Un preprint no reproduce la ventaja cuántica del estudio de HSBC e IBM sobre bonos

Un preprint publicado el 30 de octubre en arXiv pone a prueba el estudio de HSBC e IBM que en septiembre de 2025 atribuyó a un procesador cuántico una mejora en la predicción de operaciones con bonos. Su autor, Muhammad Faryad, de la Universidad de Ciencias de la Gestión de Lahore (LUMS, Pakistán), repite el experimento en una tarea pública equivalente con 129 qubits de un procesador IBM Heron y no encuentra ninguna ventaja. Encuentra, en cambio, un mecanismo que puede fabricarla sin que el ordenador cuántico procese dato alguno.

El resultado que se revisa

En el estudio de HSBC e IBM, un circuito cuántico transformaba los datos de cada petición de cotización sobre bonos corporativos europeos y un modelo clásico aprendía de esas transformaciones a predecir si la orden se ejecutaría. Sus autores observaron una ganancia relativa de hasta un 34 % en los resultados fuera de muestra cuando los datos pasaban por el hardware de IBM, y no cuando se usaba un simulador sin ruido. Lo atribuyeron, con prudencia, al ruido del propio hardware y pidieron más estudios.

Ese es el punto débil que señalaron entonces las críticas: una mejora que desaparece en simulación no puede deberse a un cálculo cuántico. Los datos de HSBC son privados, así que nadie ha podido comprobarla directamente.

Qué ha hecho la auditoría

• Una tarea equivalente con datos públicos: órdenes sobre futuros perpetuos de Binance (ocho contratos, ocho días de septiembre de 2026), con 216 variables por evento y una tasa de ejecución parecida a la de HSBC.
• El mismo circuito, a más escala: la versión que daba la mayor mejora, sobre una cadena de 129 qubits del procesador ibm_fez, con 3072 puertas CZ y las mismas técnicas de mitigación de errores.
• Un circuito nulo: el mismo circuito con todos los ángulos de datos a cero, ejecutado en los mismos trabajos que los datos reales. No puede saber nada del registro, así que todo lo que «prediga» sale del aparato.
• Diseño fijado de antemano: las predicciones y las reglas de decisión se congelaron el 19 de octubre, antes de la primera ejecución. Todo el experimento usó 49 minutos de procesador.

Lo que encuentra

Con los registros repartidos al azar entre los trabajos, las variables del hardware no mejoran a las clásicas: la diferencia de área bajo la curva (AUC) es de −0,013, con un intervalo del 95 % que va de −0,075 a +0,047. El dispositivo reproduce las variables ideales, atenuadas y con un ruido casi igual al estadístico de la medida, y el circuito nulo se queda en el azar.

Pero cada trabajo enviado al procesador deja una huella propia. Las desviaciones son pequeñas en cada variable, pero sumadas sobre cientos de ellas bastan para que un clasificador distinga sin error los dos trabajos de cada sesión, también con los datos del circuito nulo. Con las variables clásicas de los mismos registros, no puede.

Esa huella fabrica una predicción. Si los registros se agrupan en trabajos según el resultado y un mismo trabajo queda a los dos lados de la separación entre entrenamiento y prueba, el modelo aprende la huella y no el dato. Al reordenar así los resultados del circuito nulo, que no lleva datos, su AUC sube a 0,78. Al quitar del entrenamiento los registros que comparten trabajo con los de prueba, vuelve a 0,51.

Por qué importa a quien evalúa una propuesta

El trabajo convierte la sospecha en una lista de comprobaciones baratas para cualquier proyecto que use un procesador cuántico para generar variables o núcleos sobre datos tabulares: decir cómo se asignaron los registros a los trabajos, ejecutar un circuito nulo en los mismos trabajos, comparar asignación al azar y orden natural, descartar del entrenamiento lo que comparte trabajo con la prueba, dar resultados con varias ventanas de separación y fijar el análisis antes de empezar. Según el autor, el protocolo cuesta menos de una hora de procesador. El código y los datos de cada trabajo están publicados.