Nuevas herramientas para nuestro trabajo con el riesgo
Quienes trabajamos con modelos conocemos una situación bastante habitual: sabemos qué queremos calcular, pero hacerlo con el detalle necesario lleva demasiado tiempo. Una cartera con muchos factores de riesgo, una valuación que exige simular distintas trayectorias o una estrategia de inversión con numerosas restricciones pueden obligarnos a simplificar. A veces, una parte importante de nuestro trabajo consiste en decidir qué podemos simplificar sin perder lo que importa.
Por eso me interesa la computación cuántica. Algunas de sus líneas de investigación apuntan a dificultades que los actuarios conocemos de cerca. Y esa conversación nos involucra en los distintos lugares donde ejercemos la profesión: bancos, compañías de seguros, administradoras de inversiones, sistemas previsionales, consultoras y universidades.
Muchos actuarios desarrollamos nuestra carrera en el sector bancario y en el mercado de capitales. Trabajamos con riesgo de crédito y de mercado, valuación de instrumentos, gestión de activos y pasivos y validación de modelos. Desde esa experiencia, vale la pena preguntarnos qué pueden aportar las herramientas cuánticas y qué necesitamos aprender para evaluarlas.
Problemas que nos resultan familiares
La computación cuántica utiliza qubits y operaciones que aprovechan propiedades como la superposición y la interferencia. Entender sus fundamentos requiere estudio, aunque para empezar podemos partir de una pregunta cercana a nuestro trabajo: ¿qué parte de un cálculo podría resolverse de otra manera?
Pensemos en la simulación Monte Carlo. La usamos para estimar valores esperados, estudiar pérdidas y analizar escenarios. Montanaro (2015) demuestra que, bajo determinadas condiciones, un algoritmo cuántico puede reducir de manera casi cuadrática el número de usos de una rutina necesario para estimar su valor esperado. Ese resultado ofrece un motivo concreto para investigar. Llevarlo a la práctica exige considerar, además, cómo se representa el problema y cuánto cuesta ejecutar el cálculo completo. [1]
Woerner y Egger (2019), de IBM, avanzan en esa dirección con ejemplos de valuación y cálculo de Value at Risk y Conditional Value at Risk. Son problemas simplificados, pero reconocibles para quienes hacemos análisis financiero. Nos permiten estudiar cómo se conecta una pregunta de riesgo con un circuito cuántico y qué dificultades aparecen en el camino. [2]
Los bancos también están investigando
BBVA y Multiverse presentaron en 2020 una prueba de concepto sobre optimización dinámica de carteras con datos reales de mercado. Compararon métodos clásicos, cuánticos y también métodos inspirados en la computación cuántica que se ejecutan en equipos convencionales. Esa distinción importa: dentro de este campo conviven enfoques diferentes, y conviene saber qué se está utilizando cuando se anuncia un resultado. [11]
JPMorganChase publicó en 2024 un desarrollo para aplicar un algoritmo híbrido a problemas pequeños de optimización de carteras, con pruebas en hardware de Quantinuum. El propio equipo señala las restricciones que todavía impone la tecnología. El interés del caso está en el trabajo de adaptar un algoritmo a los recursos disponibles y contrastar sus resultados. [12]
En 2025, HSBC e IBM investigaron el uso de herramientas cuánticas para estimar la probabilidad de que una cotización de bonos corporativos fuera aceptada. El estudio utilizó datos históricos de operaciones y combinó procesamiento clásico con características generadas mediante circuitos cuánticos. Es un ejemplo de investigación sobre una decisión concreta del mercado de capitales. Sus resultados corresponden al experimento realizado y no permiten afirmar una superioridad general frente a los métodos clásicos. [13]
En seguros también hay antecedentes. AXA y Fraunhofer ITWM estudiaron la valuación de contratos y el rescate dinámico de pólizas; Munich Re participó en la creación de QUTAC y en la exploración de aplicaciones para riesgos complejos. [3, 7, 8] Lo que me parece valioso de estos ejemplos es la amplitud de las preguntas: elegir una cartera, estimar una pérdida, valuar un compromiso o analizar una decisión de negociación. En todas ellas podemos aportar desde nuestra formación.
La discusión ya llegó a los encuentros actuariales
En el Congreso Internacional de Actuarios de 2023, realizado en Sídney, hubo una exposición sobre un primer enfoque para optimizar cotizaciones de seguros mediante computación cuántica. El Institute and Faculty of Actuaries la registra entre los temas tratados en encuentros profesionales. [5]
En la Life Conference 2025, realizada en Edimburgo, Muhammad Ahmer Amjad, de Canada Life, dictó el taller “Quantum computing for actuaries: A practical primer”. El programa incluyó ejemplos de valuación de rentas y opciones y una demostración en hardware cuántico. [6] Son antecedentes que muestran a colegas acercándose al tema desde preguntas de su práctica.
También hay trabajos que se detienen en las dificultades. Amjad (2025), en el British Actuarial Journal, analiza qué exige construir modelos internos cuánticos para la gestión del riesgo. Representar distribuciones y llevar un modelo a una escala útil son parte del problema. [4] Para nosotros, leer esas limitaciones es tan útil como conocer los resultados prometedores: ayuda a distinguir dónde podemos contribuir y qué queda por resolver.
