Quantum Machine Learning para Modelagem Financeira (96h)
Sobre o curso
Módulo 1: Fundamentos de Finanças Quantitativas e Computação Quântica Introdução aos principais desafios financeiros e aos conceitos base da mecânica quântica, como qubits, superposição, emaranhamento, portas lógicas (X, Y, Z, Hadamard, CNOT) e circuitos quânticos.
Módulo 2: Do Machine Learning Clássico ao Quantum Machine Learning (QML) Revisão de métodos clássicos (Regressão, Support Vector Machines, Redes Neurais) e a transição para o ambiente quântico, apresentando Algoritmos Híbridos, Redes Neurais Quânticas (QNNs) e Circuitos Quânticos Parametrizados (PQCs).
Módulo 3: Otimização de Portfólio com Algoritmos Quânticos Teoria moderna de portfólio de Markowitz, Índice de Sharpe e mapeamento de problemas de otimização para a formulação QUBO. Aplicação prática usando algoritmos como o QAOA (Quantum Approximate Optimization Algorithm) e o VQE (Variational Quantum Eigensolver).
Módulo 4: Precificação de Derivativos e Opções Exploração do modelo de Black-Scholes e estratégias de precificação de opções (europeias, asiáticas, etc.). Uso do algoritmo de Estimação de Amplitude Quântica (QAE) para acelerar simulações de Monte Carlo no cálculo de derivativos.
Módulo 5: Previsão de Mercado e Séries Temporais Financeiras Uso de QNNs comparadas a modelos clássicos (como BiLSTM) para prever preços de ações e analisar sinais temporais. Introdução às Redes Adversárias Geradoras Quânticas (QGANs) para modelagem gerativa e criação de dados financeiros sintéticos.
Módulo 6: Gestão de Risco, Credit Scoring e Detecção de Fraudes Aplicações de QML para calcular o Value-at-Risk (VaR), avaliar risco de crédito (Credit Scoring) e detectar anomalias e fraudes em transações financeiras utilizando Quantum Support Vector Machines (QSVMs).
Classificações e revisões de estudantes
Sem avaliações ainda