Quantum Weighted Moving Average for Predicting Limit Order Book Trends

No movimentado mundo do trading de alta frequência, onde fortunas são feitas e perdidas num piscar de olhos, o mercado fala uma linguagem de ordens. Antes de o preço de uma ação se mover, ele sussurra através de um livro de registros digitais conhecido como livro de ordens limitadas (limit order book). Este registro é um registro em constante mudança de cada comprador e vendedor à espera para negociar, listando seus preços desejados e o número de ações que desejam. É uma série temporal multivariada, um fluxo complexo de pontos de dados que evoluem ao longo de milissegundos, capturando a tensão entre a oferta e a demanda. Durante décadas, traders humanos e computadores clássicos tentaram encontrar padrões neste ruído, usando ferramentas matemáticas para suavizar o caos e prever se o preço irá subir, cair ou permanecer estável. Uma dessas ferramentas é a média móvel, um método simples que observa o histórico de preços para adivinhar o futuro, tratando os dados recentes como um guia para o que vem a seguir.

Agora, uma equipe de pesquisadores está fazendo uma pergunta ousada: será que as regras estranhas e contraintuitivas da mecânica quântica podem nos ajudar a ler este livro de registros melhor? Computadores quânticos, que utilizam as propriedades de partículas subatômicas para processar informações, mostraram promessa em campos como química e criptografia, mas sua aplicação aos mercados financeiros permanece amplamente não testada. O desafio não é apenas sobre velocidade bruta; trata-se de encontrar uma maneira de traduzir os dados desordenados do mundo real dos mercados de ações para um formato que uma máquina quântica possa entender e aprender. Se bem-sucedida, isso poderá abrir uma nova porta para a previsão financeira, oferecendo potencialmente uma nova lente através da qual visualizar a intrincada dança do capital global.

Os pesquisadores, trabalhando a partir de centros em Singapura e Zurique, propuseram-se a construir um modelo quântico especificamente projetado para prever tendências nestes livros de ordens. Eles não tentaram simplesmente forçar um computador quântico a fazer o que um clássico já faz; em vez disso, projetaram uma nova arquitetura chamada Média Móvel Ponderada Quântica (Quantum Weighted Moving Average). Para entender como isso funciona, imagine o computador quântico como uma máquina que pode conter muitas possibilidades ao mesmo tempo. Os pesquisadores primeiro pegaram os dados brutos do livro de ordens — preços e volumes dos dez níveis superiores do mercado — e os limparam usando uma técnica chamada normalização bilinear. Esta etapa é crucial; ela escala os dados para que a máquina quântica possa processá-los sem ser confundida pelo tamanho absoluto dos números, tal como ajustar o contraste de uma fotografia para tornar os detalhes visíveis.

Uma vez preparados os dados, a equipe os inseriu no circuito quântico. O núcleo de seu método envolve uma técnica conhecida como combinação linear de unitárias. Em termos simples, isso significa que o computador quântico pega a informação de diferentes momentos no tempo e os mistura de uma forma específica. Cada momento do passado é tratado como uma peça distinta de um quebra-cabeça, e a máquina quântica atribui um peso a cada peça, decidindo quanta importância dar ao passado versus ao presente. Os pesquisadores permitiram que o modelo aprendesse esses pesos automaticamente, deixando a máquina descobrir quais momentos na história da ação foram mais preditivos para o futuro. Eles também criaram versões mais simples deste modelo, incluindo uma que imita uma média móvel exponencial padrão, uma ferramenta financeira comum que dá mais peso aos eventos recentes e menos aos mais antigos.

Para testar sua criação, a equipe utilizou dois conjuntos de dados do mundo real. O primeiro foi uma coleção bem conhecida de dados de cinco ações finlandesas, contendo milhões de eventos de negociação registrados ao longo de dez dias. O segundo foi um conjunto de dados de ações chinesas. Eles executaram seus modelos quânticos através de milhares de simulações, comparando seu desempenho contra os melhores modelos de aprendizado de máquina clássicos atualmente disponíveis. Os resultados foram surpreendentes em seu equilíbrio. Os modelos quânticos não superaram os modelos clássicos; de fato, eles não mostraram uma "vantagem quântica" clara que os tornasse mais rápidos ou poderosos do que a tecnologia existente. No entanto, eles tiveram um desempenho notável, igualando a precisão dos melhores modelos clássicos em muitos cenários. Isso sugere que a abordagem quântica é viável e capaz de capturar os padrões essenciais nos dados, mesmo sem um aumento massivo de velocidade.

O estudo revelou algumas nuances importantes sobre como esses modelos aprendem. Os pesquisadores descobriram que a forma como os dados eram normalizados era muito mais importante do que a complexidade do próprio circuito quântico. Quando utilizaram a técnica de normalização correta, os modelos quânticos prosperaram. Eles também descobriram que a máquina quântica era particularmente boa em focar nas partes mais preditivas da série temporal. Nas versões mais simples do modelo, onde os pesos eram fixos para seguir um decaimento exponencial — significando que a máquina era instruída a prestar mais atenção aos dados mais recentes — ela teve um desempenho quase tão bom quanto a versão mais complexa, que tinha que aprender os pesos do zero. Isso implica que, para previsões de curto prazo, o histórico mais recente é frequentemente o mais valioso, e uma abordagem estruturada para ponderar esses dados pode ser tão eficaz quanto uma totalmente aprendida.

Apesar desses sucessos, os pesquisadores foram cuidadosos em moderar as expectativas. Eles afirmaram explicitamente que seu trabalho não prova que os computadores quânticos sejam atualmente superiores aos clássicos para esta tarefa. Os experimentos foram realizados em simuladores, não em hardware quântico real, que ainda está em seus estágios iniciais e ruidosos. Os modelos que construíram exigem um processo chamado pós-seleção, onde o computador tem que descartar muitas tentativas para obter a resposta correta, um passo que seria muito lento em máquinas físicas atuais. Além disso, os conjuntos de dados que utilizaram têm limitações; a forma como os dados foram amostrados e rotulados pode introduzir vieses que afetam o quão bem os modelos se generalizam para o mundo real. Os pesquisadores observaram que os conjuntos de dados frequentemente carecem da granularidade necessária para testar plenamente o potencial dos algoritmos quânticos, e que a geração atual de hardware ainda não é poderosa o suficiente para lidar com os fluxos de dados massivos e detalhados de um mercado ao vivo.

O artigo conclui que, embora o sonho de um computador quântico revolucionando o trading de ações ainda não seja uma realidade, o caminho a seguir está mais claro. O modelo de média móvel ponderada quântica serve como um degrau, provando que os métodos quânticos podem ser adaptados para lidar com as complexas séries temporais multivariadas dos mercados financeiros. Mostra que, com o pré-processamento correto e um design ponderado, as máquinas quânticas podem aprender a ler os sussurros do mercado tão bem quanto os computadores clássicos. Os próximos passos, sugerem os autores, envolvem testar estes modelos em hardware quântico real e refinar a preparação de dados para melhor se adequar às restrições únicas destas novas máquinas. Por enquanto, o trabalho permanece como uma demonstração sólida de que a computação quântica não é apenas uma curiosidade teórica para as finanças, mas uma ferramenta prática que está começando a encontrar seu lugar no mundo barulhento e de alto risco do trading.