Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Anais Estendidos do Simpósio Brasileiro de Sistemas de Informação (SBSI)

Aplicação de Aprendizado de Máquina Quântico na Otimização de Portfólios

Nafis Francisco Peres Melo, Regina Melo Silveira

Published May 12, 2026• 0 citations
Publisher

Abstract

Com a crescente diversidade de ativos financeiros disponíveis no mercado, torna-se fundamental o desenvolvimento de modelos que auxiliem os gestores na alocação eficiente de recursos. Embora abordagens clássicas ainda sejam amplamente utilizadas, esses métodos dependem de pressupostos teóricos que nem sempre são verificados na prática. Este trabalho propõe uma abordagem empírica, baseada em redes neurais quânticas. Recentemente, as redes neurais quânticas apresentam-se como ferramentas promissoras para lidar com grandes volumes de dados e modelos complexos. A análise preliminar revelou que o modelo proposto apresentou desempenho competitivo, oferecendo uma abordagem mais geral e adaptativa para a gestão de investimentos.

DOI
10.5753/sbsi_estendido.2026.249016

Related papers

Otimização de Portfólios em Mercados Financeiros utilizando Computação Quântica: Um Estudo Experimental

Cláudio Filipe Prata Gomes

A computação quântica está prestes a mudar o mundo tal como o conhecemos. Através da exploração das propriedades da teoria quântica para fins computacionais, é esperada uma redução substancial na quantidade de problemas que hoje são considerados intratáveis. Isto significa que os computadores quânticos têm a capacidade de devolver soluções para alguns problemas de interesse prático para os quais um computador clássico não consegue devolver, pelo menos em tempo útil. Isto é ainda mais revolucionário e notável pelo facto de que esses problemas abrangem domínios multidisciplinares como Química, Medicina e, mais relevante no contexto desta dissertação, Finanças.Neste trabalho, vamos focar-nos na utilização da computação quântica para abordar um problema relevante e atual no domínio financeiro. Mais especificamente, um problema de otimização combinatorial, o problema de otimização de portfólios, que consiste em selecionar o melhor portfólio financeiro (combinação de ativos) entre um conjunto de todos os portfólios possíveis, de acordo com uma certa função objetivo, comummente de forma a maximizar o retorno esperado ou minimizar o risco. Devido ao grande número de parâmetros, como o retorno esperado por ativo e as condições de mercado, este problema atinge uma complexidade exponencial e é um problema NP-hard, intratável no contexto da computação clássica.Nós desenvolvemos um estudo empírico acerca da influência dos parâmetros nas soluções devolvidas por um computador quântico para o problema de otimização de portfólios. Em particular, utilizamos um computador quântico da D-Wave e variamos os parâmetros relacionados não só com o computador quântico, mas também com o problema de otimização de portfólios. Acreditamos que as conclusões do estudo são contribuições úteis para qualquer investigador que deseje utilizar computadores quânticos adiabáticos no contexto do problema de otimização de portfólios e também noutros domínios de aplicação.As nossas descobertas sugerem que os parâmetros têm efeito nos resultados, quer sejam relacionados com o problema de otimização de portfólios ou com o computador quântico. Além disso, também descobrimos que alguns dos parâmetros têm um grande impacto, tal como o chain strength, que define a força com a qual os qubits que representam uma variável estão correlacionados, e que outros não têm nenhum efeito estatisticamente significativo, tais como o anneal schedule ou o embedding.

•Jul 15, 2021•0 citations

Introdução ao aprendizado de máquina quântico, suas aplicações e vantagens

Naomy Duarte Gomes, Togni Togni, Bruno Aparecido Cazotti Ramalho +2 more

Neste artigo, abordamos o campo emergente do aprendizado de máquina quântico (AMQ) e suas aplicações inovadoras. Exploramos uma visão geral das bases da mecânica quântica relevantes para o aprendizado de máquina, destacando como os princípios quânticos podem ser utilizados para processar informações de maneira mais eficiente em comparação às abordagens clássicas. Discutimos o passo a passo de um exemplo de algoritmo quântico utilizando Qiskit, comparando-o com seu análogo clássico. Abordamos as vantagens do AMQ, incluindo o potencial de aceleração em problemas de grande escala e a capacidade de lidar com dados altamente dimensionais. Por fim, são discutidos os desafios atuais e as perspectivas futuras do campo, enfatizando seu papel na transformação de diversos setores tecnológicos. Este artigo serve como uma introdução abrangente para aqueles interessados em explorar a interseção entre aprendizado de máquina e mecânica quântica, destacando as promissoras oportunidades que essa combinação oferece.

