Quantum Portfolio Optimization: An Extensive Benchmark

Resumo Técnico: Otimização de Portfólio Quântico: Um Benchmark Abrangente

Definição do Problema
Este estudo investiga o potencial computacional de algoritmos quânticos para a otimização de portfólios, focando especificamente em uma variante de minimização de volatilidade. Diferente das formulações de "escolher ativo ou não", este trabalho aborda o problema mais prático de determinar pesos contínuos ideais para os ativos ($\omega_i \in [0, 1]$) para minimizar a volatilidade do portfólio ($\sigma^2$) sujeitos a um retorno esperado mínimo ($\epsilon$) e restrições de investimento total ($\sum \omega_i = 1$). Os autores identificam esta variante específica, denominada MinVola, como a mais desafiadora computacionalmente para solvers clássicos em comparação com formulações de maximização de retorno ou multi-objetivo, tornando-a o candidato mais promissor para demonstrar uma vantagem quântica.

O estudo utiliza um conjunto de dados de 250 instâncias derivadas de dados reais da Nasdaq (2020–2023), variando de 3 a 1.000 ativos. Devido às limitações atuais de hardware, os métodos quânticos foram testados em instâncias com até 30 ativos, enquanto os métodos clássicos foram avaliados em todo o intervalo.

Metodologia
Os autores realizaram um benchmark comparativo de abordagens quânticas e clássicas sob um limite de tempo rigoroso de 60 segundos para amostragem e análise de resultados. O estudo adere aos princípios de justiça, reprodutibilidade e verificabilidade.

1. Transformação do Problema: Para interagir com o hardware quântico, o problema contínuo MinVola foi transformado em um modelo de Otimização Binária Quadrática Não Restrita (QUBO). Os pesos contínuos foram discretizados usando uma expansão binária com parâmetro de precisão $d=3$, resultando em $4n$ variáveis binárias para $n$ ativos. Fatores de penalidade ($\phi, \psi = 1000$) foram aplicados para impor as restrições de retorno e normalização.
2. Métodos Quânticos:
   • Recozimento Quântico (Quantum Annealing - QA): Executado em um processador D-Wave Advantage 2 (4.400+ qubits físicos). O estudo testou vários tempos de recozimento (1–50 $\mu$s) e forças de cadeia (chain strengths). Devido à natureza totalmente conectada do QUBO, uma estratégia de incorporação de clique (clique embedding) foi empregada, o que aumentou significativamente o overhead de qubits.
   • Algoritmo de Otimização Aproximada Quântica (QAOA): Implementado no IBM ibm_strasbourg (127 qubits) e simuladores ideais. O estudo testou três estratégias de seleção de parâmetros: busca em grade (para $p=1$), inicialização por rampa linear e otimização COBYLA. O estudo foi limitado a instâncias pequenas ($n \le 30$) devido aos requisitos exponenciais de memória para simulação clássica e restrições de conectividade de hardware.
3. Métodos Clássicos:
   • Solvers Exatos: Gurobi e SCIP foram utilizados para estabelecer a otimalidade comprovada para o problema discretizado.
   • Heurísticas: O benchmark incluiu Simulated Annealing, Steepest Descent, Tabu Search e uma nova heurística específica do problema, projetada para ajustar iterativamente os pesos dos ativos para reduzir a variância sem construir um modelo matemático completo.
4. Métricas: O desempenho foi avaliado com base na razão de aproximação (valor do objetivo relativo à solução ótima), porcentagem de viabilidade (fração de instâncias que geram pelo menos uma solução viável) e o número de amostras geradas dentro do limite de tempo.

Principais Resultados

• Desempenho Clássico: Solvers clássicos modernos, particularmente o Gurobi, resolveram instâncias de até 1.000 ativos para a otimalidade comprovada em segundos. O Gurobi mostrou-se mais de 1.000 vezes mais rápido que o solver de código aberto SCIP para instâncias grandes, em grande parte devido à sua capacidade de detectar a convexidade do problema e utilizar métodos de ponto interior.
• Heurísticas Quânticas vs. Clássicas: A heurística específica do problema superou consistentemente todas as abordagens quânticas (tanto QA quanto QAOA) em termos de qualidade da solução (razão de aproximação) e viabilidade para tempos de execução fixos.
• Desempenho Quântico:
  • Viabilidade: Tanto o QA quanto o QAOA tiveram dificuldades em encontrar soluções viáveis, com as porcentagens de viabilidade caindo significativamente conforme o tamanho do problema aumentava.
  • Qualidade: As razões de aproximação para métodos quânticos foram frequentemente subótimas (ex: $\ge 2$ para $n \ge 20$ no QAOA).
  • Comparação com Aleatoriedade: Em muitas configurações, os métodos quânticos apresentaram desempenho aproximadamente igual, ou pior, que a amostragem aleatória em termos de viabilidade e razão de aproximação.
  • Limitações de Hardware: A conectividade densa, do tipo todos-para-todos, exigida pela formulação QUBO, levou a um significativo overhead de incorporação para o QA (limitando as instâncias resolvíveis para $n=25$) e um enorme overhead de portas (swaps) para o QAOA durante a transpilação, o que degradou o desempenho conforme a profundidade do circuito aumentava.
• Quantum Annealing vs. QAOA: O recozimento quântico superou ligeiramente o QAOA baseado em portas em termos de viabilidade e qualidade da solução, mas essa vantagem dependia do ajuste fino dos parâmetros de força de cadeia. Mesmo com o ajuste, o QA não superou as heurísticas clássicas.

Significância e Alegações
O artigo conclui que, para a variante considerada de otimização de portfólio (minimização de volatilidade com pesos contínuos), há atualmente espaço muito limitado para uma vantagem quântica prática.

• Dominância Clássica: O estudo demonstra que solvers clássicos de última geração podem resolver instâncias de larga escala para a otimalidade em segundos, e que heurísticas clássicas especializadas superam os métodos quânticos em qualidade de solução dentro de intervalos de tempo fixos.
• Restrições de Hardware: O baixo desempenho dos algoritmos quânticos é atribuído principalmente à conectividade densa do problema de otimização de portfólio, o que exacerba os custos de incorporação e transpilação em hardware atual.
• Padrão de Benchmark: Os autores afirmam que seu trabalho fornece um benchmark abrangente e justo ao isolar as contribuições quânticas dos componentes clássicos (ao contrário de solvers híbridos de caixa-preta) e utilizar dados do mundo real.
• Perspectiva Modesta: Embora os resultados estabeleçam um patamar elevado para futuras vantagens quânticas, os autores observam que variantes de problemas mais complexos com restrições adicionais podem produzir resultados diferentes, embora tais cenários exijam maior investigação. O estudo não afirma que a computação quântica é inútil para as finanças, mas sim que, para esta formulação específica e praticamente relevante, os métodos clássicos permanecem superiores.