Monte Carlo clásico converge como 1/√N; la estimación cuántica de amplitud promete 1/N, y ese solo cambio reordenaría el pricing de derivados y el cálculo de riesgo. Este programa implementa ambas rutas sobre los mismos problemas —opciones exóticas, VaR y CVaR de cartera—, entrena modelos de quantum machine learning contra baselines de scikit-learn, y estima cuántos qubits lógicos harían falta para que la ventaja sea real. El entregable es una research note defendida en seminario.
Es el programa más exigente de la división y está diseñado como investigación aplicada. Se parte de terreno firme: Black-Scholes, griegas y valuación por Monte Carlo clásico en Python bajo el marco de Hull, cuantificando el error estadístico que todo lo demás intenta vencer. De ahí se ataca el problema que los papers optimistas suelen omitir —cargar una distribución log-normal en un estado cuántico y medir cuánto cuesta esa preparación— y solo entonces se implementa Quantum Amplitude Estimation y sus variantes sin QPE (IQAE, MLAE), demostrando empíricamente la mejora de convergencia. Con Qiskit Finance se valúan call europea, opción cesta y opción barrera contra Monte Carlo clásico bajo el mismo presupuesto de error, y se calcula VaR y CVaR de una cartera de crédito por ambas vías. La sección de quantum machine learning entrena un quantum kernel SVM y un clasificador variacional sobre problemas financieros reales —probabilidad de incumplimiento, régimen de volatilidad— contra baselines clásicos, y luego los desmonta: barren plateaus, expresividad, sobreajuste y por qué tantos resultados publicados no se replican. El curso termina con estimación de recursos bajo códigos de superficie, simulación a escala con cuQuantum y un análisis costo-beneficio frente a HPC clásico. Se escribe y se defiende un paper corto.
Quantum Pricing & Risk: derivados en la frontera — te enviamos el brochure y un asesor te contacta.