Revista Brasileira de Ensino de Física•Jan 1, 2024•1 citation

Desenvolvimento de redes neurais artificiais quânticas com aplicações em química

Vitor D. Viterbo

A Química necessita de computadores velozes para o processamento de uma grande quantidade de informações e dados complexos. A simulação de sistemas líquidos, a interação entre átomos e moléculas e a identificação de moléculas necessitam de computadores mais eficientes para a solução desses problemas. Esta tese descreve a pesquisa, modelagem e desenvolvimento de uma rede neural artificial usando os conceitos da Computação Quântica para trabalhar como uma rede neural quântica. Esta tese também implementa o estudo de um algoritmo quântico de procura e o estudo dos estados ligados que os dímeros do gás hélio, HeNe, HeAr, HeKr e HeXe podem suportar.Três abordagens foram seguidas: a) o método da fase variável, para gerar dados. b) redes neurais clássicas, usando os dados gerados anteriormente. c) redes neurais quânticas. O foco é a validação e testes do conceito das redes neurais quânticas, com base na informação obtida das redes neurais artificiais clássicas, acopladas a um algoritmo quântico. Uma rede neural quântica foi modelada para aprender o comportamento de um sistema químico estudado anteriormente. O conceito da Computação Quântica e do computador quântico mostra a evolução complexa da computação clássica bem como uma mudança de conceito em termos de circuitos (hardware) e algoritmos (software).

•Apr 7, 2014•0 citations

Classificadores quânticos baseados em distância para dispositivos NISQ

Nicolas Melo de OLIVEIRA

A aprendizagem de máquina quântica é um campo em rápido crescimento e tem surgido como uma alternativa à aprendizagem de máquina clássica para impulsionar a busca por soluções eficientes para certos problemas. Além disso, o avanço da tecnologia em Computação Quân- tica trouxe possibilidades para a execução de algoritmos em dispositivos quânticos reais. Aqui, centramos nossa pesquisa no estudo de uma das tarefas mais comuns dentro da aprendizagem de máquina, a classificação supervisionada. Nos nossos estudos, limitamos a temática para os classificadores quânticos baseados em distância, visando a execução dos mesmos em disposi- tivos quânticos ruidosos de escala intermediária (Noisy Intermediate-Scale Quantum (NISQ)). Embora algoritmos quânticos anteriores para classificação baseada em distância tenham se mostrado promissores, muitos deles não são adequados com os dispositivos NISQ e não con- seguem lidar com problemas envolvendo múltiplas classes. O Hadamard Classifier (HC) é um modelo quântico de aprendizagem de máquina baseado em distância para reconhecimento de padrões. A partir dele, desenvolvemos dois classificadores quânticos baseados em distância para execução em dispositivos NISQ: o primeiro deles, Quantum One-Class Classifier (QOCC), é um modelo de classificação elementar. Nosso objetivo com o QOCC é oferecer um classi- ficador que consuma menos recursos computacionais quânticos, estando menos propenso aos erros provenientes de ruídos, ao mesmo tempo em que possui desempenho competitivo quando comparado a análogos clássicos. Os resultados obtidos nos experimentos com o QOCC foram promissores e confirmaram um desempenho equiparável tanto contra classificadores clássicos quanto contra o HC, mesmo usando menos qubits (bits quânticos) e menos operações quânti- cas. Em seguida, focamos nossos esforços em utilizar o QOCC como base para um classificador multiclasse. Nossa motivação para isso consistiu na carência desse tipo de classificador na li- teratura da aprendizagem de máquina quântica e na impossibilidade atual de executar, em dispositivos NISQ, algumas rotinas presentes nos classificadores multiclasse existentes. Propo- mos o quantum Variational Distance-based Centroid Classifier (qVDCC), que faz uso da teoria dos circuitos quânticos variacionais para, em um esquema híbrido de computação quântica- clássica, realizar a classificação de bases de dados multiclasse. Essa abordagem nos permitiu utilizar o maquinário bem-estabelecido da aprendizagem de máquina clássica para encontrar e otimizar centroides artificiais para as bases de dados que minimizassem suas distâncias para os demais dados da respectiva classe. Simulamos o funcionamento do qVDCC em dois ambientes distintos: primeiramente em uma simulação ideal (livre de erros); em seguida, em um uma simulação ruidosa que mimetiza um dispositivo NISQ. Mais uma vez, nossos resultados se mostraram promissores e competitivos em relação aos classificadores clássicos.

