Imagine um mundo onde os computadores não apenas seguem uma única linha de instrução após a outra, mas em vez disso exploram muitas possibilidades ao mesmo tempo, como um viajante que pode percorrer todos os caminhos em uma floresta simultaneamente para encontrar a saída. Esta é a promessa da computação quântica, um campo que utiliza as estranhas regras do muito pequeno para processar informações de maneiras que as máquinas clássicas não conseguem. Embora estas máquinas ainda estejam em seus estágios iniciais e ruidosos, os cientistas acreditam que elas em breve resolverão problemas que são atualmente impossíveis até para os supercomputadores mais poderosos. Um dos lugares mais empolgantes para buscar esse poder é nas finanças, uma indústria que lida com quantidades massivas de dados, riscos complexos e a necessidade constante de prever o futuro. A questão não é apenas se estas novas máquinas podem funcionar, mas como elas podem ser ensinadas a aprender com os dados, de forma muito semelhante a um ser humano, para tomar melhores decisões sobre dinheiro, mercados e risco.

Uma equipe de pesquisadores do JPMorgan Chase escreveu uma revisão abrangente que mapeia exatamente como estas máquinas quânticas estão sendo treinadas para agir como especialistas financeiros. Eles não afirmam que a tecnologia está pronta para substituir cada trader ou analista amanhã. Em vez disso, eles fornecem um quadro claro e realista do estado atual da arte, mostrando quais tarefas financeiras podem ser melhoradas hoje e quais podem levar mais tempo. O artigo foca em um tipo específico de inteligência artificial chamado aprendizado de máquina (machine learning), onde os computadores aprendem padrões a partir de dados em vez de seguir regras rígidas. Os pesquisadores examinam sete áreas principais onde as máquinas quânticas estão sendo aplicadas: previsão de preços, agrupamento de informações, descoberta de padrões ocultos, criação de novos dados, seleção dos fatos mais importantes, tomada de decisão ao longo do tempo e compreensão da linguagem humana.

A primeira área que eles exploram é a previsão de números, uma tarefa conhecida como regressão. Nas finanças, isso é usado para adivinhar futuros preços de ações ou o valor de títulos com base em dados passados. Computadores clássicos fazem isso encontrando a melhor linha que se ajusta a uma nuvem de pontos, mas pode ser lento quando os dados são enormes. Os pesquisadores explicam que algoritmos quânticos podem resolver sub-rotinas matemáticas específicas dentro desses problemas muito mais rapidamente, potencialmente oferecendo uma vantagem de velocidade que cresce exponencialmente à medida que os dados aumentam. No entanto, eles alertam para um obstáculo significativo: colocar os dados no computador quântico, em primeiro lugar, ainda é difícil e lento. Embora a matemática dentro da máquina seja rápida, o processo de carregar a informação e ler a resposta pode, às vezes, anular os benefícios. O artigo observa que nenhuma aplicação de ponta a ponta de aprendizado de máquina quântica com aceleração exponencial sobre sua contraparte clássica foi descoberta ainda. Apesar disso, o artigo sugere que, para tipos específicos de modelos financeiros, os métodos quânticos poderiam eventualmente oferecer melhorias na eficiência, desde que os desafios de carregamento de dados sejam abordados.

Em seguida, a equipe analisa a classificação, que é a arte de classificar coisas em categorias. No mundo financeiro, isso pode significar decidir se um solicitante de empréstimo tem probabilidade de pagar sua dívida ou se uma ação é de "compra" ou de "venda". Computadores clássicos usam métodos como máquinas de vetores de suporte para desenhar uma linha entre esses grupos. Os pesquisadores descrevem como versões quânticas dessas ferramentas podem criar fronteiras muito mais complexas, permitindo que se separem dados que parecem misturados para um computador clássico. Eles destacam uma técnica específica chamada mapa de características quânticas (quantum feature map), que pega dados simples e os eleva para um vasto espaço multidimensional onde os padrões se tornam óbvios. Embora esses métodos tenham sido testados em conjuntos de dados pequenos, o artigo indica que eles prometem lidar com os dados desordenados do mundo real encontrados no setor bancário e de investimentos, embora as acelerações práticas dependam da superação dos gargalos de acesso aos dados.

A revisão então passa para o agrupamento (clustering), que consiste em encontrar grupos naturais dentro de um emaranhado de dados sem ser instruído sobre o que procurar. Isso é útil para detectar fraudes ou agrupar ações semelhantes. Os pesquisadores discutem um método chamado agrupamento quântico, que trata pontos de dados como partículas em um sistema físico, procurando áreas onde eles se reúnem naturalmente. Eles também mencionam uma técnica chamada agrupamento quântico dinâmico, que observa como esses grupos mudam ao longo do tempo. Essa abordagem já foi usada para analisar dados do mercado de ações e classificar diferentes tipos de fundos de investimento, ajudando investidores a ver conexões que poderiam permanecer ocultas. O artigo observa que, embora esses métodos ainda estejam sendo refinados, eles oferecem uma nova maneira de ver a estrutura dos mercados financeiros, embora seu potencial total seja limitado pelas restrições atuais de hardware.

