El equipo de Qiu Cheng-Tung se adentra en la cuantificación! ¿Podrá YAND desencadenar una "revolución paradigmática" en el mundo de las inversiones?

Escribir: Reflexiones sobre la transmisión y aprendizaje

¿Podría el arma matemática del ganador del Premio Fields cambiar el núcleo del mercado de gestión de activos de billones?

1 Introducción

En la primavera de 2026, una noticia estalló silenciosamente en el mundo de la inversión cuantitativa: el eminente matemático y ganador del Premio Fields, Qiu Chengdong, ingresó oficialmente en el campo de la inversión cuantitativa. La nueva metodología de optimización llamada YAND (Yau’s Affine-Normal Descent, Descenso Normal Afín de Yau), desarrollada conjuntamente por Qiu Chengdong y sus colaboradores, fue calificada por algunos en la comunidad como un “golpe de reducción de dimensiones”, e incluso se consideró que podría romper un paradigma técnico en el campo de la inversión cuantitativa que ha perdurado casi 70 años.

¿Por qué un matemático de clase mundial, sumido durante años en geometría diferencial, conjeturas de Calabi y otras teorías puras, de repente se relaciona con la inversión en acciones? ¿Qué hizo exactamente YAND para generar tal repercusión? Hoy, exploraremos en profundidad esta cuestión en un artículo extenso.

2 Contexto del evento: la catástrofe en la construcción de carteras en dimensiones altas

Primero, volvamos al origen de todo. En el mundo de la inversión cuantitativa, la mayoría de las estrategias y modelos se basan en el marco de “media-varianza”. Esta teoría moderna de carteras, propuesta por Harry Markowitz en 1952, ha dominado durante mucho tiempo. En términos simples, considera los retornos de los activos como “media” y el riesgo (volatilidad) como “varianza”, con el objetivo principal de maximizar los retornos para un riesgo fijo, o minimizar el riesgo para un nivel de retorno dado.

Aunque esta teoría ha sido la piedra angular del sector durante mucho tiempo, tiene una falla fatal: solo se enfoca en los retornos y las fluctuaciones de precios (primer y segundo momento), ignorando fenómenos ampliamente presentes en los mercados financieros, como “colas gruesas” y “picos extremos”. En términos sencillos, los movimientos del precio de las acciones en la realidad a menudo presentan riesgos extremos y eventos tipo cisne negro (sesgo de tercera orden y curtosis de cuarta orden), y el modelo media-varianza suele responder con lentitud ante caídas abruptas o subidas descontroladas, como en la crisis financiera de 2008 o el desplome del mercado A en 2015, donde muchas estrategias colectivamente fallaron.

Este ha sido un problema persistente en la industria cuantitativa: para capturar con mayor precisión los riesgos extremos, es necesario introducir “momentos de orden superior” (sesgo y curtosis), pero en la práctica, cuando se enfrentan a miles de acciones, los cálculos tradicionales enfrentan la “catástrofe dimensional”. Se requiere usar tensores de orden superior extremadamente grandes (co sesgo y co curtosis), lo que hace que la capacidad computacional crezca geométricamente, imposibilitando que instituciones o incluso grandes computadoras puedan completar los cálculos en poco tiempo. La aparición de YAND busca resolver precisamente este problema que ha persistido durante 70 años.

3 Origen del artículo

El último trabajo académico de alta calidad publicado por el equipo de Qiu Chengdong apunta a la optimización de carteras en inversión cuantitativa.