•Aug 6, 2024•0 citations

Alocação ótima de portfólios: uma abordagem quântica para o mercado acionário brasileiro

Pedro Luiz Siviero Lucacin

Este estudo investiga a eficácia dos algoritmos quânticos Variational Quantum Eigensolver (VQE) e Quantum Approximate Optimization Algorithm (QAOA) no contexto de otimização de portfólios, comparando-os em termos de Sharpe Ratio com a solução do modelo clássico de média-variância e o índice amplo de mercado (IBOVESPA). A pesquisa realiza o backtesting das estratégias utilizando dados mensais do mercado acionário brasileiro, abordando o período de 2007 a 2023, e inclui análises tanto em computadores quânticos reais, quanto em simuladores. O estudo revela que os algoritmos quânticos se mostram competitivos, superando o modelo de média-variância, em termos de Sharpe Ratio, com significância estatística e apresentando menor índice de perdas. Esses resultados indicam que a computação quântica pode contribuir com soluções inovadoras e eficientes no campo das finanças, e abre novas perspectivas para pesquisas futuras sobre a aplicação da computação quântica em gestão de investimentos. O estudo também aborda os desafios atuais da computação quântica, como a baixa oferta de dispositivos, elevado tempo de espera em filas e backends com número reduzido de QUBITS.

•Jan 1, 2024•0 citations

Resolução de Problemas de Seleção de Características com Algoritmos Quânticos em Dados Financeiros Reais

Lucas Queiroz Galvão, Otto Menegasso Pires, Yan Alef Chagas +2 more

O setor financeiro enfrenta desafios significativos ao lidar com conjuntos de dados de alta dimensionalidade e um número limitado de amostras, dificultando a construção de modelos preditivos robustos. Técnicas tradicionais de aprendizado de máquina ajudam a mitigar esses problemas, mas a presença de características irrelevantes e redundantes aumenta a complexidade computacional. Este artigo apresenta a aplicação de algoritmos quânticos na seleção de características usando dados reais do setor financeiro, demonstrando que esses algoritmos podem melhorar a eficiência e a precisão dos modelos preditivos. A abordagem envolve a formulação do problema em termos de Otimização Binária Quadrática Irrestrita (QUBO), e sua solução é implementada em simuladores de um annealer quântico. Os experimentos mostram resultados promissores, que são analisados adotando-se a métrica do Critério de Informação de Akaike. Os resultados sugerem que os algoritmos quânticos variacionais têm grande potencial de aplicação se comparados a técnicas tradicionais de seleção de características.

