 frente a 1,31 de un m\u00e9todo cl\u00e1sico de recocido simulado y 0,98 de paridad de riesgo jer\u00e1rquica. La optimizaci\u00f3n de portfolios sigue en fase de piloto, pero ya no es solo una promesa te\u00f3rica.<\/p>\n\n\n\n
QAOA es un algoritmo pensado para problemas de optimizaci\u00f3n combinatoria: elegir, entre un enorme n\u00famero de combinaciones posibles, la que mejor cumple un objetivo dado ciertas restricciones. En finanzas, ese problema es armar una cartera de inversi\u00f3n que maximice el retorno esperado y minimice el riesgo, respetando l\u00edmites de exposici\u00f3n, costos operativos y reglas de cumplimiento. El algoritmo reformula ese problema como una optimizaci\u00f3n binaria cuadr\u00e1tica (QUBO) o un modelo de tipo Ising, formatos que un procesador cu\u00e1ntico puede explorar de manera nativa. Lee Braine, director en la oficina de tecnolog\u00eda de Barclays, lidera la investigaci\u00f3n cu\u00e1ntica del banco enfocada en optimizar la liquidaci\u00f3n de transacciones de valores, adem\u00e1s de la propia gesti\u00f3n de carteras.<\/p>\n\n\n\n
La escala del problema es lo que justifica la b\u00fasqueda de una alternativa cu\u00e1ntica: el n\u00famero de combinaciones posibles para armar una cartera crece de forma exponencial a medida que aumenta la cantidad de activos considerados, algo que las computadoras cl\u00e1sicas manejan cada vez peor conforme el portfolio se agranda. La magnitud del negocio en juego tambi\u00e9n es elocuente: una mejora de apenas el 1% en la asignaci\u00f3n de activos de un fondo de US$100.000 millones representa US$1.000 millones adicionales de valor. Es ese tipo de cifra la que explica por qu\u00e9 bancos y fondos globales destinan presupuesto de investigaci\u00f3n a un algoritmo que todav\u00eda no corre en producci\u00f3n.<\/p>\n\n\n\n
El propio estudio que midi\u00f3 el ratio de Sharpe de 1,81 marc\u00f3 tambi\u00e9n una limitaci\u00f3n importante: la estrategia optimizada con QAOA tuvo una rotaci\u00f3n de cartera del 76,8%, lo que dispara los costos operativos de implementarla en la pr\u00e1ctica. A eso se suma un problema t\u00e9cnico de fondo, confirmado por un benchmark de la Universidad Nacional de Singapur: QAOA rinde de manera excelente en condiciones ideales sin ruido, pero pierde solidez de forma notoria cuando corre sobre hardware cu\u00e1ntico real, que hoy todav\u00eda tiene tasas de error significativas. La conclusi\u00f3n para 2026 es que la optimizaci\u00f3n cu\u00e1ntica de carteras funciona como demostraci\u00f3n de concepto prometedora, no como reemplazo inmediato de los m\u00e9todos cl\u00e1sicos, y que el camino hacia la producci\u00f3n depende tanto de mejoras de hardware como de estrategias que reduzcan el costo de implementaci\u00f3n de las carteras que el algoritmo recomienda. Ning\u00fan banco ni fondo de la regi\u00f3n aparece hoy en este mapa de pilotos, lo que deja una ventana abierta para el primero que decida entrar.<\/p>\n\n\n\n
Fuentes:
The Quantum Insider: https:\/\/thequantuminsider.com\/2026\/03\/27\/15-plus-global-banks-probing-the-wonderful-world-of-quantum-technologies\/
Medium – Superpositions Studio: https:\/\/medium.com\/@superpositions_studio\/quantum-computing-in-finance-portfolio-optimization-fraud-detection-and-monte-carlo-where-it-4b68ed34bb92
arXiv – Mancilla et al. (2026), Constrained Portfolio Optimization via QAOA with XY-Mixers: https:\/\/arxiv.org\/html\/2602.14827v1
Quantum Circle: https:\/\/quantumcircle.eu\/quantum-portfolio-optimisation\/
arXiv – Benchmarking Quantum Solvers in Noisy Digital Simulations: https:\/\/arxiv.org\/html\/2508.21123v1<\/p>\n","protected":false},"excerpt":{"rendered":"
Barclays trabaja junto con IBM desde hace a\u00f1os en algoritmos cu\u00e1nticos de optimizaci\u00f3n de carteras, usando el Quantum Approximate Optimization Algorithm (QAOA) adaptado a restricciones reales como costos de transacci\u00f3n y l\u00edmites regulatorios. Un estudio acad\u00e9mico publicado en febrero de 2026 midi\u00f3, adem\u00e1s, una ventaja concreta: una cartera armada con QAOA logr\u00f3 un ratio de […]<\/p>\n","protected":false},"author":2,"featured_media":12600,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-12599","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-qc"],"yoast_head":"\n