Option Pricing on Noisy Intermediate-Scale Quantum Computers: A Quantum Neural Network Approach

Este artigo apresenta uma das primeiras implementações de uma abordagem de redes neurais quânticas (QNNs) em hardware quântico real para precificação de opções, demonstrando que, embora o modelo Black-Scholes-Merton seja utilizado como benchmark, a metodologia é viável e precisa em diferentes dispositivos de computação quântica de escala intermediária ruidosa (NISQ), abrindo caminho para aplicações em modelos financeiros mais complexos.

O essencial

Imagine que você é um chef de cozinha tentando prever o preço de um prato muito complexo (uma opção financeira) antes mesmo de ele ser servido. No mundo das finanças, calcular esse preço com precisão é como tentar prever o tempo para a próxima semana: é difícil, cheio de variáveis e qualquer erro pode custar milhões.

Este artigo é como um diário de bordo de uma equipe de cientistas que decidiu testar uma nova ferramenta: em vez de usar computadores normais (os "fornos elétricos" de hoje), eles tentaram cozinhar usando computadores quânticos (que são como "fornos de dimensões paralelas" que ainda estão sendo construídos e são um pouco instáveis).

Aqui está a história simplificada do que eles fizeram:

1. O Desafio: A "Fórmula Mágica" vs. a Realidade

No mundo das finanças, existe uma fórmula famosa chamada Black-Scholes-Merton. Ela é como uma receita de bolo perfeita para calcular o preço de opções simples.

• O problema: Quando as receitas ficam mais complexas (com ingredientes que mudam de sabor durante o cozimento, ou opções que podem ser usadas a qualquer momento), a fórmula mágica quebra. Os computadores normais têm que fazer milhões de cálculos lentos e repetitivos para adivinhar o preço, o que é lento e caro.
• A ideia: E se usássemos a "física quântica" para aprender essa receita de uma vez só, como se fosse um gênio que vê todos os sabores ao mesmo tempo?

2. A Ferramenta: A "Rede Neural Quântica" (QNN)

Os autores criaram um pequeno cérebro digital quântico, chamado finQbit.

• A analogia: Imagine que um computador normal é como um funcionário que lê um livro página por página. Um computador quântico é como um funcionário que, ao abrir o livro, consegue ver todas as páginas ao mesmo tempo e entender a história inteira instantaneamente.
• O truque: Eles criaram uma rede neural (um tipo de inteligência artificial) que vive dentro desse computador quântico. Em vez de usar muitos "cérebros" (qubits), eles usaram apenas 2 qubits (o equivalente a 2 bits quânticos), mas os usaram de forma muito inteligente, comprimindo muita informação neles.

3. O Experimento: Testando em "Cozinhas" Diferentes

Como os computadores quânticos atuais são "barulhentos" (chamados de NISQ - Noisy Intermediate-Scale Quantum), eles têm erros. É como tentar cozinhar em uma cozinha onde o forno oscila a temperatura e a luz pisca.

Para ver se a receita funcionava mesmo assim, eles testaram o finQbit em 4 cozinhas diferentes (computadores reais de empresas como IBM, IonQ, Rigetti e IQM):

• IBM e Rigetti: Usam supercondutores (como geladeiras que precisam de frio extremo).
• IonQ: Usa íons presos (átomos flutuando no ar).
• IQM: Outro tipo de supercondutor europeu.

O que eles descobriram?
Mesmo com as "falhas" e o "barulho" desses computadores, o finQbit conseguiu prever os preços das opções com uma precisão impressionante (cerca de 93% a 97% de acerto, dependendo da máquina).

• A lição: A "física quântica" conseguiu aprender a forma curva e complexa do preço da opção melhor do que os métodos tradicionais de árvores de decisão (como o XGBoost, que é um método clássico muito forte) em certas situações, especialmente onde o preço muda muito rápido.

4. Os Obstáculos: O "Barulho" e a "Estabilidade"

Nem tudo foi perfeito.

