🤖 machine learning

Hybrid Quantum-Classical Ridgelet Neural Networks for Portfolio Optimization

Este artigo propõe um framework Híbrido Quântico-Clássico que utiliza uma Rede Neural de Ridgelet Quântica (QRNN) para extrair características de multi-resolução de dados de séries temporais financeiras, as quais são então otimizadas para seleção de ativos usando o Algoritmo Quântico de Otimização Aproximada (QAOA) para resolver um problema de portfólio de média-variância.

Autores originais: Bahadur Yadav, Sanjay Kumar Mohanty

Publicado 2026-04-30

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Bahadur Yadav, Sanjay Kumar Mohanty

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

Imagine que você está tentando construir a carteira de investimentos perfeita. Você tem uma lista massiva de ações para escolher, mas só pode selecionar algumas. O desafio é duplo: primeiro, você precisa adivinhar quais ações subirão no futuro (previsão), e segundo, precisa escolher a melhor combinação que equilibre altos retornos com baixo risco (otimização).

Este artigo apresenta uma nova ferramenta chamada Rede Neural Ridgelet Híbrida Quântico-Clássica (QRNN) para resolver esses dois problemas. Veja como funciona, decomposto em conceitos e analogias simples.

1. A Lente "Ridgelet": Vendo os Padrões Ocultos

Os mercados financeiros são bagunçados, como um oceano tempestuoso com ondas de todos os tamanhos. Ferramentas tradicionais frequentemente se confundem com o ruído.

A Analogia: Imagine olhar para uma pintura complexa. Uma câmera padrão vê a imagem inteira de uma vez. Uma transformada Ridgelet é como um par de óculos especiais que decompõe a pintura em "cristas" ou linhas específicas. Ela consegue ver simultaneamente tanto as curvas amplas e abrangentes (tendências globais) quanto os detalhes minúsculos e irregulares (picos locais).
O que o artigo faz: Os autores usam essa técnica "Ridgelet" para limpar os dados de ações, separando as tendências importantes do ruído antes de alimentá-los em seu modelo computacional.

2. O Cérebro Quântico: Uma Nova Maneira de Calcular

Uma vez que os dados são limpos, o modelo precisa prever preços futuros. Em vez de usar um computador padrão, eles usam uma Rede Neural Quântica.

A Analogia: Pense em um computador clássico como um bibliotecário que verifica os livros um por uma vez em uma estante. Um computador quântico é como um bibliotecário que pode olhar para todos os livros na estante exatamente ao mesmo tempo, graças a uma propriedade mágica chamada "superposição".
O Mecanismo: O modelo pega os dados de ações limpos e os codifica em "qubits" (bits quânticos). Ele usa um tipo específico de circuito quântico (um loop de portas lógicas) para processar essa informação. O artigo afirma que essa abordagem quântica é muito melhor em detectar padrões complexos e não lineares nos preços das ações do que modelos de IA padrão, como LSTMs ou Transformers.

3. O "Otimizador de Carteira": Escolhendo os Vencedores

Após o Cérebro Quântico prever quais ações terão bom desempenho, a segunda parte do sistema entra em ação: Otimização de Carteira.

A Analogia: Imagine que você tem uma cesta e uma regra de que só pode segurar exatamente 5 itens. Você quer que a cesta seja o mais valiosa possível sem ser muito pesada (riscosa).
A Ferramenta: Eles usam um algoritmo chamado QAOA (Algoritmo Quântico Aproximado de Otimização). Pense no QAOA como um robô superinteligente que instantaneamente testa milhões de combinações diferentes de 5 ações para encontrar a mistura perfeita única que maximiza o lucro enquanto minimiza a chance de perder dinheiro. Ele transforma o problema em um quebra-cabeça matemático (QUBO) que o computador quântico resolve com eficiência.

4. Lidando com o "Ruído Quântico" (O Estático na Linha)

Computadores quânticos reais são atualmente muito sensíveis; são como rádios captando estático (ruído) que estraga o sinal.

O Experimento: Os autores testaram seu modelo em três cenários:
1. Mundo Perfeito: Sem ruído (ideal).
2. Mundo Barulhento: O sinal está cheio de estático (inversões de bits e inversões de fase).
3. Correção de Erros: Eles tentaram corrigir o estático usando "Correção de Erros" (como um fone de ouvido com cancelamento de ruído para dados quânticos).
A Descoberta: Como esperado, o ruído piorou o modelo. No entanto, eles descobriram que uma abordagem de "Correção Parcial de Erros" era o ponto ideal. Ela corrigia erros suficientes para tornar o modelo estável sem tornar o computador muito lento ou complexo. Foi um equilíbrio entre precisão e eficiência.

5. Os Resultados: Funcionou?

A equipe testou seu sistema em dados históricos reais de ações de 12 grandes empresas (como Apple, Tesla e Amazon) ao longo de um período de 10 anos.

