← Últimos artigos
⚛️ física quântica

Insurance portfolio simulation with a quantum circuit

Este artigo propõe uma abordagem de Máquina de Born de Circuito Quântico (QCBM) para a simulação de carteiras de seguros que utiliza discretização focada na cauda, um objetivo do tipo Monte Carlo e um esquema de treinamento hierárquico de dois estágios para modelar eficazmente distribuições de perdas conjuntas complexas e capturar com precisão riscos de cauda em hardware quântico.

Autor original: William Cashman, Marco Caselli, Saad Hamid, Daniel Mills, Pavel Stishenko

Publicado 2026-11-20
📖 7 min de leitura🧠 Leitura aprofundada

Autor original: William Cashman, Marco Caselli, Saad Hamid, Daniel Mills, Pavel Stishenko

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 pelo autor. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

As seguradoras operam sob uma premissa simples: elas coletam pagamentos pequenos e constantes de muitas pessoas para cobrir os eventos raros e catastróficos que podem atingir alguns. Para manterem-se solventes, essas empresas devem entender como diferentes riscos se comportam em conjunto. Se um furacão atinge uma região, ele pode danificar casas e carros simultaneamente, causando um aumento súbito nas reivindicações. Ao mesmo tempo, a mesma tempestade pode depreciar o valor das ações e títulos que a seguradora detém como investimentos. Esse golpe duplo pode ameaçar a estabilidade da empresa. Para se preparar, os atuários — especialistas que calculam o risco — tentam construir modelos matemáticos que descrevam como essas diferentes perdas e valores de ativos se movem em relação uns aos outros. O desafio é que os dados do mundo real são desordenados. Eventos extremos são raros, o que significa que há pouquíssimos dados para estudar, embora estes sejam os momentos que mais importam. Os métodos tradicionais frequentemente têm dificuldade em capturar esses cenários de alto risco e baixa frequência, especialmente quando os dados são limitados.

Uma equipe de pesquisadores explorou agora um caminho diferente, utilizando um computador quântico para modelar essas relações complexas. Eles focaram em um tipo específico de problema: ajustar uma distribuição conjunta a uma mistura de perdas de seguros e retornos do mercado de ações. Neste contexto, uma distribuição conjunta é simplesmente um mapa que mostra a probabilidade de diferentes variáveis assumirem valores específicos ao mesmo tempo. Os pesquisadores queriam ver se um circuito quântico — um programa rodando em um processador quântico — poderia aprender esse mapa de forma mais eficaz do que os métodos padrão, particularmente nas "caudas" dos dados, que representam os resultados mais extremos e perigosos. O trabalho deles sugere que, ao combinar uma maneira inteligente de organizar os dados com um método de treinamento especializado, as máquinas quânticas podem, de fato, aprender esses padrões intrincados, mesmo quando os dados são escassos.

Os pesquisadores começaram com um conjunto de dados contendo registros semanais de perdas do mercado de ações e três tipos diferentes de sinistros de seguros. Eles sabiam que as formas padrão de alimentar um computador com esses dados falhariam em capturar os piores cenários. Se você dividir um intervalo de números em baldes de tamanhos iguais, os baldes que cobrem as extremidades serão tão largos quanto os do meio. Isso significa que o computador tem muito pouco espaço para distinguir entre uma perda moderadamente ruim e uma verdadeiramente catastrófica. Para resolver isso, a equipe projetou um sistema que concentrou mais detalhes nas extremidades extremas. Eles atribuíram a primeira metade de todas as observações ao primeiro balde, o próximo quarto ao segundo, o próximo oitavo ao terceiro, e assim por diante. Essa abordagem exponencial significou que o balde final, que continha as perdas mais extremas, era incrivelmente estreito, permitindo que o modelo visse os detalhes finos dos eventos mais graves.

