Antes restrita a uma área de fronteira da Física, a computação quântica é uma das áreas que mais tem crescido atualmente, justamente por suas aplicações tecnológicas em problemas de otimização, aprendizagem de máquina, segurança da informação e simulações. O objetivo deste artigo é introduzir os fundamentos da computação quântica, tendo como foco um algoritmo quântico promissor e sua aplicação a um problema do mercado financeiro. Mais especificamente, discutimos o problema da otimização de portfólio usando o Quantum Approximate Optimization Algorithm (QAOA). Não somente descrevemos os principais conceitos envolvidos, mas também consideramos exemplos simples práticos, envolvendo ativos financeiros disponíveis na bolsa brasileira, com códigos, tanto clássicos quanto quânticos, dísponíveis livremente em um Jupyter Notebook. Também analisamos em detalhes a qualidade das soluções de otimização combinatória de portfólio por meio do QAOA usando o simulador quântico ATOS QLM do SENAI/CIMATEC.

Finding the minimum value in an unordered database is a common and fundamental task in computer science. However, the optimal classical deterministic algorithm can find the minimum value with a time complexity that grows linearly with the number of elements in the database. In this paper, we present the proposal of a quantum algorithm for finding the minimum value of a database, which is quadratically faster than its best classical analogs. We assume a Quantum Random Access Memory (QRAM) that stores values from a database and perform an iterative search based on an oracle whose role is to limit the searched values by controlling the states of the most significant qubits. A complexity analysis was performed in order to demonstrate the advantage of this quantum algorithm over its classical counterparts. Furthermore, we demonstrate how the proposed algorithm would be used in an unsupervised machine learning task through a quantum version of the K-means algorithm.