Resumo Técnico: Caminhadas Estocásticas Quânticas para Otimização de Portfólio

Definição do Problema

A otimização de portfólio clássica, fundamentada na estrutura média-variância de Markowitz, enfrenta limitações práticas críticas, apesar de sua elegância teórica. Os principais problemas incluem:

• Erro de Estimativa e Fragilidade: Em espaços de alta dimensão (ex: $n=500$ ativos), a matriz de covariância contém mais de $10^5$ parâmetros. Pequenos erros na estimativa de retornos esperados ($\mu$) e covariâncias ($\Sigma$) levam a pesos de portfólio extremos e instáveis.
• Concentração e Turnover: Otimizadores de média-variância frequentemente produzem portfólios altamente concentrados (baixo número efetivo de ações) e um turnover excessivo (300–500% anuais) para perseguir melhorias marginais no índice de Sharpe. Esse "maximizador de erro" torna as estratégias operacionalmente inviáveis devido aos custos de transação e ao impacto de mercado.
• Limitações de Alternativas: Embora portfólios ingênuos de peso igual ($1/N$) sejam robustos e diversificados, eles ignoram informações cross-sectionais. Por outro vez, abordagens de aprendizado profundo (predict-then-optimize ou reinforcement learning end-to-end) costem agir como "caixas pretas" opacas, sofrem de overfitting em dados financeiros não estacionários e carecem de interpretabilidade para gestão de risco.

O artigo postula que essas falhas decorrem de uma falta de restrições estruturais na otimização clássica, que falha em impor naturalmente a diversificação ou a robustez contra o ruído de entrada.

Metodologia: O Framework de Caminhada Estocástica Quântica (QSW)

Os autores propõem um framework de Caminhada Estocástica Quântica (QSW) que modela a alocação de portfólio como um processo dinâmico em uma rede financeira ponderada.

1. Construção do Grafo

Os ativos são mapeados para nós em um grafo direcionado e ponderado $G=(V, E)$. O grafo codifica dados financeiros através de dois canais:

• Atributos de Nó (Auto-loops): Codificam retornos ajustados ao risco específicos do ativo (índices de Sharpe).
• Pesos de Aresta: Codificam relações pareadas. O peso $W_{ij}$ entre o ativo $i$ e o ativo $j$ é definido como:
  $$W_{ij} = \begin{cases} \exp(\alpha \cdot SR_j - \beta \cdot \Sigma_{ij}) & i \neq j \\ \exp(\lambda \cdot SR_i) & i = j \end{cases}$$
  Onde $\alpha$ controla a perseguição de retornos, $\beta$ penaliza transições entre ativos altamente correlacionados (impondo diversificação) e $\lambda$ atua como um coeficiente de manutenção (holding).

2. Dinâmica de Canal Duplo

Os pesos do portfólio são derivados da distribuição estacionária de uma caminhada híbrida quântico-clássica governada pela equação mestre de Gorini–Kossakowski–Lindblad–Sudarshan (GKLS):
$$\frac{d\rho}{dt} = -i(1-\omega)[H, \rho] + \omega \sum_{i,j} c_{ij} \left( L_{ij}\rho L_{ij}^\dagger - \frac{1}{2}\{L_{ij}^\dagger L_{ij}, \rho\} \right)$$

• Canal Coerente (Quântico): Impulsionado por um Hamiltoniano Hermitiano $H$, este canal permite superposição e interferência, permitindo que o caminhante explore clusters correlacionados de ativos simultaneamente.
• Canal Estocástico (Clássico): Implementado via um gerador do tipo Google (semelhante ao PageRank) com taxas de transição $c_{ij}$. Este canal garante a ergodicidade, garante a convergência para um estado estacionário único e amortece a massa de probabilidade dentro de clusters apertados para redistribuir o capital para regiões sub-representadas.
• Parâmetro de Mistura ($\omega$): Controla o equilíbrio entre a exploração quântica ($\omega=0$) e a difusão clássica ($\omega=1$).

3. Implementação

• Estado Estacionário: Os pesos do portfólio $w_i$ são definidos pelos elementos diagonais da matriz de densidade estacionária $\rho_\infty$ ($w_i = \rho_{\infty, ii}$).
• Computação: Os autores implementam o solver usando operadores de Kraus para evoluir a matriz de densidade, aproveitando a aceleração de GPU (NVIDIA A100) para eficiência. Isso permite a otimização de portfólios com $\sim 100$ ativos em segundos.