El 28 de abril de 2026, el equipo de Qiu Chengdong publicó un artículo titulado “Yau’s Affine-Normal Descent for Large-Scale Unrestricted Higher-Moment Portfolio Optimization” (Descenso Normal Afín de Yau para la Optimización de Carteras de Momentos Altos a Gran Escala sin Restricciones), con número arXiv:2604.25378, clasificado en la categoría de finanzas cuantitativas (q-fin). Los autores son cuatro: Ya-Juan Wang, Yi-Shuai Niu, Artan Sheshmani y el más destacado, Shing-Tung Yau (丘成桐). Este es el pilar central para entender este evento. Además, Qiu Chengdong y sus colaboradores publicaron también un artículo teórico sobre YAND titulado “Yau’s Affine Normal Descent: Algorithmic Framework and Convergence Analysis” (Descenso Normal Afín de Yau: Marco Algorítmico y Análisis de Convergencia), con número arXiv:2603.28448. Este no se limita al escenario de inversión, sino que desde la óptica de matemáticas puras y optimización algorítmica, analiza las propiedades de YAND. En plataformas académicas, Semantic Scholar también ha incluido otro artículo relacionado del equipo de Qiu, titulado “Affine Normal Directions via Log-Determinant Geometry: Scalable Computation under Sparse Polynomial Structure” (Direcciones Normales Afines mediante Geometría del Logaritmo-Determinante: Cálculo Escalable bajo Estructura Polinómica Dispersa), con Corpus ID: 287023415.

Entonces, ¿cuál es el misterio detrás de YAND?

4 Esencia técnica de YAND: el poder de la geometría

Para entender YAND en profundidad, quizás debamos dejar de lado por un momento los términos bursátiles y adentrarnos en un concepto puramente matemático: la “dirección normal afín” (affine-normal direction). Intentaré explicar este concepto complejo de forma sencilla con una metáfora:

Imagina que estás escalando en un bosque, con niebla densa que impide ver la cima. Quieres trazar la ruta más rápida. Los métodos tradicionales (como el descenso de gradiente) solo consideran la “dirección de mayor pendiente” en ese momento y avanzan rápidamente en esa dirección. Pero cuando la forma del terreno es irregular o la condición del espacio está distorsionada (lo que en matemáticas se llama “condición de enfermedad”), estos métodos pueden dar vueltas innecesarias y ser muy ineficientes. YAND, en cambio, permite que te muevas en la dirección de la “normal afín” del terreno, manteniendo el volumen constante en un marco geométrico correcto, evitando así las dificultades de terrenos irregulares.

Este es el mayor valor de YAND en términos matemáticos: la dirección normal afín tiene una propiedad geométrica clave — es invariante bajo transformaciones afines que conservan el volumen. En otras palabras, sin importar cuánto estires o comprimas el sistema de coordenadas, el algoritmo YAND no perderá su rumbo y podrá aproximarse de manera estable a la solución óptima. Gracias a esta propiedad geométrica global, YAND evita milagrosamente la dificultad de calcular momentos de orden superior, que suele ser la mayor barrera. El artículo señala: “El algoritmo sigue la dirección normal afín del nivel actual, mientras procesa directamente la matriz de retornos. Evita tensores de orden superior explícitos y utiliza estructuras de cuarto orden para predicciones precisas, evaluación de derivadas y búsqueda de línea exacta.” Esto simplifica el problema de “procesar tensores cúbicos de miles de dimensiones” a “resolver matrices de bajo orden de manera eficiente y directa”.

5 Validación empírica: los números no mienten

Para todos los inversores y profesionales de la inversión cuantitativa, la teoría debe traducirse en valor económico. En este sentido, el equipo de YAND presenta datos de backtesting muy concretos. El artículo utilizó un entorno experimental muy robusto:

Cubrió 5,440 acciones A, con datos de panel de velas de alta frecuencia de 5 minutos.

Este alcance es asombroso. Desde la perspectiva de la inversión, el total de acciones en el mercado A es de aproximadamente 5,000, por lo que el trabajo de YAND equivale a realizar una optimización de cartera para todo el mercado A, algo que muchas metodologías anteriores ni siquiera se atrevieron a modelar. Los resultados del backtest muestran claramente:

Este método puede compararse directamente con la optimización de cartera media-varianza en todo el mercado, y en períodos de referencia, el valor añadido de los momentos de orden superior es más fuerte bajo objetivos de retorno moderados.

En términos de inversión, esto significa que YAND no solo puede encontrar la solución óptima en todo el mercado, sino que también, en activos conservadores como acciones de gran capitalización, donde los modelos tradicionales no aprovechan las ventajas de los momentos de orden superior, YAND logra explotar el potencial de retornos excedentes derivados del sesgo y la curtosis en objetivos de rentabilidad moderados.

