How askery/computacao-quantica-aplicada-ao-mercado-financeiro works
Tipo e propósito do projeto (a partir do README e árvore de arquivos)
Este repositório não é uma aplicação “deployável” tradicional (web/app/backend), e sim um projeto científico/educacional baseado em notebooks para computação clássica e quântica aplicada a finanças (otimização de portfólio).
O objetivo é reproduzir/ilustrar resultados do artigo (link DOI no README) com duas linhas principais:
• Abordagem clássica (Markowitz): construção de fronteira eficiente para vários ativos.
• Abordagens quânticas:
• Demonstração de QAOA e VQE usando Qiskit (IBM Q), no notebook “Quantum_Finance_DualQ.ipynb”.
• Implementação/estudo mais profundo de QAOA usando myQLM, com análise de qualidade e convergência por número de camadas, no notebook “QAOA_myQLM.ipynb”.
Árvore de arquivos (tudo é notebook + README):
• Quantum_Finance_DualQ.ipynb (clássico + QAOA/VQE com Qiskit)
• QAOA_myQLM.ipynb (QAOA com myQLM)
• README.md (contexto, links e setup do myQLM)
Isso indica uma arquitetura “pipeline de experimentos” (data → modelagem → solver → métricas/plots), e não camadas típicas de software (UI/API/DB).
Como desenhar o diagrama de arquitetura mais fiel para ESTE projeto
A forma mais precisa é desenhar um diagrama de fluxo de processamento (pipeline) + um diagrama de componentes (bibliotecas/runtimes) — ambos centrados nos notebooks como “orquestradores”.
Identifique os componentes principais (macro-blocos)
Para este repo, os blocos que você deve explicitar no diagrama são:
Ambiente de Execução
• Jupyter Notebook (local) / Google Colab (no caso do notebook Qiskit)
• Conda env Python 3.9 (principalmente para myQLM, conforme README)
Fontes de Dados / Inputs
• “Lista de ativos + parâmetros” (tickers, janela temporal, restrições, budget, etc.)
• (Se o notebook baixar cotações) APIs externas de dados de mercado (ex: Yahoo Finance, Stooq, B3 etc. — o README não nomeia, então no diagrama você pode deixar como “Market Data Provider API”)
Pré-processamento e Estatística
• limpeza/normalização
• cálculo de retornos, covariância, correlação
• geração de instâncias do problema (matriz de covariância, vetores de retorno)
Modelagem de Otimização (Finance → QUBO/Ising)
• Markowitz (clássico): objetivo risco/retorno + restrições
• Mapeamento para QUBO/Ising para rodar QAOA/VQE (quando aplicável)
Solvers / Engines
• Clássico: otimizador numérico (p.ex. quadratic programming / heurísticas). (Se não estiver explícito, represente como “Classical Optimizer”)
• Quântico (Qiskit):
• QAOA
• VQE
• Backend: simulador local ou IBM Quantum (se conectado)
• Quântico (myQLM):
• QAOA via myQLM stack
• Backend: simuladores do myQLM (ou QPU se existir no setup)
Avaliação e Visualização
• fronteira eficiente (plots)
• métricas de qualidade/convergência (energia/custo vs camadas p, gap, etc.)
• comparação entre clássico vs quântico (quando aplicável)
Saídas / Outputs
• gráficos (fronteira eficiente, convergência)
• pesos do portfólio / seleção de ativos
• tabelas de resultados
Relacionamentos e interações (o que ligar com setas)
Você quer que o diagrama deixe óbvio “quem chama quem” e “o que flui”. Para este repo:
• Notebook → chama Data Source → retorna Séries de preços
• Séries de preços → entram em Pré-processamento → produzem retornos e covariância
• retornos/covariância + restrições → entram em Modelagem → produzem:
• Problema Markowitz (para solver clássico)
• e/ou QUBO/Ising (para QAOA/VQE)
• Modelagem → alimenta Solver (clássico ou quântico)
• Solver → retorna solução (pesos/bitstring/energia)
• Solução → entra em Avaliação → gera plots/tabelas
Além disso, explicite dependências de runtime:
• Quantum_Finance_DualQ.ipynb → depende de Qiskit e possivelmente IBM Quantum Backend (opcional)
• QAOA_myQLM.ipynb → depende de myQLM (com setup recomendado no README, Python 3.9/conda)
Padrões/decisões arquiteturais a destacar (específicos deste repo)
• Arquitetura “Notebook-as-Application”: os notebooks são o “entrypoint” e concentram orquestração, experimentos, plots e resultados.
• Separação por stack quântica:
• Notebook 1: Qiskit (IBM)
• Notebook 2: myQLM
• Pipeline analítico (ETL leve → modelagem → solver → avaliação), típico de pesquisa em otimização/finanças quantitativas.
• Comparabilidade: mesma base de “ingredientes” (ativos, retorno, risco) aplicada a solvers diferentes (clássico vs QAOA/VQE).
Como “tailorar” o diagrama para este tipo de projeto (científico/otimização)
Como não há módulos/serviços em pastas src/, api/, db/, a melhor prática aqui é:
Diagrama 1 — “Visão de Sistema / Componentes”
Mostre dois caminhos paralelos a partir do mesmo “Data + Model”:
• Caminho A: Markowitz (clássico) → Classical Optimizer → Resultados/plots
• Caminho B: Quantum formulation (QUBO/Ising) → (QAOA/VQE via Qiskit) → Resultados/plots
• Caminho C: Quantum formulation (QUBO/Ising) → (QAOA via myQLM) → Resultados/plots
E coloque os notebooks como caixas no topo (orquestradores):
• Quantum_Finance_DualQ.ipynb orquestra A + parte de B (QAOA/VQE Qiskit)
• QAOA_myQLM.ipynb orquestra C (QAOA myQLM)
Diagrama 2 — “Fluxo Detalhado (Dataflow)”
Expanda as etapas internas, principalmente:
• aquisição de preços
• cálculo de covariância/retornos
• construção da função custo (Markowitz / QUBO)
• execução iterativa de QAOA (p camadas) e registro de convergência
Esse segundo diagrama é onde você captura a “fidelidade científica” (o que realmente acontece no experimento).
Inclua explicitamente:
• Rótulos claros:
• “Market Data Provider”
• “Returns & Covariance”
• “Markowitz Optimizer”
• “QUBO/Ising Mapping”
• “QAOA (Qiskit)” / “VQE (Qiskit)” / “QAOA (myQLM)”
• “Simulator / IBM Quantum Backend” (se aplicável)
• “Convergence analysis vs layers p”
• “Efficient Frontier Plot”
• Setas direcionais:
• sólidas para fluxo de dados (prices → returns → model → solver → results)
• tracejadas para dependências de runtime (notebook → qiskit/myQLM)
• Codificação visual (cores/formas), por exemplo:
• Cilindro: fontes de dados (mesmo que seja API)
• Retângulos: etapas de processamento/modelagem
• Hexágonos: “solvers/engines”
• Cor 1: clássico; Cor 2: Qiskit; Cor 3: myQLM
• “Local/Colab Environment”
• “External Services” (Market Data API, IBM Quantum)
• “myQLM stack” (rodando local)