Principais Contribuições

1. Representação Baseada em Rede: O artigo mapeia o trade-off média-risco para um grafo direcionado e ponderado onde auto-loops codificam informação de Sharpe e arestas entre nós penalizam a correlação, fornecendo uma representação estrutural da diversificação.
2. Alocação "Smart 1/N": O framework QSW converge naturalmente para um portfólio "smart 1/N". Ele retém a estabilidade estrutural e a diversificação da estratégia de peso igual ingênua, mas introduz pequenos desvios (tilts) baseados em dados através da dinâmica quântico-clássica.
3. Robustez Estrutural: Ao contrário dos otimizadores clássicos que exigem restrições artificiais para evitar rebalanceamentos extremos, a dinâmica QSW suprime inerentemente o turnover forçado e é estruturalmente resistente a erros de estimativa.
4. Regras de Design Práticas: Através de buscas em grade extensas, os autores identificam regras de design simples: a estratégia ótima geralmente envolve mínima perseguição de retornos ($\alpha \approx 0.1$), máxima pressão de diversificação ($\beta \approx 500$) e um parâmetro de mistura $\omega$ que atua primariamente como um "dial de turnover".

Resultados Empíricos

O framework foi validado através de três fases de experimentos:

Fase 1: Exploração de Parâmetros (2018–2024)

• Estabilidade: Portfólios QSW exibiram índices de Sharpe de $\approx 0.96–0.98$ e volatilidade de $\approx 17\%$, quase idênticos ao benchmark $1/N$. Em contraste, o benchmark de Média-Variância (MPT) mostrou extrema sensibilidade ao comprimento da janela de treinamento (o Sharpe saltando de 0.86 para 1.36 ao mover de uma janela de 1 ano para 2 anos) e produziu portfólios altamente concentrados (HHI $\approx 0.26$).
• Turnover: O QSW alcançou esses resultados com turnover moderado (2%–80% dependendo dos presets), enquanto o MPT exigiu 320%–480% de turnover.
• Robustez: Testes de choque de Monte Carlo revelaram que o MPT amplificou pequenas perturbações de entrada em mudanças massivas de peso (desvio padrão $\approx 7.8\%$), enquanto o QSW permaneceu estável (desvio padrão $< 4\%$).

Fase 2: Busca em Grade Abrangente

Uma busca em grade de 625 pontos sobre os parâmetros $(\alpha, \beta, \lambda, \omega)$ confirmou que o regime "smart 1/N" é uma região ampla e estruturalmente robusta do espaço de parâmetros, não um resultado de ajuste fino. As configurações de melhor desempenho consistiram consistentemente em minimizar a perseguição de retornos e maximizar as penalidades de diversificação.

Fase 3: Robustez de Longo Prazo (1990–2024)

• Estudo de Multi-Universo: O estudo executou 30 testes independentes ao longo de 34 anos usando universos de 100 ações mantidos dinamicamente para evitar viés de sobrevivência.
• Performance: O otimizador dinâmico QSW alcançou um CAGR médio de 23.3% e um índice de Sharpe de 0.98, superando o MPT (Sharpe 0.48), $1/N$ (Sharpe 0.74) e o índice S&P 500 (Sharpe 0.37).
• Métricas de Risco: O QSW manteve menores drawdowns máximos e melhores razões de Calmar do que o MPT e o índice, mantendo a volatilidade entre o $1/N$ e o MPT.
• Adaptabilidade: Mesmo com reotimização trimestral (resultando em $\approx 200\%$ de turnover), o QSW superou significativamente o $\approx 330\%$ de turnover do MPT, entregando retornos ajustados ao risco superiores.

Significância e Alegações

O artigo afirma que o framework QSW oferece uma alternativa fundamentada tanto à diversificação ingênua quanto à otimização de alta dimensão e frágil. Sua significância reside em:

• Regularização Estrutural: A dinâmica inspirada em física quântica atua como um regularizador natural, impedindo o otimizador de colapsar em portfólios concentrados e frágeis sem exigir restrições ad-hoc.
• Interpretabilidade: Diferente das "caixas pretas" de aprendizado profundo, os parâmetros QSW possuem interpretações físicas claras (ex: $\beta$ como um freio de diversificação, $\omega$ como um dial de ruído/turnover), tornando o modelo auditável e confiável para gestão de risco.
• Viabilidade Prática: Ao equilibrar a robustez do $1/N$ com a flexibilidade de desvios baseados em dados, o framework entrega maiores retornos ajustados ao risco com turnover moderado, tornando-o implementável em cenários do mundo real, onde custos de transação e erros de estimativa são inevitáveis.

Os autores concluem que a vantagem do QSW não advém de "magia" de efeitos quânticos, mas das propriedades estruturais impostas pela caminhada híbrida, que impõe características desejáveis ao portfólio (diversificação e robustez) por design.