6 Impacto en la industria: revolución paradigmática o exageración mediática

En las 24 horas posteriores a la publicación del artículo en arXiv, numerosos profesionales y entusiastas de la inversión cuantitativa comenzaron a discutir el verdadero significado de YAND. Algunos incluso proclamaron que “el equipo de Qiu Chengdong ha derrocado un modelo antiguo de 70 años”. Pero, tras la euforia, también surgieron análisis racionales y críticas. Un artículo popular en Zhihu titulado “YAND-MVSK no tiene momentos de orden superior, como Engram sin memoria” plantea tres objeciones fuertes:

Problemas de estabilidad de los momentos de orden superior: “La optimización media-varianza ya es conocida como un ‘maximizador de errores’, y esta tesis intenta ajustar momentos de tercera y cuarta orden… La curtosis calculada en datos históricos es en un 90% ruido aleatorio.”

Desajuste entre señal y horizonte de mantenimiento: “Utilizan datos de alta frecuencia de 5 minutos para captar la curtosis de precios, pero mantienen posiciones sin ajuste durante un año y medio, usando características tan sensibles. Es como detectar un hoyo a 10 metros con radar y luego pisar con los ojos cerrados a 100 km/h.”

Problemas con los benchmarks empíricos: “YAND solo supera a la referencia de ‘optimización media-varianza exacta’, que en sí misma no es un estándar fuerte en la industria. Modelos como Risk Parity de Bridgewater son más desafiantes.”

Hasta ahora, todo esto aún está lejos de una implementación en producción a gran escala. YAND fue publicado en arXiv en abril de 2026, y aunque los resultados académicos son prometedores, la implementación en trading real requiere resolver costos de transacción, impacto en la liquidez, robustez ante mercados extremos, entre otros. La mayoría de los equipos de trading aún observan con cautela, sin reemplazar inmediatamente sus sistemas centrales.

7 La encrucijada entre matemáticas y gestión de activos

Dejando de lado las controversias, este evento tiene un significado más profundo: la participación de las mentes matemáticas más destacadas del mundo en los algoritmos centrales de gestión de activos. La identidad académica de Qiu Chengdong le confiere un significado especial. Nacido en 1949 en Shantou, Guangdong, y profesor en Harvard, Qiu Chengdong no solo es miembro de la Academia Nacional de Ciencias de EE. UU., sino también ganador del Premio Fields en 1982. Sus contribuciones en geometría diferencial, como la resolución de la conjetura de Calabi y la conjetura de positive mass, son pioneras.

Este gigante científico podría, en teoría, dedicar toda su vida a las matemáticas puras y abstractas. Pero en las últimas décadas, ha enfatizado cada vez más las aplicaciones de las matemáticas en otros campos. Ha declarado públicamente: “Una de las aplicaciones mágicas de las matemáticas es usar teorías puras, como el análisis geométrico, en los mercados financieros modernos y en la inversión cuantitativa.” Esto muestra que la entrada de Qiu en el campo no es una “intervención repentina”, sino una exploración de un científico de élite que lleva nuevas herramientas matemáticas al mundo real.

Otro aspecto clave es que los autores secundarios en el artículo de YAND representan una nueva fuerza en las matemáticas aplicadas en China. Por ejemplo, Artan Sheshmani, profesor en Harvard y en la Academia de Ciencias de Beijing, trabaja en geometría algebraica, teoría de cuerdas y geometría enumerativa. Yi-Shuai Niu, de la misma academia, se especializa en optimización, cálculo de alto rendimiento y aprendizaje automático. Su participación indica que las matemáticas aplicadas ya están conectadas de manera fluida con las necesidades de inversión.

8 Revelaciones futuras

¿Y qué impacto puede tener YAND en el futuro de la inversión cuantitativa? Mi análisis es que, en el corto plazo, no revolucionará de inmediato los fondos de cobertura o los equipos de fondos cuantitativos públicos. No solo por la “alta barrera teórica”. El éxito de las estrategias cuantitativas depende de tres factores: adquisición de datos, precisión en cálculos y control de costos/riesgos. YAND es solo uno de ellos. Aunque la optimización de la capacidad computacional para momentos de orden superior es notable, en escenarios reales donde se deben realizar miles de iteraciones en minutos, aún no está claro si puede superar de manera consistente a los algoritmos existentes en la industria.

