Sánchez Salinas, Dylan Rafael2025-03-312025-03-312025https://dspace.unila.edu.br/handle/123456789/8997Este trabalho investiga a aplicação do algoritmo denominado Quantum Variational Rewinding (QVR) na detecção de anomalias em séries temporais, com foco na variação do Bitcoin nos últimos anos. As criptomoedas, em particular o Bitcoin, apresentam uma volatilidade extrema, o que dificulta a previsão e análise de seu comportamento. Isso torna essencial o desenvolvimento de métodos mais avançados, como o QVR, para identificar padrões irregulares e prever variações no mercado. Métodos tradicionais de análise de séries temporais enfrentam dificuldades para identificar padrões ocultos em dados financeiros complexos, especialmente em mercados de alta volatilidade como o das criptomoedas. Nesse contexto, abordagens baseadas em Computação Quântica e aprendizado de máquina se destacam como ferramentas poderosas para detectar essas anomalias de forma mais eficiente e precisa. O Quantum Variational Rewinding, uma técnica inovadora, surge como uma solução promissora para enfrentar esses desafios, oferecendo uma forma avançada de modelar e analisar séries temporais financeiras. A metodologia adotada envolve a coleta e normalização de dados históricos do Bitcoin, implementação do modelo QVR em um ambiente simulado de Computação Quântica e a análise dos resultados utilizando o coeficiente de Pearson, que mede a correlação entre os padrões identificados e as variações do preço do Bitcoin. Os experimentos demonstram que o QVR não apenas apresenta potencial, mas também evidenciou resultados promissores ao capturar padrões complexos em séries temporais financeiras, oferecendo uma abordagem inovadora e eficaz para a análise de dados financeiros altamente voláteis, como os de criptomoedas. Comparado a métodos tradicionais, o QVR se destaca ao identificar desvios significativos no comportamento das séries temporais do Bitcoin, indicando seu grande potencial em mercados voláteis. Resumen Este trabajo investiga la aplicación del algoritmo denominado Quantum Variational Rewinding (QVR) en la detección de anomalías en series temporales, con enfoque en la variación del Bitcoin en los últimos años. Las criptomonedas, en particular el Bitcoin, presentan una volatilidad extrema, lo que dificulta la previsión y el análisis de su comportamiento. Esto hace esencial el desarrollo de métodos más avanzados, como el QVR, para identificar patrones irregulares y predecir variaciones en el mercado. Los métodos tradicionales de análisis de series temporales enfrentan dificultades para identificar patrones ocultos en datos financieros complejos, especialmente en mercados de alta volatilidad como el de las criptomonedas. En este contexto, enfoques basados en Computación Cuántica y aprendizaje automático se destacan como herramientas poderosas para detectar estas anomalías de forma más eficiente y precisa. El Quantum Variational Rewinding, una técnica innovadora, surge como una solución prometedora para enfrentar estos desafíos, ofreciendo una forma avanzada de modelar y analizar series temporales financieras. La metodología adoptada implica la recolección y normalización de datos históricos del Bitcoin, la implementación del modelo QVR en un entorno simulado de Computación Cuántica y el análisis de los resultados utilizando el coeficiente de Pearson, que mide la correlación entre los patrones identificados y las variaciones del precio del Bitcoin. Los experimentos demuestran que el QVR no solo presenta potencial, sino que también evidenció resultados prometedores al capturar patrones complejos en series temporales financieras, ofreciendo un enfoque innovador y eficaz para el análisis de datos financeiros altamente volátiles, como los de criptomonedas. En comparación con métodos tradicionales, el QVR se destaca al identificar desviaciones significativas en el comportamiento de las series temporales del Bitcoin, lo que indica su gran potencial em mercados volátiles.ptopenAccesscomputação quânticaaprendizado do computadorbitcoinséries temporais