A Comparação: Eles colocaram seu modelo Quântico Ridgelet contra modelos de IA padrão (como LSTMs) e outros modelos quânticos.
O Resultado: O modelo QRNN venceu. Ele cometeu menos erros (taxas de erro mais baixas) ao prever preços de ações do que os outros modelos. Quando usaram essas previsões para construir uma carteira de 5 ações, seu método produziu um melhor "Índice de Sharpe" (uma medida de quanto lucro você obtém pelo risco que assume) em comparação com a seleção aleatória ou estratégias simples de "escolher as 5 melhores".

Resumo

O artigo propõe um sistema híbrido de duas etapas:

Rede Neural Ridgelet Quântica: Usa física quântica e matemática especial (Ridgelets) para prever preços de ações com mais precisão do que a IA atual.
Otimizador QAOA: Usa computação quântica para selecionar o melhor grupo de ações para comprar.

Os autores reconhecem que, embora o modelo funcione muito bem em simulações, executá-lo em computadores quânticos reais e em grande escala é atualmente difícil, pois o "ruído" e os requisitos de memória crescem exponencialmente à medida que você adiciona mais qubits. No entanto, para os dados que testaram, essa nova abordagem provou ser mais precisa e confiável do que os métodos existentes.

1. Formulação do Problema

O artigo aborda dois desafios fundamentais em finanças quantitativas:

Previsão de Séries Temporais Financeiras: Prever retornos de ações é difícil devido à natureza não linear, caótica e volátil dos mercados financeiros. Modelos estatísticos tradicionais (ARIMA, GARCH) frequentemente falham em capturar padrões complexos, enquanto modelos padrão de Aprendizado Profundo (DL) (LSTM, Transformers) lutam com interpretabilidade, sobreajuste e captura de singularidades direcionais.
Otimização de Carteiras: Selecionar um subconjunto ótimo de ativos de um grande universo para maximizar retornos enquanto minimiza riscos é um problema de otimização combinatória. Resolver isso sob restrições de cardinalidade (selecionar um número fixo de ativos) é NP-difícil para computadores clássicos, pois o espaço de busca cresce exponencialmente.

Os autores propõem uma estrutura Híbrida Quântico-Clássica que aproveita o poder expressivo da computação quântica para extração de características e otimização, especificamente adaptada para lidar com a não linearidade dos dados financeiros.

2. Metodologia

A estrutura proposta consiste em dois módulos integrados: uma Rede Neural Ridgelet Quântica (QRNN) para previsão e um Algoritmo de Otimização Quântica Aproximada (QAOA) para seleção de carteira.

A. Rede Neural Ridgelet Quântica (QRNN)

A QRNN foi projetada para prever retornos de ativos integrando transformadas Ridgelet com Circuitos Quânticos Parametrizados (PQCs).

Transformada Ridgelet: Ao contrário das wavelets padrão, as transformadas Ridgelet são sensíveis a singularidades e informações direcionais nos dados. Elas decompõem dados de séries temporais em componentes de multi-resolução, capturando tanto tendências locais quanto globais.
Codificação Quântica: Dados de entrada clássicos são codificados em estados quânticos usando codificação angular por meio de portas de rotação $R_y(\theta)$ .
Formulação de Qubit Único: Os autores provam matematicamente que uma sequência de rotações quânticas impulsionada por funções Ridgelet colapsa em uma única rotação efetiva. O valor esperado do operador Pauli-Z ( $\langle Z \rangle$ ) mapeia para uma função não linear da saída Ridgelet clássica: $\cos(2g_J(x))$ . Isso cria um análogo quântico de um neurônio não linear.
Extensão para Múltiplos Qubits: O modelo é generalizado para sistemas de $n$ qubits para lidar com espaços de características de alta dimensão, utilizando produtos tensoriais de estados de qubit único.
Arquitetura: O pipeline envolve extração de características Ridgelet $\rightarrow$ Mapeamento linear para o espaço de qubits $\rightarrow$ Circuito Quântico Variacional (VQC) com portas de emaranhamento $\rightarrow$ Medição $\rightarrow$ Pós-processamento clássico.

B. Otimização de Carteira Baseada em QAOA

Uma vez que a QRNN prevê os retornos esperados ( $\hat{\mu}$ ), o problema de seleção de carteira é formulado como um problema de Otimização Binária Quadrática sem Restrições (QUBO).

Objetivo: Minimizar a variância da carteira enquanto maximiza o retorno esperado, sujeito a uma restrição de cardinalidade ( $K$ ativos).
Formulação QUBO: O problema restrito é convertido em uma forma sem restrições adicionando um termo de penalidade quadrática para a restrição de cardinalidade:
$Q(x) = -\hat{\mu}^T x + x^T \Sigma x + P \left( \sum x_i - K \right)^2$
Solver QAOA: O problema QUBO é mapeado para um Hamiltoniano de Ising ( $H_C$ ). O algoritmo QAOA prepara um estado quântico variacional $|\psi(\gamma, \beta)\rangle$ usando unitários de custo e mixer alternados. Otimizadores clássicos ajustam os parâmetros $\gamma$ e $\beta$ para minimizar a energia esperada, resultando no vetor de carteira binário ótimo $x^*$ .

