Quantum-Informed Portfolio Selection: An End-to-End Pipeline Validated on Trapped-Ion Hardware with Real Market Data

Resumo Técnico: Seleção de Portfólio Informada por Quantum via qReduMIS em Hardware de Íons Aprisionados

Formulação do Problema
O artigo aborda o Problema de Seleção de Portfólio (PSP), uma tarefa fundamental na gestão de investimentos que visa construir uma cesta diversificada de ativos para equilibrar risco e retorno. Os autores formalizam o PSP como um problema de Conjunto Independente Máximo (MIS) em um grafo de correlação de ativos. Nesta formulação:

• Nós representam ativos financeiros.
• Arestas conectam pares de ativos se a sua correlação absoluta exceder um limiar específico $\lambda$.
• O objetivo é encontrar o maior subconjunto de nós (ativos) tal que nenhum par de nós esteja conectado, garantindo que o portfólio selecionado contenha ativos mutuamente não correlacionados.

Os autores destacam que os grafos de mercados financeiros diferem significativamente dos benchmarks de otimização combinatória padrão. Eles são densos, não locais e exibem distribuições de grau heterogêneas, ao contrário dos grafos esparsos, regulares ou com restrições geométricas (ex: grafos de disco unitário) tipicamente estudados na literatura de otimização quântica. Essas propriedades estruturais impõem desafios tanto para algoritmos clássicos exatos quanto para as atuais abordagens quânticas, particularmente no que diz respeito à escalabilidade e à supressão da probabilidade de sucesso conforme a dificuldade do problema aumenta.

Metodologia: O Pipeline qReduMIS
A principal contribuição é um pipeline híbrido quântico-clássico de ponta a ponta aproveitando o algoritmo qReduMIS, adaptado aqui para hardware quântico baseado em portas (gate-based). Em vez de usar o processador quântico para produzir diretamente a solução ótima final, o pipeline utiliza medições quânticas para identificar "nós congelados" (frozen nodes) — vértices com uma alta probabilidade marginal de pertencerem (ou não pertencerem) ao MIS ótimo.

O pipeline opera recursivamente através das seguintes etapas:

1. Redução Clássica: O grafo de mercado de entrada passa por técnicas de redução clássica exata (especificamente, a remoção de "nós de canto expostos" ou vértices simpliciais). Isso reduz o grafo a um "kernel" menor, mantendo conjuntos de nós selecionados e removidos.
2. Sub-rotina Quântica (QAOA): O kernel reduzido é mapeado para um circuito de Algoritmo de Otimização Aproximada Quântica (QAOA). O circuito é executado em um processador de íons aprisionados (Quantinuum Helios).
3. Identificação de Nós Congelados: Em vez de buscar a bitstring ótima diretamente, o algoritmo analisa a distribuição de probabilidade marginal dos nós das medições do QAOA. Nós com alta probabilidade marginal (no conjunto) ou baixa probabilidade marginal (fora do conjunto) são identificados como "congelados".
4. Desbloqueio Recursivo: Um nó congelado é selecionado (usando uma estratégia semi-gananciosa baseada nos marginais de topo), fixado na solução e removido do grafo junto com seus vizinhos. Isso "desbloqueia" o grafo, permitindo que a etapa de redução clássica prossiga mais adiante na próxima iteração.
5. Terminação: O processo se repete até que o kernel seja totalmente redutível ou um critério de parada seja atingido, gerando um portfólio diversificado final.

