Aplicação de Aprendizado de Máquina Quântico na Otimização de Portfólios

• Nafis Francisco Peres Melo USP
• Regina Melo Silveira USP

DOI: https://doi.org/10.5753/sbsi_estendido.2026.249016

Resumo

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.

Referências

Alcazar, J., Leyton-Ortega, V., and Perdomo-Ortiz, A. (2020). Classical versus quantum models in machine learning: Insights from a finance application. Machine Learning: Science and Technology, 1(3).

Bueno, D. (2026). Riqueza financeira global cresce 8,7% e brasil acelera acima da média mundial, aponta relatório da allianz.

Ciliberto, C., Herbster, M., Ialongo, A. D., Pontil, M., Rocchetto, A., Severini, S., and Wossnig, L. (2018). Quantum machine learning: a classical perspective. Proc. Math. Phys. Eng. Sci., 474(2209):20170551.

Gelmini, M. and Uberti, P. (2024). The equally weighted portfolio still remains a challenging benchmark. International Economics, 179:100525.

Glover, F. W. and Kochenberger, G. A. (2018). A tutorial on formulating qubo models. ArXiv, abs/1811.11538.

Jain, P. and Jain, S. (2019). Can machine learning-based portfolios outperform traditional risk-based portfolios? the need to account for covariance misspecification. Risks, 7.

López de Prado, M. (2016). Building diversified portfolios that outperform out of sample. J. Portf. Manag., 42(4):59–69.

Maillard, S., Roncalli, T., and Teı̈letche, J. (2010). The properties of equally weighted risk contribution portfolios. J. Portf. Manag., 36(4):60–70.

Markowitz, H. (1952). Portfolio selection*. The Journal of Finance, 7:77–91.

Mirete-Ferrer, P. M., Garcia-Garcia, A., Baixauli-Soler, J. S., and Prats, M. A. (2022). A review on machine learning for asset management. Risks, 10.

Ozbayoglu, A. M., Gudelek, M. U., and Sezer, O. B. (2020). Deep learning for financial applications : A survey. Applied Soft Computing, 93:106384.

Paiva, F. D., Cardoso, R. T. N., Hanaoka, G. P., and Duarte, W. M. (2019). Decision-making for financial trading: A fusion approach of machine learning and portfolio selection. Expert Systems with Applications, 115:635–655.

Palmer, S., Şahin, S., Hernandez, R. J., Mugel, S., and Orús, R. (2021). Quantum portfolio optimization with investment bands and target volatility.

Park, H., Sim, M. K., and Choi, D. G. (2020). An intelligent financial portfolio trading strategy using deep q-learning. Expert Systems with Applications, 158:113573.

Raffinot, T. (2017). Hierarchical clustering-based asset allocation. The Journal of Portfolio Management, 44(2):89–99.

Sakuler, W., Oberreuter, J. M., Aiolfi, R., Asproni, L., Roman, B., and Schiefer, J. (2025). A real-world test of portfolio optimization with quantum annealing. Quantum Machine Intelligence, 7(1).

Takeuchi, L. (2013). Applying deep learning to enhance momentum trading strategies in stocks.

Uysal, A. S., Li, X., and Mulvey, J. M. (2023). End-to-end risk budgeting portfolio optimization with neural networks. Annals of Operations Research.

Zhang, C., Zhang, Z., Cucuringu, M., and Zohren, S. (2021). A universal end-to-end approach to portfolio optimization via deep learning. Papers 2111.09170, arXiv.org.