💰 finanças quantitativas

HQNN-FSP: A Hybrid Classical-Quantum Neural Network for Regression-Based Financial Stock Market Prediction

Este artigo propõe e avalia uma rede neural híbrida clássico-quântica (HQNN-FSP) para a previsão do mercado de ações financeiras, introduzindo um novo ansatz quântico e duas estratégias de otimização para demonstrar o potencial do aprendizado assistido por computação quântica na captura de dependências temporais complexas e na melhoria da previsão baseada em regressão.

Autores originais: Prashant Kumar Choudhary, Nouhaila Innan, Muhammad Shafique, Rajeev Singh

Publicado 2026-10-26

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Prashant Kumar Choudhary, Nouhaila Innan, Muhammad Shafique, Rajeev Singh

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O mercado de ações é um cenário vasto e mutável onde os preços sobem e descem com base em uma teia emaranhada de emoções humanas, eventos globais e dados econômicos. Durante décadas, investidores e analistas têm confiado em computadores para dar sentido a esse caos, usando modelos matemáticos para identificar padrões em preços passados e supor para onde o mercado poderá ir a seguir. Esses programas de computador tradicionais são poderosos, mas muitas vezes têm dificuldade quando o mercado se comporta de forma imprevisível ou quando as regras do jogo mudam subitamente. Eles podem ficar presos no ruído, confundindo flutuações aleatórias com tendências reais, ou falhar em lembrar lições importantes do passado distante. À medida que os sistemas financeiros mundiais se tornam mais complexos, pesquisadores começaram a olhar para um tipo diferente de poder computacional: a mecânica quântica. Este é o ramo da física que governa o comportamento das menores partículas do universo, onde as coisas podem existir em múltiplos estados simultaneamente e tornar-se profundamente ligadas umas às outras de maneiras que parecem impossíveis em nosso mundo cotidiano. A questão que impulsiona uma nova linha de investigação é se essas estranhas propriedades quânticas podem ajudar os computadores a entender o mercado de ações melhor do que as máquinas clássicas que usamos hoje.

Uma equipe de pesquisadores da Índia e dos Emirados Árabes Unidos deu um passo significativo para responder a essa pergunta ao construir um novo tipo de ferramenta de previsão que mistura o antigo com o novo. Eles criaram um sistema que combina modelos de computador padrão e confiáveis com um processador quântico especializado. Em vez de pedir a um computador quântico que faça tudo do zero, o que é atualmente difícil devido à natureza frágil do hardware quântico, eles projetaram uma abordagem híbrida. Nesta configuração, um computador clássico primeiro digere os dados brutos, organizando-os e extraindo os sinais mais importantes. Ele então entrega essa informação refinada a um circuito quântico, que utiliza as regras únicas da física quântica para encontrar conexões mais profundas e sutis que o computador clássico poderia ter perdido. Os pesquisadores testaram este sistema em dados históricos de ações, especificamente observando o histórico de negociação da Wipro, uma grande empresa de tecnologia, juntamente com vários indicadores técnicos que os operadores usam para avaliar o ímpeto do mercado.

O estudo explorou duas maneiras diferentes de fazer essa parceria funcionar. No primeiro método, o computador clássico atuou como um filtro, limpando os dados e identificando tendências fundamentais antes de passá-los para o sistema quântico para uma análise final. No segundo método, os dois sistemas trabalharam juntos em um loop único e unificado, aprendendo uns com os outros simultaneamente enquanto ajustavam suas configurações internas para melhorar suas previsões. A equipe realizou milhares de simulações para ver o quão bem esses modelos híbridos performaram em comparação com o uso de um sistema apenas quântico ou apenas clássico. Eles descobriram que as abordagens híbridas foram consistentemente mais precisas do que a versão apenas quântica. Ao deixar o computador clássico lidar com o trabalho pesado de organização de dados, a parte quântica pôde focar nos padrões complexos que realmente importavam, resultando em menos erros ao prever preços futuros.