Uma vez organizados os dados, a equipe enfrentou outro obstáculo: como ensinar o computador quântico a reconhecer os padrões. Normalmente, um modelo de aprendizado de máquina é treinado comparando suas previsões com os dados reais e ajustando suas configurações para reduzir a diferença. No entanto, com tão poucos pontos de dados e tantos resultados possíveis, a forma padrão de medir essa diferença torna-se não confiável e ruidosa. Os pesquisadores desenvolveram um novo método para suavizar esse ruído. Em vez de tentar comparar cada balde de dados de uma só vez, eles agruparam aleatoriamente os baldes em grupos maiores e mais grosseiros e compararam esses grupos. Ao repetir esse agrupamento aleatório muitas vezes e tirar a média dos resultados, eles criaram um sinal estável que dizia ao computador em qual direção mover suas configurações para melhorar. Isso permitiu que o treinamento procedesse suavemente, mesmo com dados limitados.

O próprio processo de treinamento foi construído em duas etapas para garantir que o computador aprendesse de forma eficiente. Primeiro, a equipe treinou uma versão menor do modelo em um simulador de computador clássico. Este modelo menor utilizava menos "qubits", as unidades básicas de informação de um computador quântico. Assim que este modelo menor aprendeu a forma geral da distribuição de risco, os pesquisadores transferiram seu conhecimento para um modelo maior e mais detalhado. Eles então realizaram o ajuste fino apenas das novas partes do modelo maior em um hardware quântico real. Essa abordagem, conhecida como aprendizado hierárquico, funcionou como um "aquecimento inicial", dando à máquina complexa uma vantagem inicial em vez de forçá-la a aprender do zero. O hardware utilizado foi um computador quântico de íons aprisionados, que utiliza átomos individuais mantidos no lugar por campos eletromagnéticos para realizar cálculos.

Os resultados mostraram que essa abordagem funcionou. O modelo quântico conseguiu aprender as relações entre os diferentes tipos de riscos. Ele identificou corretamente que as diferentes linhas de seguros tendiam a se mover juntas durante períodos ruins, enquanto os retornos do mercado de ações permaneciam amplamente independentes das perdas de seguros. Quando a equipe analisou a perda potencial total do portfólio, o modelo treinado com a codificação exponencial foi capaz de alcançar os valores extremos vistos nos dados reais. Em contraste, um modelo usando o método uniforme padrão não conseguiu produzir valores altos o suficiente para corresponder às piores perdas observadas; ele simplesmente atingiu um teto muito abaixo da realidade. O modelo exponencial, no entanto, pôde representar perdas centenas de vezes maiores que a mediana, capturando o verdadeiro perigo da cauda.

Houve, certamente, limitações. O modelo treinado no hardware quântico não teve um desempenho tão bom quanto o simulado em um computador clássico. Os pesquisadores descobriram que essa lacuna não se devia primordialmente a erros na própria máquina quântica, mas sim ao fato de que podiam rodar a máquina um número limitado de vezes para coletar dados. O computador quântico precisa ser executado muitas vezes para construir uma imagem clara das probabilidades e, com a tecnologia atual, eles não puderam executá-lo o suficiente para igualar a precisão da simulação. No entanto, o experimento provou que o método é viável. O esquema de treinamento hierárquico superou significativamente o início do zero, reduzindo o erro no modelo final em mais da metade em comparação com tentativas aleatórias.

O estudo conclui que circuitos quânticos podem ser adaptados para lidar com os dados de cauda pesada e esparsos típicos de carteiras de seguros, mas apenas se todo o processo for desenhado com esses desafios específicos em mente. Métodos padrão desenvolvidos para distribuições de dados mais suaves e comuns não funcionam diretamente. O sucesso deste projeto dependeu de três inovações principais: uma forma de codificar os dados que foca nos extremos, um objetivo de treinamento que permanece estável com poucas amostras e um processo de aprendizado de duas etapas que constrói a complexidade gradualmente. Embora os pesquisadores não tenham alegado ter resolvido inteiramente o problema da modelagem de risco, eles demonstraram um pipeline funcional que vai dos dados a um modelo de risco gerado por computação quântica. Eles observaram que, para que isso se torne uma ferramenta prática para a indústria, trabalhos futuros precisarão abordar o número de vezes que o hardware deve ser executado e testar o método em carteiras ainda maiores. Por enquanto, o trabalho serve como uma prova de que as máquinas quânticas podem começar a mapear a forma de eventos financeiros raros e perigosos.

Afogado em artigos na sua área?

Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.

Experimentar Digest →