Este estudo investiga a eficácia dos algoritmos quânticos Variational Quantum Eigensolver (VQE) e Quantum Approximate Optimization Algorithm (QAOA) no contexto de otimização de portfólios, comparando-os em termos de Sharpe Ratio com a solução do modelo clássico de média-variância e o índice amplo de mercado (IBOVESPA). A pesquisa realiza o backtesting das estratégias utilizando dados mensais do mercado acionário brasileiro, abordando o período de 2007 a 2023, e inclui análises tanto em computadores quânticos reais, quanto em simuladores. O estudo revela que os algoritmos quânticos se mostram competitivos, superando o modelo de média-variância, em termos de Sharpe Ratio, com significância estatística e apresentando menor índice de perdas. Esses resultados indicam que a computação quântica pode contribuir com soluções inovadoras e eficientes no campo das finanças, e abre novas perspectivas para pesquisas futuras sobre a aplicação da computação quântica em gestão de investimentos. O estudo também aborda os desafios atuais da computação quântica, como a baixa oferta de dispositivos, elevado tempo de espera em filas e backends com número reduzido de QUBITS.
Este estudo investiga a eficácia dos algoritmos quânticos Variational Quantum Eigensolver (VQE) e Quantum Approximate Optimization Algorithm (QAOA) no contexto de otimização de portfólios, comparando-os em termos de Sharpe Ratio com a solução do modelo clássico de média-variância e o índice amplo de mercado (IBOVESPA). A pesquisa realiza o backtesting das estratégias utilizando dados mensais do mercado acionário brasileiro, abordando o período de 2007 a 2023, e inclui análises tanto em computadores quânticos reais, quanto em simuladores. O estudo revela que os algoritmos quânticos se mostram competitivos, superando o modelo de média-variância, em termos de Sharpe Ratio, com significância estatística e apresentando menor índice de perdas. Esses resultados indicam que a computação quântica pode contribuir com soluções inovadoras e eficientes no campo das finanças, e abre novas perspectivas para pesquisas futuras sobre a aplicação da computação quântica em gestão de investimentos. O estudo também aborda os desafios atuais da computação quântica, como a baixa oferta de dispositivos, elevado tempo de espera em filas e backends com número reduzido de QUBITS.
A computação quântica está prestes a mudar o mundo tal como o conhecemos. Através da exploração das propriedades da teoria quântica para fins computacionais, é esperada uma redução substancial na quantidade de problemas que hoje são considerados intratáveis. Isto significa que os computadores quânticos têm a capacidade de devolver soluções para alguns problemas de interesse prático para os quais um computador clássico não consegue devolver, pelo menos em tempo útil. Isto é ainda mais revolucionário e notável pelo facto de que esses problemas abrangem domínios multidisciplinares como Química, Medicina e, mais relevante no contexto desta dissertação, Finanças.Neste trabalho, vamos focar-nos na utilização da computação quântica para abordar um problema relevante e atual no domínio financeiro. Mais especificamente, um problema de otimização combinatorial, o problema de otimização de portfólios, que consiste em selecionar o melhor portfólio financeiro (combinação de ativos) entre um conjunto de todos os portfólios possíveis, de acordo com uma certa função objetivo, comummente de forma a maximizar o retorno esperado ou minimizar o risco. Devido ao grande número de parâmetros, como o retorno esperado por ativo e as condições de mercado, este problema atinge uma complexidade exponencial e é um problema NP-hard, intratável no contexto da computação clássica.Nós desenvolvemos um estudo empírico acerca da influência dos parâmetros nas soluções devolvidas por um computador quântico para o problema de otimização de portfólios. Em particular, utilizamos um computador quântico da D-Wave e variamos os parâmetros relacionados não só com o computador quântico, mas também com o problema de otimização de portfólios. Acreditamos que as conclusões do estudo são contribuições úteis para qualquer investigador que deseje utilizar computadores quânticos adiabáticos no contexto do problema de otimização de portfólios e também noutros domínios de aplicação.As nossas descobertas sugerem que os parâmetros têm efeito nos resultados, quer sejam relacionados com o problema de otimização de portfólios ou com o computador quântico. Além disso, também descobrimos que alguns dos parâmetros têm um grande impacto, tal como o chain strength, que define a força com a qual os qubits que representam uma variável estão correlacionados, e que outros não têm nenhum efeito estatisticamente significativo, tais como o anneal schedule ou o embedding.
Antes restrita a uma área de fronteira da Física, a computação quântica é uma das áreas que mais tem crescido atualmente, justamente por suas aplicações tecnológicas em problemas de otimização, aprendizagem de máquina, segurança da informação e simulações. O objetivo deste artigo é introduzir os fundamentos da computação quântica, tendo como foco um algoritmo quântico promissor e sua aplicação a um problema do mercado financeiro. Mais especificamente, discutimos o problema da otimização de portfólio usando o Quantum Approximate Optimization Algorithm (QAOA). Não somente descrevemos os principais conceitos envolvidos, mas também consideramos exemplos simples práticos, envolvendo ativos financeiros disponíveis na bolsa brasileira, com códigos, tanto clássicos quanto quânticos, dísponíveis livremente em um Jupyter Notebook. Também analisamos em detalhes a qualidade das soluções de otimização combinatória de portfólio por meio do QAOA usando o simulador quântico ATOS QLM do SENAI/CIMATEC.
