Fugu-MT 論文翻訳(概要): Quantum-Enhanced Forecasting: Leveraging Quantum Gramian Angular Field and CNNs for Stock Return Predictions

論文の概要: Quantum-Enhanced Forecasting: Leveraging Quantum Gramian Angular Field and CNNs for Stock Return Predictions

arxiv url: http://arxiv.org/abs/2310.07427v3
Date: Mon, 11 Dec 2023 13:23:55 GMT
ステータス: 処理完了
システム内更新日: 2023-12-13 01:24:34.393652
Title: Quantum-Enhanced Forecasting: Leveraging Quantum Gramian Angular Field and CNNs for Stock Return Predictions
Title（参考訳）: 量子エンハンス予測:ストックリターン予測に量子グラム角場とcnnを活用する
Authors: Zhengmeng Xu, Yujie Wang, Xiaotong Feng, Yilin Wang, Yanli Li, Hai Lin
Abstract要約: 我々はQuantum Gramian Angular Field (QGAF) という時系列予測手法を提案する。このアプローチは、時系列分類と予測の精度を高めることを目的として、量子コンピューティング技術の利点とディープラーニングを融合する。 CNNトレーニングに適した2次元画像にストックリターン時系列データを変換した。
参考スコア（独自算出の注目度）: 26.61008546005233
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a time series forecasting method named Quantum Gramian Angular Field (QGAF). This approach merges the advantages of quantum computing technology with deep learning, aiming to enhance the precision of time series classification and forecasting. We successfully transformed stock return time series data into two-dimensional images suitable for Convolutional Neural Network (CNN) training by designing specific quantum circuits. Distinct from the classical Gramian Angular Field (GAF) approach, QGAF's uniqueness lies in eliminating the need for data normalization and inverse cosine calculations, simplifying the transformation process from time series data to two-dimensional images. To validate the effectiveness of this method, we conducted experiments on datasets from three major stock markets: the China A-share market, the Hong Kong stock market, and the US stock market. Experimental results revealed that compared to the classical GAF method, the QGAF approach significantly improved time series prediction accuracy, reducing prediction errors by an average of 25% for Mean Absolute Error (MAE) and 48% for Mean Squared Error (MSE). This research confirms the potential and promising prospects of integrating quantum computing with deep learning techniques in financial time series forecasting.
Abstract（参考訳）: 量子グラム角場(qgaf)と呼ばれる時系列予測手法を提案する。このアプローチは、時系列分類と予測の精度を高めることを目的として、量子コンピューティング技術の利点とディープラーニングを融合する。我々は,特定の量子回路を設計することで,畳み込みニューラルネットワーク(cnn)トレーニングに適した二次元画像にストックリターン時系列データを変換することに成功した。古典的なGramian Angular Field(GAF)アプローチとは違い、QGAFのユニークな点は、データの正規化や逆コサイン計算の必要性を排除し、時系列データから2次元画像への変換プロセスを簡素化することにある。本手法の有効性を検証するために,中国a株市場,香港証券取引所,米国株式市場の3つの主要株式市場のデータセットについて実験を行った。実験の結果,従来のGAF法と比較して,QGAF法では時系列予測精度が有意に向上し,平均絶対誤差(MAE)平均25%,平均正方形誤差(MSE)平均48%の予測誤差が減少した。本研究は、金融時系列予測における量子コンピューティングとディープラーニング技術の統合の可能性と将来性を検証する。

関連論文リスト

Quantum Approximate Optimization Algorithm and Quantum-enhanced Markov Chain Monte Carlo: A Hybrid Approach to Data Assimilation in 4DVAR [0.0]
4次元変分データ同化(4D VAR)における計算課題に取り組むための新しいハイブリッド量子古典的フレームワークを提案する。提案手法である量子変分粒子フィルタ(QVPF)は,QAOAを用いて粒子提案を最適化し,QMCMCを用いて効率よく粒子重みを計算し,再サンプリングを行い,計算負荷を低減しながら収束を加速する。ハイブリッドモデルは量子アルゴリズムを変分粒子フィルタに統合することで精度を高め、特に気候モデリング、宇宙天気予報、防衛への応用に適している。
論文参考訳（メタデータ） (2024-10-04T18:37:35Z)
QuaCK-TSF: Quantum-Classical Kernelized Time Series Forecasting [7.945302052915863]
本稿では,このベイズ手法のロバスト性と,量子モデルにおけるカーネル・パースペクティブから得られるニュアンスド・インサイトとを融合した新しいアプローチを提案する。我々はIsingの相互作用にインスパイアされた量子特徴写像を組み込み、正確な予測に不可欠な時間的依存関係のキャプチャーの有効性を実証する。
論文参考訳（メタデータ） (2024-08-21T21:39:31Z)
SMURF-THP: Score Matching-based UnceRtainty quantiFication for Transformer Hawkes Process [76.98721879039559]
SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
論文参考訳（メタデータ） (2023-10-25T03:33:45Z)
Certainty In, Certainty Out: REVQCs for Quantum Machine Learning [15.908051575681458]
高精度かつ高精度なサンプル推測が可能な統計理論について論じる。本稿では,このトレーニング手法の有効性を,いくつかの有効な変分量子回路を用いて評価する。
論文参考訳（メタデータ） (2023-10-16T17:53:30Z)
GHN-QAT: Training Graph Hypernetworks to Predict Quantization-Robust Parameters of Unseen Limited Precision Neural Networks [80.29667394618625]
Graph Hypernetworks(GHN)は、さまざまな未知のCNNアーキテクチャのパラメータを驚くほど高い精度で予測することができる。予備研究は、8ビットおよび4ビットの量子化CNNの量子化-ロバストパラメータの予測にGHNを使うことを検討した。 4ビットの量子化CNNのGHN予測パラメータの量子化精度を大幅に向上できることを示す。
論文参考訳（メタデータ） (2023-09-24T23:01:00Z)
Quantum Next Generation Reservoir Computing: An Efficient Quantum Algorithm for Forecasting Quantum Dynamics [1.9260081982051918]
NG-RCは、積分可能系とカオス系の両方において、完全多体量子力学を正確に予測できることを示す。本稿では,ブロック符号化手法を用いて,量子計算の高速化による多体量子力学予測のためのエンドツーエンド量子アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-08-28T00:34:40Z)
Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
エンタングルメントは量子コンピューティングを強化するリソースとして機能する。最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
論文参考訳（メタデータ） (2023-06-06T08:06:43Z)
QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文参考訳（メタデータ） (2022-11-09T21:43:16Z)
Reducing the cost of energy estimation in the variational quantum eigensolver algorithm with robust amplitude estimation [50.591267188664666]
量子化学と材料は、量子コンピューティングの最も有望な応用の1つである。これらの領域における産業関連問題とそれを解決する量子アルゴリズムとの整合性については、まだ多くの研究が続けられている。
論文参考訳（メタデータ） (2022-03-14T16:51:36Z)
APQ: Joint Search for Network Architecture, Pruning and Quantization Policy [49.3037538647714]
本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
論文参考訳（メタデータ） (2020-06-15T16:09:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。