Acercarnos desde lo que ya sabemos
No partimos de cero. Tenemos formación en probabilidad, álgebra, estadística y modelos financieros. Estamos acostumbrados a trabajar con incertidumbre y a revisar supuestos. Sobre esa base podemos aprender los fundamentos cuánticos, programar ejemplos sencillos y compararlos con soluciones clásicas.
El aporte actuarial comienza antes de ejecutar un circuito. Hace falta elegir un problema relevante, entender los datos, decidir qué resultado sería útil y establecer una comparación razonable. Después viene la validación: ¿se conserva la distribución que queríamos representar?, ¿qué error introduce la aproximación?, ¿la mejora obtenida cambia alguna decisión? Son preguntas que forman parte de nuestro oficio.
Desde mi trabajo en gestión del riesgo financiero y en docencia, veo una oportunidad para acercar estos desarrollos a la comunidad actuarial argentina. En la Facultad de Ciencias Económicas de la UBA integro el cuerpo docente del Curso de Posgrado Introducción a las Finanzas Cuánticas y participo en la Maestría en Finanzas Cuánticas, dictando Gestión y medición del riesgo financiero con métodos cuánticos e híbridos. [9, 10] Me interesa que la formación en estos temas mantenga un vínculo con los problemas que encontramos en el ejercicio profesional.
Estudiar esta tecnología hoy nos permite leer la investigación con mayor criterio y participar en conversaciones que ya están ocurriendo en bancos, aseguradoras y equipos académicos. También puede dar lugar a colaboraciones y proyectos propios. Hay espacio para que la Sociedad Argentina de Actuarios acompañe ese intercambio y para que quienes tenemos experiencia en distintas actividades acerquemos nuestras preguntas.
Mi mirada es positiva porque encuentro una continuidad con lo que hacemos: buscar mejores herramientas para comprender el riesgo y tomar decisiones. Podemos empezar por un problema pequeño, aprender a formularlo y comprobar qué funciona. Ese trabajo, sostenido entre colegas, es una forma concreta de prepararnos y de aportar al desarrollo de este campo desde Argentina.
Referencias bibliográficas e institucionales
[1] Montanaro, A. (2015). Quantum speedup of Monte Carlo methods. Proceedings of the Royal Society A, 471(2181), 20150301.
https://doi.org/10.1098/rspa.2015.0301
[2] Woerner, S., y Egger, D. J. (2019). Quantum risk analysis. npj Quantum Information, 5, artículo 15.
https://doi.org/10.1038/s41534-019-0130-6
[3] Adam, M. (2022). Potential Applications of Quantum Computing for the Insurance Industry. Prepublicación, arXiv:2210.06172. Estudio de AXA Konzern AG y Fraunhofer ITWM.
https://arxiv.org/abs/2210.06172
[4] Amjad, M. A. (2025). Quantum internal models for Solvency II and quantitative risk management. British Actuarial Journal, 30, e1, 1–41.
https://doi.org/10.1017/S135732172400031X
[5] Marshall, A. (2024). Actuaries using data science and artificial intelligence techniques. Thematic Review Report. Institute and Faculty of Actuaries. Apéndice 4, p. 27: registro de la presentación “An initial approach to optimizing insurance quotes with quantum computing” en ICA 2023.
[6] Institute and Faculty of Actuaries (2025). Life Conference 2025. Taller E4: Quantum computing for actuaries: A practical primer. Expositor: Muhammad Ahmer Amjad, Canada Life. Edimburgo, 5–7 de noviembre.
https://vle.actuaries.org.uk/course/view.php?id=2924§ion=5
[7] Munich Re (2021). Quantum Technology and Application Consortium (QUTAC): Munich Re participates in the establishment of the new consortium. Comunicación institucional.
[8] QUTAC (2022, 25 de abril). Munich Re: Understanding, calculating and hedging complex risks. Caso de investigación institucional.
[9] Universidad de Buenos Aires, Facultad de Ciencias Económicas, ENAP (s. f.). Curso de Posgrado Introducción a las Finanzas Cuánticas. Programa y cuerpo docente. Consulta: 10 de octubre de 2026.
[10] Universidad de Buenos Aires, Facultad de Ciencias Económicas, ENAP (s. f.). Maestría en Finanzas Cuánticas. Plan de estudios y cuerpo docente. Consulta: 10 de octubre de 2026.
[11] BBVA (2020, 25 de agosto). BBVA and Multiverse showcase how quantum computing could help optimize investment portfolio management. Comunicación institucional sobre una prueba de concepto.
[12] Yalovetzky, R., Herman, D., y Pistoia, M. (2024, 10 de septiembre). Solving quantum linear systems on hardware for portfolio optimization. JPMorganChase, Global Technology Applied Research.
[13] Ciceri, A., Cottrell, A., Freeland, J., et al. (2025). Enhanced fill probability estimates in institutional algorithmic bond trading using statistical learning algorithms with quantum computers. Prepublicación, arXiv:2509.17715. Investigación de HSBC e IBM.
