A Comparative Study of Hybrid Quantum and Classical Genetic Algorithms in Portfolio Optimization

Este estudo demonstra que um Algoritmo Genético Híbrido Quântico supera o algoritmo clássico na otimização de carteiras, apresentando convergência mais rápida, maior diversidade populacional e menor número de avaliações necessárias para atingir o ótimo global.

O essencial

Imagine que você é um chef de cozinha tentando criar o prato perfeito (uma carteira de investimentos) misturando ingredientes (ações de empresas). O desafio é enorme: você tem centenas de opções e precisa escolher a combinação exata que dá o máximo de sabor (lucro) com o mínimo de risco de estragar a comida.

Se você tentar provar todas as combinações possíveis uma por uma (o método "força bruta"), vai levar uma eternidade e ficar exausto antes de encontrar o melhor prato. É aqui que entra a ciência da computação.

Este artigo compara duas "cozinhas" diferentes para resolver esse problema:

1. A Cozinha Tradicional (Algoritmo Genético Clássico)

Imagine que você tem um time de 50 cozinheiros (uma população de soluções).

• Eles começam com receitas aleatórias.
• Eles provam os pratos, escolhem os melhores e misturam as receitas (cruzamento) ou mudam um ingrediente aqui e ali (mutação).
• O Problema: Com o tempo, todos os cozinheiros começam a pensar igual. Eles copiam a receita do "melhor prato" atual e param de tentar coisas novas. É como se todos decidissem que "pizza com abacaxi" é o melhor do mundo e parassem de testar sushi. Isso se chama convergência prematura. Eles ficam presos em um "bom" prato, mas nunca encontram o "perfeito".

2. A Cozinha do Futuro (Algoritmo Genético Híbrido Quântico - HQGA)

Agora, imagine que você tem apenas 3 cozinheiros, mas eles são fantasmas quânticos.

• Superposição (O Poder da Fantasia): Ao contrário dos cozinheiros normais que têm uma receita escrita no papel, esses cozinheiros quânticos estão, ao mesmo tempo, pensando em todas as receitas possíveis. Eles não decidiram o que cozinhar ainda; eles estão explorando todas as possibilidades simultaneamente.
• Emaranhamento (A Conexão Mágica): Quando um cozinheiro descobre um ingrediente incrível, ele não apenas copia a receita. Ele cria uma "conexão mágica" (emaranhamento) com os outros. Isso faz com que os outros cozinheiros, sem saber exatamente como, comecem a sentir que certas combinações têm mais chance de dar certo, sem perder a liberdade de tentar o que é diferente.
• Mutação Quântica (O Toque de Sorte): Em vez de trocar um ingrediente aleatoriamente, eles giram a "probabilidade" de um ingrediente aparecer. É como se eles tivessem uma moeda que pode ser viciada para cair em "sim" ou "não", permitindo explorar novos sabores de forma mais inteligente.

O Que a Pesquisa Descobriu?

Os pesquisadores testaram essas duas cozinhas em um problema real de investimentos (escolher 9 ações entre muitas).

• Velocidade: A cozinha quântica (HQGA) encontrou o prato perfeito muito mais rápido.
• Eficiência: Ela precisou de muito menos tentativas (avaliações) do que a cozinha tradicional, mesmo usando uma equipe muito menor (apenas 3 "cozinheiros" contra 50 ou mais).
• Diversidade: Enquanto a cozinha tradicional ficava entediada e repetitiva (todos pensando igual), a cozinha quântica manteve a criatividade viva por muito mais tempo. Os "fantasmas" continuaram explorando novos sabores mesmo depois de muitas tentativas, evitando ficar presos em soluções medíocres.

A Analogia Final

Pense na busca pela solução ideal como procurar uma agulha em um palheiro.

• O Algoritmo Clássico é como enviar 100 pessoas para procurar. Elas começam espalhadas, mas logo todas se reúnem em um lugar onde acham que há uma agulha. Se estiverem erradas, elas ficam lá, discutindo, e nunca vão para o outro lado do palheiro.
• O Algoritmo Quântico é como enviar 3 pessoas que, graças à física quântica, conseguem sentir o "cheiro" da agulha em vários lugares do palheiro ao mesmo tempo. Elas não precisam correr de um lado para o outro; elas exploram o espaço inteiro de forma inteligente, mantendo a curiosidade viva e encontrando a agulha com muito menos esforço.

Conclusão Simples:
Este estudo mostra que misturar a inteligência da computação quântica com a lógica da evolução (algoritmos genéticos) cria uma ferramenta poderosa. Ela é mais rápida, mais barata (precisa de menos tentativas) e, principalmente, mais criativa, evitando que o sistema "desista" de procurar a solução perfeita antes da hora. É um passo importante para usar computadores do futuro na gestão do seu dinheiro hoje.

Resumo técnico

1. Problema Investigado

O estudo foca no problema de otimização de carteiras de investimentos (Portfolio Optimization), formulado classicamente através do modelo de média-variância de Markowitz. O objetivo é maximizar o retorno esperado de uma carteira penalizado pelo seu risco (volatilidade), onde o risco é quantificado pelas covariâncias entre os retornos dos ativos.

