QAOA applied to the portfolio optimization problem

• Ano de defesa: 2023
• Autor(a) principal: Palhares Júnior, Alberto Bezerra de
• Orientador(a): Araújo, Rafael Chaves Souto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Rio Grande do Norte
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM FÍSICA
• País: Brasil
• Palavras-chave em Português: Física; QAOA; Otimização de portfólio; Qiskit
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA
• Link de acesso: https://repositorio.ufrn.br/handle/123456789/54372

A computação quântica não se encontra mais no seu estágio inicial. Já existem hoje computadores quânticos com mais qubits do que um computador clássico é capaz de simular eficientemente. Esse estágio atual é considerado intermediário e por isso é chamado de era NISQ (quântica ruidosa de escala intermediária). A principal característica desse estágio atual é que ainda não há uma quantidade de qubits suficiente para fazer correção quântica de erros, daí o ruidoso no nome. Nesse contexto de computação quântica sem correção quântica de erros e com uma quantidade intermediária de qubits, os algoritmos variacionais ganharam destaque e, dentre eles, há um que se chama QAOA (algoritmo de otimização quântica aproximada). Como o nome sugere, esse é um algoritmo quântico que aproxima a solução de problemas de otimização. O objetivo do presente trabalho foi aplicar esse algoritmo para resolver um problema de otimização da área de finanças conhecido como otimização de portfólio. Essa aplicação se deu tanto da forma ideal (sem ruído) como da forma condizente com a capacidade atual dos computadores quânticos (com ruído). Ambas foram simuladas usando a ferramenta em Python da IBM para simulação e acesso via nuvem de computadores quânticos chamada de Qiskit. Os resultados sugerem que o desempenho do QAOA com ruído foi como esperado pior que o caso ideal, porém ainda satisfatório dentro das limitações do método.