• O problema do "Barulho": Em alguns computadores, o preço calculado ficou um pouco mais baixo do que deveria (como se o forno estivesse desligando o fogo um pouco antes da hora). Em outros, ficou um pouco mais alto.
• A solução: Eles criaram um "filtro" (mitigação de erro) para corrigir esses desvios, como um tempero extra para ajustar o sal da sopa.
• O custo: Fazer muitas medições (chamadas de "shots") ajuda a reduzir o erro aleatório, mas custa tempo e dinheiro. Eles descobriram o ponto ideal: nem muito pouco (muito erro), nem muito (custo excessivo).

5. Por que isso importa? (O Grande "E Daí?")

Você pode pensar: "Mas a fórmula Black-Scholes já é simples, por que usar um computador quântico?"
A resposta é: Treino para o futuro.

• Eles usaram a fórmula simples apenas como um campo de treinamento.
• O objetivo real é usar essa mesma tecnologia para resolver problemas muito mais difíceis que os computadores normais não conseguem resolver de jeito nenhum (como opções com centenas de variáveis interconectadas).
• Conclusão: Eles provaram que é possível usar computadores quânticos "imperfeitos" de hoje para fazer trabalho financeiro útil. Não é o fim da linha, mas é o primeiro passo de uma nova era onde a física quântica ajuda a gerenciar o dinheiro do mundo.

Resumo em uma frase:

Os autores mostraram que, mesmo com computadores quânticos atuais sendo um pouco "bagunçados", é possível treinar uma pequena inteligência artificial quântica para calcular preços de ações com tanta precisão que ela supera métodos clássicos, abrindo caminho para resolver problemas financeiros gigantescos no futuro.

Resumo técnico

Resumo Técnico: Precificação de Opções em Computadores Quânticos Intermediários de Escala Ruidosa (NISQ) via Redes Neurais Quânticas

1. O Problema

O mercado global de derivativos, com valores nominais na casa de centenas de trilhões de dólares, exige modelos de precificação extremamente precisos e eficientes para gestão de risco e alocação de capital.

• Desafios Atuais: Métodos numéricos clássicos, como simulações de Monte Carlo e diferenças finitas, tornam-se computacionalmente proibitivos em cenários de alta dimensionalidade (múltiplos ativos, dependência de caminho, opções americanas) devido à "maldição da dimensionalidade".
• Limitação do Hardware Quântico: Embora métodos como o Monte Carlo Quântico (QMC) ofereçam acelerações teóricas, eles exigem hardware quântico mais avançado do que o atualmente disponível.
• Objetivo: Investigar se Redes Neurais Quânticas (QNNs) podem aproximar funções de precificação de opções de forma eficaz em hardware quântico atual (NISQ), utilizando o modelo Black-Scholes-Merton (BSM) como ambiente de benchmark controlado.

2. Metodologia

Os autores desenvolveram uma abordagem totalmente quântica baseada em QNNs, validada em múltiplos processadores quânticos físicos.

• Framework de Dados:

  • Geração de dados sintéticos baseados no modelo BSM para opções de compra europeias.
  • Entradas (Features): 4 parâmetros normalizados: Moneyness ($m = S/K$), Tempo até o Vencimento ($T$), Taxa de Juros Livre de Risco ($r$) e Volatilidade ($\sigma$).
  • Saída: Preço normalizado da opção ($\hat{C} = C/K$).
  • Dataset: 500 amostras para treino e 1001 para teste, cobrindo regimes de mercado variados (Deep OTM a Deep ITM).

• Arquitetura Proposta (finQbit):

  • Para superar as limitações de hardware (ruído e número limitado de qubits), foi proposta uma arquitetura compacta de 2 qubits.
  • Inovações Chave:
    1. Codificação de Alta Densidade: Cada qubit codifica duas características simultaneamente usando eixos de rotação ortogonais ($R_x, R_y$).
    2. Permutação Dinâmica de Recursos (Data Re-uploading): Os pares de características são permutados em cada uma das 3 camadas de re-uploading para capturar correlações interdependentes.
    3. Compressão de Ansatz: O circuito original foi otimizado e comprimido em um bloco unitário único $U(4)$ para reduzir a profundidade do circuito e o acúmulo de erros de coerência.
  • Saída: Valor esperado do operador $\hat{Z}$, com uma função de pós-processamento max(0, ...) para garantir preços não negativos.