O artigo explora o impacto da computação quântica na teoria da complexidade computacional, com destaque para as classes P e BQP, abordando como os paradigmas quânticos desafiam as categorizações clássicas de problemas. Ao examinar os algoritmos de Shor e Grover, o estudo discute a maneira como esses algoritmos ampliam o escopo de problemas considerados resolvíveis, o que anteriormente era inviável em termos de tempo polinomial em sistemas clássicos. A análise apresenta uma revisão histórica das classes de complexidade, abordando o surgimento e a importância das classes P e NP e a relevância de algoritmos quânticos em problemas intratáveis. Além disso, o artigo aborda a introdução de teorias híbridas que integram métodos clássicos e quânticos, como o Variational Quantum Eigensolver (VQE) e o Quantum Annealing, destacando a eficiência dessas abordagens para resolver problemas de otimização complexos. As discussões sobre as classes probabilísticas BPP e PP também são centrais para compreender o papel da probabilidade em algoritmos quânticos, uma característica intrínseca ao modelo de computação quântica. O estudo justifica-se pela necessidade de uma reavaliação contínua das bases da teoria da complexidade frente aos avanços quânticos, que redefinem limites teóricos e práticos. Embora a computação quântica ainda enfrente desafios, como a estabilidade dos qubits, as propostas de paradigmas híbridos oferecem caminhos promissores para resolver problemas de alta complexidade, sinalizando uma transição para uma era computacional mista, com potencial para revolucionar a resolução de problemas no século XXI.
Com a crescente diversidade de ativos financeiros disponíveis no mercado, torna-se fundamental o desenvolvimento de modelos que auxiliem os gestores na alocação eficiente de recursos. Embora abordagens clássicas ainda sejam amplamente utilizadas, esses métodos dependem de pressupostos teóricos que nem sempre são verificados na prática. Este trabalho propõe uma abordagem empírica, baseada em redes neurais quânticas. Recentemente, as redes neurais quânticas apresentam-se como ferramentas promissoras para lidar com grandes volumes de dados e modelos complexos. A análise preliminar revelou que o modelo proposto apresentou desempenho competitivo, oferecendo uma abordagem mais geral e adaptativa para a gestão de investimentos.
Resumo Neste trabalho estudamos a aplicação do Algoritmo Quântico de Otimização Aproximada, ou Quantum Approximate Optimization Algorithm (QAOA), em um problema de análise estrutural na área de aerodesign. O estudo foi conduzido a partir da modelagem de uma triquilha‡ simplificada projetada pela equipe Acauã Aerodesign, do Campus UFV Florestal. O problema de otimização foi formulado com base no Método dos Elementos Finitos, cujo objetivo consiste em determinar os deslocamentos nodais que minimizam a energia potencial da estrutura. Como a formulação original envolve variáveis contínuas, foi necessário realizar um mapeamento para a forma binária, atribuindo um conjunto de qubits a cada variável. Os resultados obtidos mostram que o aumento do número de qubits por variável conduz a uma redução do erro quadrático médio (MSE). Além disso, a análise da distribuição de probabilidades revelou que os estados mais prováveis tendem a concentrar-se em menores valores de energia e de MSE, indicando que o QAOA direciona a busca para candidatos mais promissores. Esses achados reforçam o potencial do QAOA para fornecer aproximações de soluções ótimas em problemas de análise estrutural, com desempenho que tende a evoluir de forma consistente com os avanços da tecnologia quântica.
Desde a primeira vez que computação quântica foi concetualizada por Feynman, simulação quântica tem estado na vanguarda das possiveis aplicações de interesse. Os custos proibitivos de simular sistemas quânticos com computadores classicos são uma forte motivação para a investigação em computação quântica. Ao longo da última década, tem-se observado um progresso notável no desenvolvimento de hardware quantico. No entanto, os obstáculos entre nos e a era de vantagem quantica util mantem-se essencialmente os mesmos: A informação quântica e fragil, e protegê-la é um desafio. Visto que os dispositivos quânticos atuais são ruidosos e tem um número limitado de qubits, desenvolver algoritmos que possam ser executados neles e uma area de investigação importante. Por resultarem em circuitos de preparação de estado (ansatze) pouco profundos e treinaveis, algoritmos quânticos variacionais (VQAs) adaptativos são uma opção promissora. O primeiro algoritmo nesta classe, o ADAPT-VQE, pode ser utilizado para problemas de estrutura eletronica, otimização combinatoria, materia condensada, sistemas periódicos no tempo, entre outros. Nesta tese, são propostas varias melhorias para VQAs adaptativos, com o objetivo de diminuir os custos e aumentar a viabilidade a curto prazo. Propõe-se um otimizador quasi-Newton para VQAs adaptativos que reduz os custos de medição necessários para implementar estes algoritmos em hardware quântico, bem como o tempo necessario para os simular classicamente. Propõe-se ainda um novo conjunto de operadores — “operatores de intercambio acoplado” (CEOs) — que resulta no menor numero de portas quanticas e na menor profundidade de circuito entre todas as propostas na literatura. Combina-se varios desenvolvimentos-chave e mostra-se uma redução dramatica dos recursos computacionais quânticos necessários em comparação com as primeiras versões do algoritmo ou com ansätze estáticos para VQE. Adicionalmente, propõe-se uma versão codesenhada do ADAPT-VQE (Co-ADAPT-VQE) onde o hardware quântico e tido em consideração na construção do ansatz. Este paradigma pode ser utilizado para otimizar circuitos de preparação de estado em qualquer dispositivo, colmatando limitações como conetividade limitada, tempos de coerencia curtos, e erros nas portas quanticas. Finalmente, propomos estrategia para mitigar “vales de gradientes”, um problema de convergência especifico ao ADAPT-VQE.