Toward Quantum Utility in Finance: A Robust Data-Driven Algorithm for Asset Clustering

Título: Rumo à Utilidade Quântica em Finanças: Um Algoritmo Robusto Baseado em Dados para Agrupamento de Ativos

1. O Problema

O agrupamento (clustering) de ativos financeiros com base em correlações de retorno é uma tarefa fundamental para a otimização de carteiras e arbitragem estatística. No entanto, os métodos clássicos de agrupamento enfrentam limitações significativas ao lidar com grafos assinados (signed graphs), onde as arestas podem ter pesos positivos (correlação positiva) ou negativos (correlação negativa):

• Transformações Perda de Informação: Métodos tradicionais (como k-Means, k-Medoids) exigem métricas de distância positivas. Eles frequentemente transformam matrizes de correlação assinadas ($\rho \in [-1, 1]$) em distâncias não negativas. Essa transformação é "perdida" (lossy), pois distorce a semântica original (por exemplo, uma correlação zero é mapeada para uma dissimilaridade fixa não nula), impedindo a recuperação da solução ótima sob o grafo original.
• Dependência de Hiperparâmetros: Algoritmos clássicos exigem a definição manual do número de clusters ($k$), estratégias de inicialização ou limiares de fusão, que não são generalizáveis entre diferentes conjuntos de dados.
• Limitações de Métodos Espectrais: Técnicas como SPONGE, embora eficazes para grafos esparsos, têm desempenho degradado em dados financeiros, que geralmente são densos e possuem pesos contínuos.

2. Metodologia

Os autores propõem a aplicação do algoritmo GCS-Q (Graph-based Coalition Structure Generation) diretamente ao problema de agrupamento de ativos, evitando transformações de dados.

• Modelo de Grafo: Os ativos são representados como nós em um grafo não direcionado, ponderado e assinado ($G = (V, E, w)$), onde o peso da aresta $w_{ij}$ é o coeficiente de correlação de Pearson entre os retornos dos ativos.
• Objetivo: Encontrar uma estrutura de coalizão (partição) que maximize o peso das arestas dentro dos clusters (intra-cluster) e minimize o peso das arestas entre clusters (inter-cluster). Isso incentiva a agrupamento de ativos com forte correlação positiva e desincentiva a inclusão de pares com correlação negativa no mesmo grupo.
• Algoritmo Iterativo:
  1. O algoritmo começa com todos os ativos em um único grupo.
  2. Iterativamente, calcula um corte mínimo (minimum cut) no subgrafo atual para particioná-lo.
  3. O processo é aplicado recursivamente aos subgrafos resultantes até que nenhum corte ofereça um valor melhor que a soma das arestas do subgrafo (critério de parada que determina $k$ dinamicamente).
• Formulação Quântica: O problema de corte mínimo, que é NP-Difícil, é formulado como um problema de Otimização Binária Quadrática sem Restrições (QUBO).
• Execução: Os subproblemas QUBO são resolvidos utilizando um Annealer Quântico (D-Wave Advantage_system5.4), explorando espaços de solução exponencialmente grandes de forma eficiente.

3. Contribuições Principais

• Abordagem Direta em Grafos Assinados: É a primeira aplicação conhecida que utiliza hardware quântico real para agrupamento de ativos sem transformar correlações assinadas em distâncias euclidianas, preservando a fidelidade semântica dos dados.
• Determinação Dinâmica de $k$: O algoritmo infere o número ótimo de clusters como parte do processo de otimização, eliminando a necessidade de heurísticas manuais (como o método do cotovelo ou análise de silhueta).
• Validação em Dados Reais e Sintéticos: O método foi testado em grafos sintéticos estruturados e em dados reais de mercado (Yahoo Finance), demonstrando superioridade sobre o estado da arte clássico.
• Demonstração de Utilidade Quântica Prática: O trabalho fornece evidências de que a computação quântica de curto prazo (near-term), especificamente o annealing quântico, pode oferecer vantagens em qualidade de solução para problemas de aprendizado não supervisionado em finanças.

4. Resultados

• Dados Sintéticos:
  • O GCS-Q foi comparado com SPONGE, SPONGEsym e k-Medoids (PAM).
  • O GCS-Q superou consistentemente os métodos clássicos, obtendo índices de Rand Ajustado (ARI) mais altos.
  • O k-Medoids teve o pior desempenho devido à transformação de distâncias. O SPONGE degradou-se em grafos com pesos contínuos e tamanhos de clusters não uniformes, enquanto o GCS-Q manteve a robustez.
• Dados Reais (Yahoo Finance - 50 ativos):
  • Utilizando uma métrica de penalidade baseada no desvio do equilíbrio estrutural (penalizando correlações negativas dentro de clusters e positivas entre clusters), o GCS-Q obteve consistentemente a menor penalidade.
  • Isso indica que o algoritmo descobre estruturas de mercado mais coesas internamente e distintas externamente, ideais para diversificação de portfólio e estratégias de reversão à média.
• Desempenho Computacional:
  • Embora a complexidade teórica clássica seja alta ($O(n^2 2^n)$), o uso do annealer quântico permitiu resolver subproblemas de corte mínimo eficientemente.
  • Para $n=170$ ativos, o processo levou em média 10 minutos (incluindo latência de rede e filas de acesso à nuvem), com tempos de resolução por QUBO limitados a 1 segundo.

5. Significado e Conclusão

Este trabalho marca um avanço concreto em direção à utilidade quântica prática no setor financeiro. Ele demonstra que algoritmos quânticos podem resolver problemas de otimização combinatória complexos (agrupamento em grafos assinados) de forma mais eficaz do que as melhores abordagens clássicas atuais, especialmente em cenários onde a estrutura dos dados (correlações positivas e negativas) é crítica.

As implicações futuras incluem o uso desses clusters para alocação de ativos otimizada, avaliação de desempenho via Índice de Sharpe e a exploração de topologias de hardware mais avançadas (como Zephyr) e estratégias de embebedamento (embedding) personalizadas para escalar para conjuntos de dados maiores. O código do projeto está disponível publicamente, facilitando a reprodutibilidade e o desenvolvimento futuro.