No entanto, os resultados também revelaram os limites atuais desta tecnologia. Embora os modelos híbridos tenham sido melhores do que a versão apenas quântica, eles ainda não conseguiram igualar o desempenho dos modelos de computador clássicos mais avançados disponíveis hoje. Os pesquisadores observaram que todos os modelos, incluindo suas próprias criações híbridas, tiveram dificuldades quando o mercado sofreu uma queda súbita e acentuada. Quando a tendência de preço mudava abruptamente, os sistemas frequentemente falhavam em se ajustar rapidamente o suficiente, continuando a prever com base no padrão antigo. Isso sugere que, embora o componente quântico adicione uma nova camada de percepção, ele ainda não é uma solução mágica capaz de resolver instantaneamente o problema da volatilidade do mercado. O estudo também destacou uma troca entre precisão e velocidade. À medida que os pesquisadores adicionavam mais bits quânticos — as unidades básicas de informação do sistema quântico — aos seus modelos, as previsões tornavam-se ligeiramente mais precisas, mas o tempo necessário para treinar o sistema crescia significativamente.

Os pesquisadores também observaram de perto como seus modelos tomavam decisões. Ao utilizar uma técnica que rastreia quais partes da informação mais influenciaram a previsão final, eles confirmaram que o sistema estava prestando atenção às coisas certas. O modelo dependia fortemente de indicadores financeiros específicos, como medidas de ímpeto de mercado e força de tendência, em vez de apenas ruído aleatório. Isso confere ao sistema um nível de transparência que muitas vezes falta em modelos computacionais complexos, permitindo que os analistas entendam por que uma previsão foi feita. O estudo conclui que, embora os modelos híbridos quântico-clássicos ainda não estejam prontos para substituir as ferramentas usadas por operadores profissionais, eles representam um caminho promissor a seguir. Eles mostram que, ao combinar cuidadosamente as forças da computação clássica com as capacidades únicas da mecânica quântica, é possível construir sistemas que sejam mais robustos e perspicazes do que qualquer um deles isoladamente. À medida que o hardware quântico continua a melhorar e a tornar-se mais estável, estes sistemas híbridos poderão eventualmente desempenhar um papel transformador na forma como compreendemos e navegamos no mundo financeiro.

Resumo Técnico: HQNN-FSP

Definição do Problema
A previsão de séries temporais financeiras continua sendo uma tarefa desafiadora devido a dependências temporais complexas, alta volatilidade, não linearidade e sensibilidade a fatores macroeconômicos e geopolíticos. Embora modelos tradicionais de Aprendizado de Máquina (ML), como Redes Neurais Recorrentes (RNNs) e redes de Longa Memória de Curto Praio (LSTM), tenham sido amplamente utilizados, eles enfrentam limitações que incluem o sobreajuste (overfitting), inadequação de generalização em condições de mercado dinâmicas e dificuldade em capturar dependências de longo alcance. Além disso, modelos clássicos frequentemente têm dificuldade em capturar correlações intrincadas em mercados não estacionários. Este estudo explora se abordagens híbridas quântico-clássicas podem aproveitar recursos quânticos — especificamente superposição e emaranhamento — para melhorar a representação de características e o aprendizado para tarefas de regressão no mercado de ações.

Metodologia
Os autores propõem o HQNN-FSP, um framework híbrido que integra aprendizado profundo clássico com Redes Neurais Quânticas (QNNs). A metodologia abrange os seguintes componentes:

Preparação de Dados: O estudo utiliza preços históricos de ações (Abertura, Fechamento, Máxima, Mínima) aumentados com indicadores técnicos: Índice de Força Relativa (RSI), Convergência e Divergência de Médias Móveis (MACD) e Índice Direcional Médio (ADX). As características são selecionadas usando SelectKBest e normalizadas usando MinMaxScaler.
Arquiteturas de Modelo: Três arquiteturas distintas são avaliadas:
1. CustomQNN: Uma Rede Neural Quântica autônoma baseada em um Circuito Quântico Parametrizado (PQC) inspirado em uma formulação de Hamiltoniano. Utiliza codificação de ângulo (portas $R_Y$ e $R_Z$ de um único qubit) para mapear dados clássicos para estados quânticos, seguido por um ansatz customizado apresentando rotações parametrizadas e operações de emaranhamento (portas CNOT e CZ) para capturar dependências não triviais.
2. HybridQNN1 (Sequencial): Um pipeline onde um modelo de aprendizado profundo clássico (LSTM) primeiro extrai características temporais dos dados. Essas características são então codificadas em estados quânticos e processadas por um regressor QNN.
3. HybridQNN2 (Conjunta): Um framework de ponta a ponta onde componentes clássicos (LSTM) e quânticos (PQC) são treinados simultaneamente. As características brutas são processadas em paralelo por ambos os módulos, e seus outputs são fundidos em uma camada dedicada antes de uma previsão final. Isso permite a otimização conjunta de todos os parâmetros via retropropagação (backpropagation).
Treinamento e Otimização: Os modelos são treinados usando o otimizador ADAM com um cronograma de taxa de aprendizado. Para garantir a integridade temporal, o estudo emprega TimeSeriesSplit e validação cruzada k-fold. O cancelamento precoce (early stopping) e a normalização em lote (batch normalization) são usados para prevenir o sobreajuste. Os experimentos são conduzidos em um simulador quântico (QULACS) e em um cluster de Computação de Alto Desempenho (PARAM Shivay).