VETOR - Revista de Ciências Exatas e Engenharias•Dec 18, 2024•1 citation
Com a crescente diversidade de ativos financeiros disponíveis no mercado, torna-se fundamental o desenvolvimento de modelos que auxiliem os gestores na alocação eficiente de recursos. Embora abordagens clássicas ainda sejam amplamente utilizadas, esses métodos dependem de pressupostos teóricos que nem sempre são verificados na prática. Este trabalho propõe uma abordagem empírica, baseada em redes neurais quânticas. Recentemente, as redes neurais quânticas apresentam-se como ferramentas promissoras para lidar com grandes volumes de dados e modelos complexos. A análise preliminar revelou que o modelo proposto apresentou desempenho competitivo, oferecendo uma abordagem mais geral e adaptativa para a gestão de investimentos.
A computação quântica está prestes a mudar o mundo tal como o conhecemos. Através da exploração das propriedades da teoria quântica para fins computacionais, é esperada uma redução substancial na quantidade de problemas que hoje são considerados intratáveis. Isto significa que os computadores quânticos têm a capacidade de devolver soluções para alguns problemas de interesse prático para os quais um computador clássico não consegue devolver, pelo menos em tempo útil. Isto é ainda mais revolucionário e notável pelo facto de que esses problemas abrangem domínios multidisciplinares como Química, Medicina e, mais relevante no contexto desta dissertação, Finanças.Neste trabalho, vamos focar-nos na utilização da computação quântica para abordar um problema relevante e atual no domínio financeiro. Mais especificamente, um problema de otimização combinatorial, o problema de otimização de portfólios, que consiste em selecionar o melhor portfólio financeiro (combinação de ativos) entre um conjunto de todos os portfólios possíveis, de acordo com uma certa função objetivo, comummente de forma a maximizar o retorno esperado ou minimizar o risco. Devido ao grande número de parâmetros, como o retorno esperado por ativo e as condições de mercado, este problema atinge uma complexidade exponencial e é um problema NP-hard, intratável no contexto da computação clássica.Nós desenvolvemos um estudo empírico acerca da influência dos parâmetros nas soluções devolvidas por um computador quântico para o problema de otimização de portfólios. Em particular, utilizamos um computador quântico da D-Wave e variamos os parâmetros relacionados não só com o computador quântico, mas também com o problema de otimização de portfólios. Acreditamos que as conclusões do estudo são contribuições úteis para qualquer investigador que deseje utilizar computadores quânticos adiabáticos no contexto do problema de otimização de portfólios e também noutros domínios de aplicação.As nossas descobertas sugerem que os parâmetros têm efeito nos resultados, quer sejam relacionados com o problema de otimização de portfólios ou com o computador quântico. Além disso, também descobrimos que alguns dos parâmetros têm um grande impacto, tal como o chain strength, que define a força com a qual os qubits que representam uma variável estão correlacionados, e que outros não têm nenhum efeito estatisticamente significativo, tais como o anneal schedule ou o embedding.
Neste artigo, abordamos o campo emergente do aprendizado de máquina quântico (AMQ) e suas aplicações inovadoras. Exploramos uma visão geral das bases da mecânica quântica relevantes para o aprendizado de máquina, destacando como os princípios quânticos podem ser utilizados para processar informações de maneira mais eficiente em comparação às abordagens clássicas. Discutimos o passo a passo de um exemplo de algoritmo quântico utilizando Qiskit, comparando-o com seu análogo clássico. Abordamos as vantagens do AMQ, incluindo o potencial de aceleração em problemas de grande escala e a capacidade de lidar com dados altamente dimensionais. Por fim, são discutidos os desafios atuais e as perspectivas futuras do campo, enfatizando seu papel na transformação de diversos setores tecnológicos. Este artigo serve como uma introdução abrangente para aqueles interessados em explorar a interseção entre aprendizado de máquina e mecânica quântica, destacando as promissoras oportunidades que essa combinação oferece.
A Química necessita de computadores velozes para o processamento de uma grande quantidade de informações e dados complexos. A simulação de sistemas líquidos, a interação entre átomos e moléculas e a identificação de moléculas necessitam de computadores mais eficientes para a solução desses problemas. Esta tese descreve a pesquisa, modelagem e desenvolvimento de uma rede neural artificial usando os conceitos da Computação Quântica para trabalhar como uma rede neural quântica. Esta tese também implementa o estudo de um algoritmo quântico de procura e o estudo dos estados ligados que os dímeros do gás hélio, HeNe, HeAr, HeKr e HeXe podem suportar.Três abordagens foram seguidas: a) o método da fase variável, para gerar dados. b) redes neurais clássicas, usando os dados gerados anteriormente. c) redes neurais quânticas. O foco é a validação e testes do conceito das redes neurais quânticas, com base na informação obtida das redes neurais artificiais clássicas, acopladas a um algoritmo quântico. Uma rede neural quântica foi modelada para aprender o comportamento de um sistema químico estudado anteriormente. O conceito da Computação Quântica e do computador quântico mostra a evolução complexa da computação clássica bem como uma mudança de conceito em termos de circuitos (hardware) e algoritmos (software).
