Quantum generative modeling for financial time series with temporal correlations

Este artigo investiga como Redes Generativas Adversariais Quânticas (QGANs), utilizando um gerador quântico e um discriminador clássico simulados por métodos de simulação completa ou redes de tensores, podem gerar séries temporais financeiras sintéticas que não apenas correspondem à distribuição alvo, mas também capturam correlações temporais desejadas, com a qualidade dos resultados dependendo dos hiperparâmetros e do método de simulação escolhido.

O essencial

Imagine que você é um chef de cozinha tentando ensinar um robô a cozinhar o prato perfeito: um sanco de ações (como o S&P 500, que é uma mistura de 500 das maiores empresas dos EUA).

O problema é que você só tem uma única receita histórica para trabalhar. Você não pode cozinhar o mesmo prato 1.000 vezes para ver o que acontece, porque o mercado financeiro é único: o passado já aconteceu e não se repete exatamente igual.

Para treinar o robô (uma Inteligência Artificial) para prever o futuro ou testar estratégias, você precisa de mais dados. É aqui que entra a Geração de Dados Sintéticos. Você quer criar "falsos" que sejam tão parecidos com o "real" que o robô não consiga distinguir.

O Grande Desafio: O "Gosto" e a "Textura"

Na culinária, não basta o prato ter o mesmo sabor (distribuição de preços). Ele precisa ter a mesma textura e comportamento ao longo do tempo.

• O Sabor: Se o preço sobe muito, ele tende a cair muito depois (volatilidade).
• A Textura (Correlações Temporais): Se o mercado tem um dia de caos, os dias seguintes também tendem a ser caóticos. Se está calmo, fica calmo por um tempo. Isso se chama "agrupamento de volatilidade".

Modelos de computador comuns (clássicos) muitas vezes conseguem copiar o "sabor" (o preço médio), mas falham miseravelmente em copiar a "textura" (o comportamento caótico ou calmo ao longo do tempo). O prato fica sem graça e previsível demais.

A Solução: O Chef Quântico

Os autores deste artigo decidiram tentar algo novo: usar um computador quântico (ou uma simulação dele) para ser o chef.

Eles criaram um jogo de "Gato e Rato" chamado GAN Quântica (QGAN):

1. O Falsificador (Gerador Quântico): É um circuito quântico que tenta criar dados financeiros falsos. Ele usa "emaranhamento" (uma propriedade quântica onde partículas se conectam de formas que computadores normais não conseguem) para tentar capturar a complexidade do mercado.
2. O Detetive (Discriminador Clássico): É uma inteligência artificial comum que tenta descobrir se os dados são reais (do mercado) ou falsos (criados pelo gerador).

Eles jogam esse jogo milhares de vezes. O Falsificador melhora até que o Detetive não consiga mais distinguir o falso do real.

O Truque da Simulação (O "MPS")

Como computadores quânticos reais ainda são raros e caros, os autores usaram uma simulação poderosa no computador clássico.

• Simulação Completa: É como tentar desenhar cada gota de água de um oceano. Funciona para pequenas quantidades, mas fica impossível se o tempo for longo.
• Simulação MPS (Estado de Produto Matricial): Aqui entra a analogia criativa. Imagine que o mercado é um colar de contas. Em vez de desenhar cada conta individualmente, o método MPS olha para o colar e diz: "Ok, as contas 1 a 10 estão conectadas de um jeito, e as 11 a 20 de outro". É uma forma inteligente de "comprimir" a informação, permitindo simular colares muito longos (séries temporais longas) sem precisar de um computador gigante.

O Que Eles Descobriram?

O resultado foi promissor, como um prato que ficou quase perfeito:

1. O Sabor está Certo: Os dados falsos criados pelo computador quântico têm a mesma distribuição de preços que o mercado real.
2. A Textura Melhorou: Diferente dos modelos antigos, o modelo quântico conseguiu capturar melhor a "textura" do tempo. Ele conseguiu simular que, quando o mercado fica agitado, ele tende a ficar agitado por mais tempo (volatilidade).
3. O Tamanho Importa: Eles descobriram que, quanto mais "camadas" (profundidade) o circuito quântico tinha, melhor era a textura. E quanto maior a "dimensão de ligação" (o tamanho do colar de contas na simulação MPS), mais fiel era a cópia.