Principais Contribuições

Desenvolvimento de Arquitetura Híbrida: O artigo propõe uma integração fluida de QNNs customizadas com arquiteturas clássicas (RNN, LSTM, BiLSTM, GRU).
Regressor QNN Customizado: Introdução de um regressor QNN utilizando um ansatz customizado e novel, e circuitos quânticos parametrizados especificamente otimizados para previsão de séries temporais financeiras.
Estratégias de Otimização Dupla: A exploração de duas configurações híbridas: extração de características sequencial seguida de modelagem quântica (HybridQNN1) e otimização conjunta de parâmetros clássicos e quânticos (HybridQNN2).
Avaliação Sistemática: Ajuste de hiperparâmetros abrangente e análise de erro usando TimeSeriesSplit, validação cruzada k-fold e métricas de Erro Quadrático Médio (RMSE).

Resultos

Comparação de Desempenho: Modelos híbridos (HybridQNN1 e HybridQNN2) superaram consistentemente a CustomQNN autônoma, alcançando valores de RMSE menores. Entre os métodos com reforço quântico, o HybridQNN2 alcançou o menor RMSE em todas as configurações de qubits (3, 4 e 5 qubits).
Análise de Erro: Análises de ajuste Gaussiano e gráficos de violino revelaram que os modelos híbridos exibiram distribuições de erro mais estreitas centradas próximas a zero em comparação com a variância mais ampla da QNN autônoma, indicando maior estabilidade.
Clássico vs. Híbrido: Embora os modelos híbridos tenham melhorado em relação aos modelos quânticos autônomos, os modelos clássicos (LSTM, RNN, BiLSTM, GRU) ainda alcançaram o menor RMSE geral e exigiram significativamente menos tempo de treinamento.
Impacto de Qubits: O aumento no número de qubits geralmente melhorou a precisão para modelos híbridos, mas aumentou os custos computacionais. Notavelmente, o HybridQNN1 apresentou um aumento abrupto no tempo de treinamento com 5 qubits, enquanto o HybridQNN2 permaneceu relativamente mais eficiente.
Regimes de Mercado: Todos os modelos, incluindo os híbridos, tiveram dificuldades em se adaptar a mudanças abruptas de mercado (mudanças de regime), particularmente durante tendências de queda acentuadas, destacando uma limitação na responsividade a dinâmicas rápidas.

Significância e Alegações
O artigo alega que modelos híbridos quântico-clássicos oferecem um caminho promissor para previsões financeiras ao alavancar espaços de características reforçados por quantum para melhorar o reconhecimento de padrões, particularmente sob condições voláteis. A integração de indicadores técnicos específicos do domínio (RSI, MACD) via análise SHAP foi encontrada como influente na saída preditiva.

No entanto, os autores mantêm uma postura modesta em relação às capacidades atuais. Eles reconhecem que, embora a hibridização mitigue algumas limitações dos modelos quânticos autônomos (como a alta variância de erro), esses modelos ainda não superam as abordagens de aprendizado profundo clássicas de última geração (state-of-the-art) em termos de RMSE ou eficiência computacional. O estudo conclui que os modelos híbridos representam um caminho viável para análises preditivas potencializadas por quantum, mas seu implantação prática nos mercados financeiros requer otimização adicional no design de circuitos, resiliência ao ruído e escalabilidade de hardware para estreitar a lacuna de desempenho em relação aos métodos clássicos.

Mais como este