🔬 Un estudio propone un modelo híbrido cuántico-clásico para prever caídas en los mercados de oro y plata. Al combinar una máquina de vectores de soporte cuántica con XGBoost, alcanzó un ROC-AUC de 0,81 para el oro a tres meses. Busca abordar descensos que afectan a inversores minoristas y a las finanzas globales.
El diseño une Quantum Support Vector Machines (QSVM) y eXtreme Gradient Boosting (XGBoost). Para marcar un desplome, los autores definieron descensos de precio relevantes y tendencias de recuperación a corto plazo. El modelo usó medidas de volatilidad, indicadores de impulso y cocientes basados en tendencia.
El sistema también incorporó selección de variables, umbrales con Random Forest y ajuste de pesos del conjunto. El oro obtuvo su mejor resultado a tres meses, con ROC-AUC de 0,81. La plata llegó a 0,62; el estudio lo atribuye a su mayor volatilidad y a dinámicas más complejas.
✅ El trabajo sugiere que los kernels cuánticos simulados pueden integrarse con aprendizaje automático clásico para prever caídas de materias primas. Pero no usó hardware cuántico con capacidad suficiente: la parte cuántica corrió en un simulador. Los autores no afirman ventaja ni supremacía cuántica bajo las limitaciones actuales del hardware NISQ.