A Conclusão em Uma Frase

Os autores mostraram que usar a "mágica" da mecânica quântica (mesmo que simulada) para criar dados financeiros sintéticos é como ter um chef que entende não apenas a receita, mas também o tempero do tempo. Isso pode ajudar a treinar robôs de investimento de forma mais segura e realista, criando cenários futuros que parecem muito mais com a realidade do que os métodos atuais permitem.

É um passo importante para que, no futuro, possamos testar estratégias de investimento em "universos paralelos" gerados por computadores quânticos antes de arriscar nosso dinheiro no mundo real.

Resumo técnico

1. O Problema

O setor financeiro enfrenta um desafio fundamental na aplicação de aprendizado de máquina: a escassez de dados. Diferente de outros domínios onde grandes volumes de dados históricos estão disponíveis, os mercados financeiros oferecem apenas uma única realização do processo (a evolução histórica do mercado). Além disso, os dados financeiros possuem características complexas conhecidas como "fatos estilizados" (stylized facts), que incluem:

• Não-Gaussianidade: Distribuições com caudas pesadas e picos mais agudos que a distribuição normal.
• Ausência de autocorrelação linear: A incapacidade de prever retornos futuros baseados apenas em retornos passados (hipótese do mercado eficiente).
• Agrupamento de volatilidade (Volatility Clustering): Períodos de alta volatilidade tendem a ser seguidos por mais alta volatilidade.
• Efeito de alavancagem (Leverage Effect): A volatilidade tende a aumentar quando os preços dos ativos caem.

Modelos geradores clássicos (como GANs tradicionais) muitas vezes falham em capturar simultaneamente a distribuição marginal correta e essas correlações temporais complexas. O objetivo deste trabalho é investigar se Redes Adversariais Generativas Quânticas (QGANs) podem superar essas limitações, aproveitando correlações quânticas para gerar séries temporais financeiras sintéticas mais realistas.

2. Metodologia

Os autores desenvolveram um QGAN Híbrido baseado na distância de Wasserstein (Wasserstein QGAN), composto por:

• Gerador Quântico: Um Circuito Quântico Parametrizado (PQC) que atua como um Expectation Value Sampler. Em vez de medir estados quânticos para obter strings de bits (como em Máquinas de Born Quânticas), o gerador utiliza os valores esperados de observáveis de Pauli-X e Pauli-Z em cada qubit para representar os retornos logarítmicos da série temporal.
  • A arquitetura do PQC é baseada em um Ansatz eficiente de hardware, contendo rotações de Pauli, portas CNOT entre vizinhos e portas de codificação de ruído.
• Discriminador Clássico: Uma Rede Neural Convolucional (CNN) que recebe tanto a série temporal real quanto a gerada. O discriminador é treinado para estimar a distância de Wasserstein entre as distribuições, utilizando uma função de perda com penalidade de gradiente para garantir a condição de Lipschitz.

Simulação e Escalabilidade:
Para contornar a limitação exponencial da simulação clássica de circuitos quânticos completos (full-state simulation), o estudo utilizou duas abordagens:

1. Simulação de Estado Completo: Para circuitos menores (até 10 qubits e 8 camadas).
2. Simulação com Estados Produto Matricial (MPS): Uma aproximação baseada em Tensor Networks (Tensor Train) que permite simular circuitos maiores (até 20 qubits e 18 camadas) variando a dimensão de ligação (bond dimension, $\chi$). Isso permite controlar o equilíbrio entre custo computacional e precisão da simulação, explorando a estrutura de baixa entrelaçamento típica de séries temporais.

Pré-processamento de Dados:
Os dados do índice S&P 500 foram transformados para o intervalo $[-1, 1]$ (necessário para os valores esperados quânticos) utilizando normalização, transformada inversa de Lambert-W (para lidar com caudas pesadas) e janelas deslizantes (rolling windows) para criar amostras de séries temporais.