A aprendizagem de máquina quântica é um campo em rápido crescimento e tem surgido como uma alternativa à aprendizagem de máquina clássica para impulsionar a busca por soluções eficientes para certos problemas. Além disso, o avanço da tecnologia em Computação Quân- tica trouxe possibilidades para a execução de algoritmos em dispositivos quânticos reais. Aqui, centramos nossa pesquisa no estudo de uma das tarefas mais comuns dentro da aprendizagem de máquina, a classificação supervisionada. Nos nossos estudos, limitamos a temática para os classificadores quânticos baseados em distância, visando a execução dos mesmos em disposi- tivos quânticos ruidosos de escala intermediária (Noisy Intermediate-Scale Quantum (NISQ)). Embora algoritmos quânticos anteriores para classificação baseada em distância tenham se mostrado promissores, muitos deles não são adequados com os dispositivos NISQ e não con- seguem lidar com problemas envolvendo múltiplas classes. O Hadamard Classifier (HC) é um modelo quântico de aprendizagem de máquina baseado em distância para reconhecimento de padrões. A partir dele, desenvolvemos dois classificadores quânticos baseados em distância para execução em dispositivos NISQ: o primeiro deles, Quantum One-Class Classifier (QOCC), é um modelo de classificação elementar. Nosso objetivo com o QOCC é oferecer um classi- ficador que consuma menos recursos computacionais quânticos, estando menos propenso aos erros provenientes de ruídos, ao mesmo tempo em que possui desempenho competitivo quando comparado a análogos clássicos. Os resultados obtidos nos experimentos com o QOCC foram promissores e confirmaram um desempenho equiparável tanto contra classificadores clássicos quanto contra o HC, mesmo usando menos qubits (bits quânticos) e menos operações quânti- cas. Em seguida, focamos nossos esforços em utilizar o QOCC como base para um classificador multiclasse. Nossa motivação para isso consistiu na carência desse tipo de classificador na li- teratura da aprendizagem de máquina quântica e na impossibilidade atual de executar, em dispositivos NISQ, algumas rotinas presentes nos classificadores multiclasse existentes. Propo- mos o quantum Variational Distance-based Centroid Classifier (qVDCC), que faz uso da teoria dos circuitos quânticos variacionais para, em um esquema híbrido de computação quântica- clássica, realizar a classificação de bases de dados multiclasse. Essa abordagem nos permitiu utilizar o maquinário bem-estabelecido da aprendizagem de máquina clássica para encontrar e otimizar centroides artificiais para as bases de dados que minimizassem suas distâncias para os demais dados da respectiva classe. Simulamos o funcionamento do qVDCC em dois ambientes distintos: primeiramente em uma simulação ideal (livre de erros); em seguida, em um uma simulação ruidosa que mimetiza um dispositivo NISQ. Mais uma vez, nossos resultados se mostraram promissores e competitivos em relação aos classificadores clássicos.
Este estudo investiga a eficácia dos algoritmos quânticos Variational Quantum Eigensolver (VQE) e Quantum Approximate Optimization Algorithm (QAOA) no contexto de otimização de portfólios, comparando-os em termos de Sharpe Ratio com a solução do modelo clássico de média-variância e o índice amplo de mercado (IBOVESPA). A pesquisa realiza o backtesting das estratégias utilizando dados mensais do mercado acionário brasileiro, abordando o período de 2007 a 2023, e inclui análises tanto em computadores quânticos reais, quanto em simuladores. O estudo revela que os algoritmos quânticos se mostram competitivos, superando o modelo de média-variância, em termos de Sharpe Ratio, com significância estatística e apresentando menor índice de perdas. Esses resultados indicam que a computação quântica pode contribuir com soluções inovadoras e eficientes no campo das finanças, e abre novas perspectivas para pesquisas futuras sobre a aplicação da computação quântica em gestão de investimentos. O estudo também aborda os desafios atuais da computação quântica, como a baixa oferta de dispositivos, elevado tempo de espera em filas e backends com número reduzido de QUBITS.
O setor financeiro enfrenta desafios significativos ao lidar com conjuntos de dados de alta dimensionalidade e um número limitado de amostras, dificultando a construção de modelos preditivos robustos. Técnicas tradicionais de aprendizado de máquina ajudam a mitigar esses problemas, mas a presença de características irrelevantes e redundantes aumenta a complexidade computacional. Este artigo apresenta a aplicação de algoritmos quânticos na seleção de características usando dados reais do setor financeiro, demonstrando que esses algoritmos podem melhorar a eficiência e a precisão dos modelos preditivos. A abordagem envolve a formulação do problema em termos de Otimização Binária Quadrática Irrestrita (QUBO), e sua solução é implementada em simuladores de um annealer quântico. Os experimentos mostram resultados promissores, que são analisados adotando-se a métrica do Critério de Informação de Akaike. Os resultados sugerem que os algoritmos quânticos variacionais têm grande potencial de aplicação se comparados a técnicas tradicionais de seleção de características.