C. Análise de Ruído e Correção de Erros

Para avaliar a robustez, os autores simularam o modelo sob três condições:

Modelo Ruidoso: Incorporando canais de inversão de bit, inversão de fase e despolarização.
Correção Total de Erros Quânticos (QEC): Usando um código de repetição de 3 qubits para codificar qubits lógicos.
QEC Parcial: Aplicando correção de erros apenas em partes específicas do circuito para equilibrar complexidade e estabilidade.

3. Contribuições Principais

Arquitetura QRNN Inovadora: Introdução de um modelo híbrido combinando transformadas Ridgelet com PQCs, permitindo aprendizado eficiente de representação de padrões direcionais em dados financeiros.
Formulação Teórica: Uma derivação matemática rigorosa estendendo a QRNN de um sistema de qubit único para sistemas de múltiplos qubits, provando a equivalência entre a saída do circuito quântico e a expansão Ridgelet clássica.
Estrutura de Otimização Integrada: Um pipeline contínuo onde as previsões da QRNN alimentam diretamente um otimizador de carteira baseado em QAOA, resolvendo o problema de seleção de ativos no formato QUBO.
Análise de Robustez: Avaliação abrangente do modelo sob condições realistas de ruído, demonstrando que a QEC Parcial oferece o melhor compromisso entre precisão e complexidade computacional em comparação com QEC Total ou nenhuma correção.
Validação Empírica: Testes extensivos em dados financeiros do mundo real (12 ações, 2010–2019) usando clusters de GPU NVIDIA H100 NVL para simulação de alto desempenho.

4. Resultados Experimentais

O modelo foi testado contra baselines clássicas (LSTM, GRU, Transformer, CRNN) e baselines quânticas (QLSTM, QGRU, QTransformer).

Precisão de Previsão:
- A QRNN alcançou o menor RMSE e MAE tanto nas fases de treinamento quanto de teste.
- Resultados de múltiplos qubits: O RMSE de teste da QRNN foi 0,0293, superando significativamente o CRNN (0,0862), LSTM (0,2149) e baselines quânticas como QLSTM (0,1482).
- O modelo demonstrou generalização superior em diversos setores (Tecnologia, Automotivo, Energia).
Resiliência ao Ruído:
- O ruído aumentou drasticamente as taxas de erro (por exemplo, o RMSE saltou de 0,071 para 0,298 em cenários de qubit único).
- A QEC Parcial reduziu os erros efetivamente (RMSE ~0,217) com menor complexidade de circuito do que a QEC Total, que mostrou ganhos marginais, mas maior complexidade.
Desempenho da Carteira:
- A estratégia QRNN-QAOA alcançou um Índice de Sharpe de 0,9281, superando Top-K (0,6311), Peso Igual (0,4632) e seleção Aleatória (0,1293).
- Mantive uma alinhamento mais próximo entre retornos previstos e reais e exibiu variância significativamente menor.

5. Significado e Limitações

Significado:

Poder Preditivo Superior: A integração de transformadas Ridgelet com emaranhamento quântico permite que o modelo capture não linearidades complexas e tendências direcionais que modelos clássicos de DL perdem.
Escalabilidade da Otimização: Ao converter a seleção de carteira em QUBO e resolvê-lo com QAOA, a abordagem oferece um caminho potencial para resolver problemas financeiros combinatórios que são intratáveis para solvers clássicos em escala.
Viabilidade Prática: O estudo fornece uma avaliação realista das vantagens quânticas na era NISQ (Quantum de Escala Intermediária Ruidosa), destacando a necessidade de estratégias de mitigação de erros como a QEC Parcial.

Limitações:

Complexidade Computacional: A simulação de estados quânticos (especialmente com correção de erros) escala exponencialmente ( $4^n$ para matrizes de densidade). Os autores notaram que escalar além de 3 qubits lógicos (9 qubits físicos) levou ao esgotamento da memória da GPU (OOM) devido ao tamanho da matriz de densidade.
Simulação vs. Hardware: Os resultados são baseados em simulações de alta fidelidade em GPUs clássicas, não em hardware quântico real, embora os modelos de ruído simulem imperfeições realistas de hardware.
Dinâmicas de Treinamento: O aumento da contagem de qubits introduz desafios como gradientes que desaparecem e acúmulo de ruído, tornando o treinamento difícil para sistemas em grande escala.

Conclusão

O artigo apresenta uma estrutura híbrida robusta e teoricamente fundamentada que aproveita com sucesso a computação quântica para previsão financeira e otimização de carteiras. Ao combinar as capacidades de extração de características das transformadas Ridgelet com o poder de otimização do QAOA, o modelo QRNN demonstra precisão superior e retornos ajustados ao risco em comparação com modelos de aprendizado profundo clássicos e quânticos mais avançados. O estudo enfatiza que, embora o ruído seja um obstáculo significativo, a mitigação estratégica de erros (QEC Parcial) pode tornar tais modelos híbridos viáveis para aplicações financeiras do mundo real.