• Benchmarking Clássico:

  • Comparação com OLS (Regressão Linear) e XGBoost (Árvores de Decisão Gradientes) para estabelecer uma linha de base de precisão e complexidade.

• Execução Experimental:

  • Testes realizados em simuladores ideais, simuladores com ruído de disparo (shot noise) e, crucialmente, em 4 hardware físicos distintos:
    • IBM Fez (Supercondutor)
    • IQM Garnet (Supercondutor)
    • IonQ Forte (Íons Aprisionados)
    • Rigetti Ankaa-3 (Supercondutor)

3. Contribuições Principais

1. Implementação End-to-End no Hardware Real: Um dos primeiros trabalhos a executar um fluxo completo de precificação de opções usando QNNs como motor principal em hardware quântico disponível comercialmente, sem depender de sub-rotinas clássicas para a inferência.
2. Arquitetura finQbit: Demonstração de que uma rede quântica de apenas 2 qubits com 36 parâmetros treináveis pode superar ou igualar modelos clássicos complexos (como XGBoost com ~400 parâmetros) em precisão, graças à geometria contínua do espaço de Hilbert.
3. Análise Cross-Platform: Estudo comparativo rigoroso de como diferentes tecnologias quânticas (supercondutores vs. íons aprisionados) afetam a precisão da precificação, identificando viéses sistemáticos específicos de cada plataforma.
4. Mitigação de Erros: Aplicação de técnicas de mitigação de erro de leitura (Readout Error Mitigation) e otimização de ansatz para recuperar a fidelidade em dispositivos ruidosos.

4. Resultados

• Desempenho em Simulação Ideal: O modelo finQbit alcançou um $R^2 \approx 0.979$, superando ligeiramente o XGBoost ($R^2 \approx 0.978$) e demonstrando capacidade superior em capturar a convexidade na região "At The Money" (ATM), onde o erro do XGBoost aumentou significativamente.
• Desempenho em Hardware Físico:
  • IBM Fez: Foi a plataforma mais precisa, atingindo $R^2 > 0.92$ após compressão do circuito e otimização. Demonstrou que arquiteturas supercondutoras rápidas podem aproximar simulações ideais para modelos de baixa dimensionalidade.
  • IonQ Forte: Mostrou alta estabilidade temporal, mas com um viés sistemático de superestimação (upward bias). Diferente dos supercondutores, não sofreu colapso para zero em opções OTM (Out-of-the-Money).
  • Rigetti e IQM: Apresentaram viéses negativos em regiões ITM (In-the-Money) e maior variabilidade, mas mantiveram $R^2 > 0.64$ em todos os hardwares testados.
• Eficiência de Recursos: O modelo quântico alcançou alta precisão com apenas 36 parâmetros, uma redução de ordem de magnitude em comparação com os ~400 parâmetros do XGBoost otimizado.
• Análise de Ruído: Identificou-se que aumentar o número de "shots" (disparos) além de um certo limiar (ex: 2000-5000) pode não melhorar a precisão se o erro for dominado por deriva de calibração do hardware (viés sistemático) em vez de ruído estatístico.

5. Significado e Conclusão

O artigo estabelece que as Redes Neurais Quânticas são um framework viável para precificação de derivativos, mesmo na era NISQ.

• Validação Prática: A geometria contínua do espaço de Hilbert oferece um viés indutivo superior para aproximar superfícies de precificação suaves (como a de Black-Scholes) em comparação com aproximações por partes constantes de modelos baseados em árvores.
• Escalabilidade Futura: Embora o estudo use o modelo BSM (simples), a metodologia prova o conceito para ser estendida a modelos mais complexos e computacionalmente custosos, como volatilidade estocástica (Heston), volatilidade local e derivativos exóticos com dependência de caminho, onde os métodos clássicos enfrentam gargalos de escalabilidade.
• Perspectiva: O trabalho não visa substituir métodos clássicos para instrumentos padrão hoje, mas sim demonstrar que a infraestrutura para precificação quântica aprimorada já está tomando forma, oferecendo uma rota promissora para resolver problemas financeiros de alta dimensionalidade no futuro.