Pero a largo plazo, YAND abre la puerta a una nueva generación de paradigmas de optimización. La dirección normal afín, que es robusta ante mínimos locales y transformaciones degeneradas, es una tecnología que nunca antes había sido explorada ni trasladada sistemáticamente al campo financiero. Diversas instituciones ya ven potencial en YAND para aplicaciones como control de riesgos en trading de alta frecuencia, cobertura de colas extremas, mejora de la estabilidad en fondos indexados y estrategias macro multiactivos en distribuciones no gaussianas.

Además, creo que el significado de YAND va más allá de la cuantificación pura. La idea de aplicar geometría diferencial pura a problemas de control óptimo puede extenderse a aprendizaje automático, sistemas de conducción autónoma, bioinformática y otras disciplinas, promoviendo innovaciones interdisciplinarias.

9 Una visión racional sobre esta “revolución en la reducción de dimensiones”

Quizás no debamos ver los logros del equipo de Qiu Chengdong con una visión de “todo o nada”. Una actitud más racional es entender que YAND es una lanza elegante que la matemática moderna ofrece a las finanzas, pero la inversión cuantitativa sigue siendo una guerra multidimensional. La evidencia académica es impresionante, pero en el mercado real hay costos de transacción, impacto en la liquidez, deslizamientos, microestructura del mercado y liquidez oculta en las dark pools, que complican todo. Además, los beneficios en backtests no garantizan resultados en vivo. Por eso, muchos profesionales ya advierten: “YAND fue publicado en arXiv en abril de 2026, y aunque los resultados son prometedores, la validación en trading real y la robustez a largo plazo aún requieren tiempo. La clave de la industria cuantitativa es la implementación efectiva.”

Otra referencia valiosa es el ejemplo de James Simons, matemático que fundó Renaissance Technologies y logró beneficios continuos durante 30 años con estrategias cuantitativas. Se dice que “la matemática se ha convertido en dinero” en su caso. La entrada de Qiu en la inversión puede ser un evento dramático o una epopeya, solo el tiempo lo dirá en cinco o diez años. Pero una cosa es clara: cada incursión de mentes de élite en nuevos campos impulsa el avance del conocimiento humano.

10 Resumen de referencias

A continuación, se listan las principales fuentes y referencias para quienes deseen profundizar:

Artículo 1 (en inversión cuantitativa):

Título: Yau’s Affine-Normal Descent for Large-Scale Unrestricted Higher-Moment Portfolio Optimization

Autores: Ya-Juan Wang, Yi-Shuai Niu, Artan Sheshmani, Shing-Tung Yau

Número: arXiv:2604.25378 (publicado en q-fin, 28-04-2026)

DOI/EPRINT: https://arxiv.org/abs/2604.25378

Artículo 2 (en marco de optimización geométrica):

Título: Yau’s Affine Normal Descent: Algorithmic Framework and Convergence Analysis

Autores: Yi-Shuai Niu, Artan Sheshmani, Shing-Tung Yau

Número: arXiv:2603.28448

Fuente: arxiv.org/abs/2603.28448

Otros artículos relacionados:

Semantic Scholar incluye “Affine Normal Directions via Log-Determinant Geometry: Scalable Computation under Sparse Polynomial Structure”, autores Yi-Shuai Niu, Artan Sheshmani, S.-T Yau, Corpus ID: 287023415, 2026

Contexto y análisis en chino:

Columna Zhihu “¿Qiu Chengdong entra en escena, la cuantificación tradicional enfrentará una reducción de dimensiones?”, 30-04-2026

Columna Zhihu “En YAND-MVSK no hay momentos de orden superior, como en Engram sin memoria”, 01-05-2026

PD: Los mercados financieros conllevan riesgos, la inversión debe hacerse con extrema cautela. Los contenidos y métodos descritos en este artículo, incluido YAND, aún están en fase de validación académica y no constituyen recomendaciones de inversión.