論文の概要: Quantum Reservoir Computing for Realized Volatility Forecasting

• arxiv url: http://arxiv.org/abs/2505.13933v1
• Date: Tue, 20 May 2025 05:02:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.751485
• Title: Quantum Reservoir Computing for Realized Volatility Forecasting
• Title（参考訳）: ボラティリティ予測のための量子貯留層計算
• Authors: Qingyu Li, Chiranjib Mukhopadhyay, Abolfazl Bayat, Ali Habibnia,
• Abstract要約: 量子貯水池計算は、非線形時間依存をモデル化するための機械学習と量子計算を組み合わせる。 本研究では,量子貯水池計算のボラティリティ予測への応用について検討する。 以上の結果から,提案手法は様々な指標のベンチマークモデルより一貫して優れていることが示唆された。
• 参考スコア（独自算出の注目度）: 0.6249768559720121
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in quantum computing have demonstrated its potential to significantly enhance the analysis and forecasting of complex classical data. Among these, quantum reservoir computing has emerged as a particularly powerful approach, combining quantum computation with machine learning for modeling nonlinear temporal dependencies in high-dimensional time series. As with many data-driven disciplines, quantitative finance and econometrics can hugely benefit from emerging quantum technologies. In this work, we investigate the application of quantum reservoir computing for realized volatility forecasting. Our model employs a fully connected transverse-field Ising Hamiltonian as the reservoir with distinct input and memory qubits to capture temporal dependencies. The quantum reservoir computing approach is benchmarked against several econometric models and standard machine learning algorithms. The models are evaluated using multiple error metrics and the model confidence set procedures. To enhance interpretability and mitigate current quantum hardware limitations, we utilize wrapper-based forward selection for feature selection, identifying optimal subsets, and quantifying feature importance via Shapley values. Our results indicate that the proposed quantum reservoir approach consistently outperforms benchmark models across various metrics, highlighting its potential for financial forecasting despite existing quantum hardware constraints. This work serves as a proof-of-concept for the applicability of quantum computing in econometrics and financial analysis, paving the way for further research into quantum-enhanced predictive modeling as quantum hardware capabilities continue to advance.
• Abstract（参考訳）: 量子コンピューティングの最近の進歩は、複雑な古典的データの分析と予測を大幅に強化する可能性を示している。 これらのうち、量子貯水池計算は特に強力なアプローチとして現れ、高次元時系列における非線形時間依存性をモデル化するために量子計算と機械学習を組み合わせた。 多くのデータ駆動の規律と同様に、量的金融と計量経済学は、新興量子技術から大きな恩恵を受けることができる。 本研究では,量子貯水池計算のボラティリティ予測への応用について検討する。 我々のモデルは、時間的依存を捉えるために、異なる入力とメモリキュービットを持つ貯水池として、完全に連結された横フィールドIsing Hamiltonianを用いている。 量子貯水池計算のアプローチは、いくつかの計量モデルと標準的な機械学習アルゴリズムに対してベンチマークされる。 モデルは、複数のエラーメトリクスとモデル信頼セットプロシージャを用いて評価される。 解釈可能性を高め、現在の量子ハードウェアの限界を緩和するために、ラッパーベースの前方選択を特徴選択に利用し、最適なサブセットを特定し、Shapley値を介して特徴の重要度を定量化する。 提案手法は,既存の量子ハードウェアの制約にもかかわらず,財務予測の可能性を強調し,様々な指標のベンチマークモデルより一貫して優れていることを示す。 この研究は、計量学と金融分析における量子コンピューティングの適用可能性の実証として機能し、量子ハードウェアの能力が進歩し続けるにつれて、量子強化予測モデリングのさらなる研究の道を開く。

関連論文リスト

• Programming tools for Analogue Quantum Computing in the High-Performance Computing Context -- A Review [0.0]
  我々は、アナログ機能を備えた既存の量子ソフトウェアツールを包括的に調査する。 我々はこれらのツールのHPC統合性を評価するための分類と評価システムを導入する。
  論文  参考訳（メタデータ） (2025-01-28T13:36:52Z)
• Comprehensive Survey of QML: From Data Analysis to Algorithmic Advancements [2.5686697584463025]
  量子機械学習(Quantum Machine Learning)は、量子コンピューティングと機械学習の交差点におけるパラダイムシフトである。 この分野は、ハードウェアの制約、ノイズ、量子ビットコヒーレンス(英語版)の制限など、重大な課題に直面している。 この調査は、実用的な実世界のアプリケーションに向けて量子機械学習を進めるための基盤となるリソースを提供することを目的としている。
  論文  参考訳（メタデータ） (2025-01-16T13:25:49Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Data-driven Quantum Dynamical Embedding Method for Long-term Prediction on Near-term Quantum Computers [4.821462994335231]
  量子力学埋め込み(QDE)を用いた長期時系列予測のためのデータ駆動手法を提案する。 このアプローチにより、トレーニング可能なデータ空間の拡張状態空間への埋め込みが可能になる。 このモデルは、超伝導量子プロセッサのOrigin 'Wukong'に実装する。
  論文  参考訳（メタデータ） (2023-05-25T12:12:49Z)
• Quantum Conformal Prediction for Reliable Uncertainty Quantification in Quantum Machine Learning [47.991114317813555]
  量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。 本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
  論文  参考訳（メタデータ） (2023-04-06T22:05:21Z)
• Potential and limitations of quantum extreme learning machines [55.41644538483948]
  本稿では,QRCとQELMをモデル化するフレームワークを提案する。 我々の分析は、QELMとQRCの両方の機能と限界をより深く理解するための道を開いた。
  論文  参考訳（メタデータ） (2022-10-03T09:32:28Z)
• Copula-based Risk Aggregation with Trapped Ion Quantum Computers [1.541403735141431]
  コプラは、合同確率分布をモデル化するための数学的ツールである。 コプラを最大絡み合った量子状態として表現できることの最近の発見は、実用的な量子優位性に対する有望なアプローチを明らかにしている。 シミュレータと最先端のイオン量子コンピュータ上での回路設計と精度の異なるQCBMのトレーニングについて検討する。
  論文  参考訳（メタデータ） (2022-06-23T18:39:30Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)

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。