3. Principais Contribuições

• Abordagem Híbrida com MPS: Demonstração prática de como simulações MPS podem ser usadas para treinar QGANs com circuitos mais profundos e mais qubits do que seria viável com simulação de estado completo, permitindo a geração de séries temporais mais longas.
• Uso de Expectation Value Sampler: Validação de que amostradores baseados em valores esperados (em vez de amostragem de Born) são eficazes para gerar distribuições contínuas de retornos financeiros, oferecendo maior precisão do que métodos discretos.
• Análise de Fatos Estilizados: Uma avaliação quantitativa rigorosa não apenas da distribuição dos dados, mas especificamente das correlações temporais (agrupamento de volatilidade e efeito de alavancagem), algo que muitos trabalhos anteriores em QGANs financeiras negligenciaram.
• Benchmarking Comparativo: Comparação direta entre simulações de estado completo e MPS, e análise de como hiperparâmetros (profundidade do circuito e dimensão de ligação) afetam a qualidade dos dados gerados.

4. Resultados

Os experimentos foram realizados utilizando dados do índice S&P 500:

• Distribuição: Em todas as simulações (estado completo e MPS), o QGAN conseguiu aprender e replicar com alta fidelidade a distribuição marginal dos retornos logarítmicos do S&P 500, superando modelos clássicos em termos de distância de Wasserstein.
• Correlações Temporais:
  • Simulação de Estado Completo (10 qubits, 8 camadas): Reproduziu o agrupamento de volatilidade e o efeito de alavancagem, embora de forma mais fraca e com decaimento mais rápido do que os dados reais.
  • Simulação MPS (10 qubits, 18 camadas, $\chi=32$): Mostrou uma melhoria significativa na captura do agrupamento de volatilidade em lags temporais mais longos, aproximando-se qualitativamente do comportamento do S&P 500.
  • Simulação MPS (20 qubits, 7 camadas, $\chi=70$): Permitiu a geração de séries temporais com janelas de 40 pontos. Embora o treinamento tenha sido limitado pelo custo computacional (número de épocas), a estrutura do MPS permitiu modelar séries mais longas.
• Influência de Hiperparâmetros: A qualidade das correlações temporais (especialmente o efeito de alavancagem) mostrou-se sensível à profundidade do circuito e à dimensão de ligação. Circuitos mais profundos e dimensões de ligação maiores melhoraram a fidelidade da simulação, mas aumentaram o tempo de treinamento.
• Comparação com Born Machine: Em testes adicionais com pares de moedas (Appendice B), o método de Expectation Value Sampler superou a Máquina de Born Quântica, fornecendo uma aproximação mais precisa da distribuição devido à natureza contínua da amostragem.

5. Significado e Conclusão

O trabalho demonstra que as QGANs possuem vieses indutivos adequados para capturar a estrutura complexa de séries temporais financeiras, particularmente as correlações temporais que são difíceis de modelar classicamente.

• Viabilidade: A combinação de QGANs com simulações MPS torna viável o treinamento de modelos quânticos para problemas financeiros de maior escala, superando as barreiras de memória da simulação clássica de estados completos.
• Aplicações Futuras: Os dados sintéticos gerados podem ser usados para aumento de dados (data augmentation), melhorando o treinamento de modelos preditivos em finanças, além de aplicações em precificação de opções e análise de risco.
• Desafios e Direções: O estudo aponta que, embora promissoras, as QGANs ainda precisam de otimizações na arquitetura do circuito e no treinamento (como considerar a perda temporal diretamente na função de custo) para replicar perfeitamente todos os fatos estilizados. Além disso, a transição para hardware quântico real (ruído, shot noise) é o próximo passo lógico.

Em resumo, o artigo estabelece um marco importante na interseção entre computação quântica e finanças, provando que modelos quânticos podem gerar dados financeiros sintéticos que não apenas imitam a distribuição estatística, mas também preservam a dinâmica temporal crítica dos mercados reais.