Principais Contribuições
O artigo apresenta três contribuições primárias:

1. Demonstração de Ponta a Ponta em Hardware: Os autores implementaram o pipeline completo no sistema de íons aprisionados de 98 qubits da Quantinuum, o Helios, utilizando dados reais de mercado de quatro índices principais (DAX, FTSE, S&P 100, Nikkei 225) com até 225 ativos. Isso representa uma das maiores demonstrações de QAOA baseado em portas em instâncias de mundo real até o momento.
2. Extensão Algorítmica para Dispositivos Baseados em Portas: O trabalho estende o framework qReduMIS, anteriormente demonstrado em hardware de recozimento quântico (quantum annealing), para o QAOA baseado em portas. Esta adaptação é crítica porque os grafos de mercado possuem conectividade não local que excede as capacidades de embedding nativas de muitos annealers quânticos, mas é naturalmente adequada à conectividade all-to-all dos processadores de íons aprisionados.
3. Benchmarking Rigoroso: O estudo fornece uma comparação sistemática entre o QAOA isolado e o qReduMIS (impulsionado pelo QAOA) através de múltiplas figuras de mérito, incluindo probabilidade de sucesso, razão de aproximação e escalonamento do tempo ideal para solução (optTTS).

Resultados Experimentais
Os experimentos utilizaram circuitos QAOA com $p=2$ camadas atuando em kernels de até 78 qubits (para a instância do Nikkei 225, onde o grafo completo exigiria 225 qubits, excedendo o limite do hardware).

• Probabilidade de Sucesso: O QAOA isolado falhou em encontrar a solução ótima para os dois maiores índices (S&P 100 e Nikkei 225), alcançando uma probabilidade de sucesso ($P_{MIS}$) de 0. Em contraste, o qReduMIS alcançou probabilidades de sucesso de 0,40 e 0,95, respectivamente, para esses índices.
• Razão de Aproximação: Em todos os quatro índices, o qReduMIS manteve uma razão de aproximação média $\ge 0,96$, enquanto o QAOA isolado variou entre 0,73 e 0,83.
• Comportamento de Escalonamento: Em um emulador ruidoso do dispositivo Quantinuum H2-1, os autores analisaram o escalonamento do tempo ideal para solução (optTTS) contra o tamanho do problema. Para $p=2$, o expoente de escalonamento para o qReduMIS foi encontrado como sendo 3,2 vezes menor que o do QAOA isolado ($\beta_{qReduMIS} = 0,164$ vs. $\beta_{QAOA} = 0,524$).
• Sinal de Nó Congelado: A análise do kernel do DAX 100 mostrou que, mesmo quando a probabilidade de amostrar a solução ótima diretamente era baixa (<10%), aproximadamente 96% da massa de probabilidade marginal estava concentrada nos nós congelados da verdade fundamental (ground-truth). Isso confirma que o hardware quântico fornece sinal suficiente para guiar a redução clássica mesmo sem produzir diretamente a solução ótima.

Significância e Alegações
O artigo postula que a principal significância deste trabalho reside na demonstração de um uso fundamentalmente diferente de recursos quânticos: alavancar medições quânticas para identificar propriedades estruturais (nós congelados) que facilitam reduções clássicas, em vez de esperar que o processador quântico resolva todo o problema de otimização diretamente.

Os autores alegam que este paradigma de "reduzir e amostrar" permite que o pipeline:

• Resolva instâncias que excedem o orçamento de qubits do hardware atual (ex: o Nikkei 225 de 225 ativos em um dispositivo de 98 qubits) operando em kernels reduzidos.
• Supere o QAOA isolado em instâncias que podem ser codificadas, melhorando significativamente as taxas de sucesso e a qualidade da solução.
• Forneça um caminho escalável, uma vez que o framework se beneficia do aumento da profundidade do circuito (demonstrado pela melhoria de desempenho em $p=6$) e de melhorias na fidelidade do hardware.

Os autores mantêm-se modestos em relação à comparação com solvers clássicos, observando que, para os tamanhos de problema atuais acessíveis ao hardware quântico, meta-heurísticas clássicas como o Simulated Annealing (SA) resolvem a maioria das instâncias trivialmente. Portanto, a validação primária é uma comparação quântico-contra-quântico, estabelecendo que a abordagem híbrida extrai significativamente mais utilidade de recursos quânticos limitados do que a otimização quântica padrão sozinha. O trabalho sugere que, à medida que o hardware amadurece para lidar com instâncias maiores e mais difíceis onde as heurísticas clássicas lutam, o escalonamento favorável do qReduMIS pode se traduzir em uma vantagem prática.