O problema é modelado como um modelo de otimização binária, onde as variáveis de decisão indicam a inclusão ($x_i=1$) ou exclusão ($x_i=0$) de cada ativo na carteira. O desafio central abordado pelos autores é a convergência prematura em algoritmos genéticos clássicos (GA), um fenômeno em que a população perde diversidade muito cedo, ficando presa em ótimos locais subótimos, especialmente em populações pequenas ou sob alta pressão de seleção.

2. Metodologia

Os autores compararam o desempenho de um Algoritmo Genético Híbrido Quântico (HQGA) contra um Algoritmo Genético Clássico (GA) tradicional.

• Contexto Hardware: O estudo opera na era NISQ (Noisy Intermediate-Scale Quantum), utilizando dispositivos quânticos reais (IBM) em conjunto com processadores clássicos.

• O Algoritmo Híbrido (HQGA): Baseado na proposta de Acampora e Vitiello, o HQGA executa o ciclo evolutivo diretamente em hardware quântico, enquanto o processador clássico avalia a aptidão (fitness). O HQGA incorpora quatro mecanismos quânticos fundamentais para mitigar a convergência prematura:

  1. Representação Quântica: Os indivíduos são representados como estados quânticos em superposição, permitindo explorar um espaço de busca vasto sem custo computacional exponencial.
  2. Elitismo Quântico: Garante que a melhor solução encontrada seja preservada não apenas como uma string de bits clássica, mas também como um estado quântico reforçado, servindo como referência probabilística para os operadores evolutivos.
  3. Cruzamento Entrelaçado (Entangled Crossover): Em vez de copiar material genético, utiliza o emaranhamento quântico para criar correlações probabilísticas entre o melhor indivíduo e os demais. Isso induz uma influência estocástica que guia a busca sem forçar a replicação exata, preservando a diversidade.
  4. Mutação $R_y$: Aplica rotações no eixo Y da esfera de Bloch aos "qubits livres" (não emaranhados). Diferente da mutação clássica que inverte bits, a mutação $R_y$ ajusta a distribuição de probabilidade subjacente, permitindo a exploração de novas regiões do espaço de busca mantendo a coerência quântica.

• Configuração Experimental:

  • Dados: Retornos históricos de ativos do índice S&P 500 (outubro/2023 a setembro/2024).
  • Instâncias: 5 subconjuntos distintos de 9 ativos cada, gerando instâncias de otimização binária ($2^9 = 512$ portfólios possíveis).
  • Métricas: Comparação baseada em curvas de convergência (melhor, média e pior aptidão), número de avaliações de aptidão necessárias para atingir o ótimo e a evolução da diversidade da população.

3. Principais Contribuições

• Análise de Diversidade: O trabalho destaca que, embora a qualidade da solução do HQGA seja competitiva, seu diferencial crucial é a manutenção superior da diversidade da população ao longo do processo de otimização.
• Validação em Hardware Real: Demonstra a viabilidade de executar um ciclo evolutivo completo (incluindo seleção, cruzamento e mutação) em hardware quântico ruidoso (NISQ) para problemas financeiros práticos.
• Eficiência Computacional: Prova que o HQGA atinge o ótimo global com significativamente menos avaliações de aptidão do que uma abordagem de força bruta e com populações menores do que as necessárias para o GA clássico.

4. Resultados

• Convergência: O HQGA convergiu para a solução ótima global mais rapidamente do que o GA clássico. Em todas as instâncias testadas, o HQGA encontrou o ótimo com menos avaliações de fitness.
• Desempenho com Populações Pequenas: O HQGA com uma população muito pequena (ex: 3 indivíduos) convergiu tão rápido ou mais rápido que o GA clássico com populações maiores, demonstrando a eficiência dos mecanismos quânticos.
• Preservação de Diversidade: A métrica de diversidade ($f_{max} - \bar{f}$) mostrou que o GA clássico perde diversidade rapidamente, estabilizando-se perto de zero (homogeneização), o que indica convergência prematura. Em contraste, o HQGA manteve níveis de diversidade significativamente altos e não negligenciáveis mesmo após centenas de avaliações, permitindo a exploração contínua do espaço de busca.
• Robustez: O HQGA evitou ficar preso em ótimos locais com maior eficácia, melhorando até mesmo os indivíduos de pior desempenho ao longo do tempo.

5. Significado e Conclusão

O estudo conclui que as estratégias evolutivas híbridas quântico-clássicas oferecem benefícios tangíveis sobre os métodos puramente clássicos para problemas de otimização combinatória, como a seleção de carteiras.

A principal vantagem do HQGA reside na sua capacidade de evitar a convergência prematura através da exploração intrínseca da superposição e do emaranhamento quântico. Isso resulta em:

1. Maior confiabilidade na busca pelo ótimo global.
2. Redução de custos computacionais (menos avaliações de fitness).
3. Escalabilidade potencial para portfólios maiores, conforme o hardware quântico avança.

O trabalho sugere que, à medida que a tecnologia quântica amadurece, algoritmos como o HQGA podem se tornar ferramentas práticas e superiores para tarefas complexas de otimização financeira, superando as limitações de exploração dos algoritmos genéticos tradicionais.