Outra seção importante cobre a modelagem generativa, onde o computador aprende a criar novos dados que parecem ser exatamente iguais aos reais. Isso é incrivelmente útil para testar estratégias sem arriscar dinheiro real. Os pesquisadores explicam como as máquinas quânticas podem aprender a distribuição de probabilidade de eventos financeiros, essencialmente aprendendo a "forma" do mercado. Eles descrevem como essas máquinas podem gerar cenários de mercado falsos, porém realistas, para testar como um portfólio se comportaria em uma crise. Isso é feito usando versões quânticas de redes neurais que podem potencialmente amostrar de distribuições complexas de forma mais rápida do que computadores clássicos em sub-rotinas específicas. O artigo sugere que isso poderia eventualmente ajudar bancos a testar a resistência de seus sistemas, permitindo que vejam eventos raros, mas perigosos, com mais clareza, embora nenhuma aplicação de ponta a ponta com aceleração exponencial tenha sido descoberta ainda.

A equipe também examina como os computadores quânticos podem ajudar a selecionar os fatos mais importantes de um mar de informações, um processo chamado extração de características (feature extraction). Nas finanças, ter variáveis demais pode confundir um modelo, portanto, encontrar as poucas que realmente importam é fundamental. Os pesquisadores descrevem como algoritmos quânticos podem analisar as relações entre milhares de pontos de dados para encontrar os mais significativos, reduzindo efetivamente um conjunto de dados massivo ao seu núcleo. Isso é particularmente útil para a pontuação de crédito, onde o sistema deve decidir quais fatores realmente preveem se uma pessoa pagará um empréstimo. Ao usar métodos quânticos, o sistema poderia, teoricamente, identificar esses fatores-chave de forma mais eficiente, embora o artigo enfatize que o carregamento de dados continua sendo um gargalo que deve ser resolvido antes que essas vantagens possam ser totalmente realizadas na prática.

A tomada de decisão ao longo do tempo é outra área crítica, conhecida como aprendizado por reforço (reinforcement learning). É assim que um computador aprende a fazer uma série de escolhas para maximizar uma recompensa, de forma semelhante a como um trader pode ajustar um portfólio dia após dia. O artigo explica que os computadores quânticos poderiam, teoricamente, acelerar esse processo de aprendizado, permitindo que agentes encontrem as melhores estratégias de negociação muito mais rapidamente. No entanto, os pesquisadores apontam que, devido às limitações atuais de hardware, as abordagens de aprendizado por reforço quântico ainda não foram aplicadas diretamente ao trading automatizado. Eles sugerem que, embora a base teórica seja forte, componentes do trading algorítmico podem eventualmente se beneficiar de vantagens quânticas, mas ainda não estamos no estágio de um trading quântico totalmente automatizado.

Finalmente, a revisão toca em como essas máquinas podem compreender a linguagem humana. Os mercados financeiros são movidos por notícias, relatórios e redes sociais, que contêm textos não estruturados. Os pesquisadores descrevem como algoritmos quânticos podem analisar a gramática e o significado das sentenças para avaliar o sentimento ou detectar fraudes em documentos financeiros. Ao usar um método que trata as palavras como partes de uma estrutura maior, esses sistemas podem, teoramente, processar cálculos de similaridade de sentenças com uma melhoria de complexidade sobre os métodos clássicos. Isso pode ajudar os bancos a avaliar riscos ao ler milhares de solicitações de empréstimo ou relatórios de auditoria, embora o artigo esclareça que a aceleração decorre de melhorias algorítmicas específicas em cálculos de similaridade, e não de uma capacidade geral de entender o contexto melhor do que buscas simples por palavras-chave em todos os cenários.

O artigo conclui com um resumo sóbrio, mas otimista. Os pesquisadores deixam claro que, embora o aprendizado de máquina quântico não seja uma varinha mágica que resolve todos os problemas financeiros instantaneamente, é uma ferramenta poderosa que está evoluindo rapidamente. Eles reconhecem que as máquinas atuais são limitadas pelo ruído e pelo tamanho reduzido, e que o carregamento de dados continua sendo um desafio. No entanto, argumentam que o potencial para velocidade e precisão é real, especialmente para os tipos específicos de problemas complexos encontrados nas finanças. A revisão serve como um roteiro, mostrando que estamos passando da teoria para a prática, e que a indústria financeira está bem posicionada para ser uma das primeiras a se beneficiar desta nova era da computação. A jornada está apenas começando, mas o destino promete um mundo onde as decisões financeiras serão tomadas com uma profundidade de compreensão que antes estava fora de alcance.