論文の概要: Benchmarking Classical and Quantum Models for DeFi Yield Prediction on Curve Finance

• arxiv url: http://arxiv.org/abs/2508.02685v1
• Date: Tue, 22 Jul 2025 06:55:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-10 09:30:49.311238
• Title: Benchmarking Classical and Quantum Models for DeFi Yield Prediction on Curve Finance
• Title（参考訳）: 曲線ファイナンスにおけるDeFi収率予測のための古典的および量子モデルベンチマーク
• Authors: Chi-Sheng Chen, Aidan Hung-Wen Tsai,
• Abstract要約: 我々はXGBoost, Random Forest, LSTM, Transformer, Quantum Neural Network (QNN), Quantum Feature Map (QSVM-QNN) の6つのモデルをベンチマークした。 実験MAE, RMSE, 方向精度のモデル性能について検討した。 XGBoostはテストMAEが1.80で、Random Forestは1.77と71.36%で最高方向精度(71.57%)を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rise of decentralized finance (DeFi) has created a growing demand for accurate yield and performance forecasting to guide liquidity allocation strategies. In this study, we benchmark six models, XGBoost, Random Forest, LSTM, Transformer, quantum neural networks (QNN), and quantum support vector machines with quantum feature maps (QSVM-QNN), on one year of historical data from 28 Curve Finance pools. We evaluate model performance on test MAE, RMSE, and directional accuracy. Our results show that classical ensemble models, particularly XGBoost and Random Forest, consistently outperform both deep learning and quantum models. XGBoost achieves the highest directional accuracy (71.57%) with a test MAE of 1.80, while Random Forest attains the lowest test MAE of 1.77 and 71.36% accuracy. In contrast, quantum models underperform with directional accuracy below 50% and higher errors, highlighting current limitations in applying quantum machine learning to real-world DeFi time series data. This work offers a reproducible benchmark and practical insights into model suitability for DeFi applications, emphasizing the robustness of classical methods over emerging quantum approaches in this domain.
• Abstract（参考訳）: 分散型金融(DeFi)の台頭は、流動性配分戦略を導くために、正確な利回りとパフォーマンス予測の需要を増大させてきた。 本研究では,XGBoost,ランダムフォレスト,LSTM,トランスフォーマー,量子ニューラルネットワーク(QNN),量子特徴写像(QSVM-QNN)を備えた量子支援ベクトルマシンの6つのモデルについて,28カーブファイナンスプールの1年間の履歴データをベンチマークした。 実験MAE, RMSE, 方向精度のモデル性能について検討した。 以上の結果から,古典的なアンサンブルモデル,特にXGBoostとランダムフォレストは,ディープラーニングモデルと量子モデルの両方で一貫して優れていた。 XGBoostはテストMAEが1.80で、Random Forestは1.77と71.36%で最高方向精度(71.57%)を達成した。 対照的に、量子モデルは50%以下の方向精度で性能が低下し、現実のDeFi時系列データに量子機械学習を適用する際の現在の制限を強調している。 この研究は、再現可能なベンチマークとDeFiアプリケーションに対するモデル適合性に関する実践的な洞察を提供し、この領域における新しい量子アプローチに対する古典的手法の堅牢性を強調している。

関連論文リスト

• FD4QC: Application of Classical and Quantum-Hybrid Machine Learning for Financial Fraud Detection A Technical Report [36.1999598554273]
  本稿では、古典的、量子的、量子ハイブリッドな機械学習モデルによる不正な金融活動のバイナリな行動分類の有効性について検討・比較する。 我々は、IBM Anti-Money Laundering (AML)データセット上で、さまざまなモデルを実装し、評価する。 実世界展開用に設計された実用的なAPI駆動システムアーキテクチャであるFD4QC(Fraud Detection for Quantum Computing)を提案する。
  論文  参考訳（メタデータ） (2025-07-25T16:08:22Z)
• Contextual Quantum Neural Networks for Stock Price Prediction [0.0]
  我々は、コンテキスト量子ニューラルネットワークを用いて、複数の資産の株価を予測するために量子機械学習(QML)を適用した。 このアーキテクチャは量子ファイナンスにおいて最初のものであり、優れた予測力と計算効率を提供する。 我々の発見は、金融アプリケーションにおけるQMLの変革の可能性を強調し、より先進的でリソース効率のよい量子アルゴリズムの道を開いた。
  論文  参考訳（メタデータ） (2025-02-26T22:39:23Z)
• Benchmarking Quantum Models for Time-series Forecasting [0.3806074545662052]
  時系列予測における古典モデルと量子モデルを比較した。 ほとんどの量子モデルは、同等の結果を得ることができた。 結果は、予測の分野と量子機械学習の分野での有用な比較ポイントとして役立ちます。
  論文  参考訳（メタデータ） (2024-12-18T14:17:17Z)
• GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets [0.0]
  マーケットのボラティリティを計測し、予測する新しいハイブリッドなDeep Learningモデルを提案する。 他の時系列モデルと比較すると、GINNは決定係数(R2$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
  論文  参考訳（メタデータ） (2024-09-30T23:53:54Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• 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)
• MEMO: Test Time Robustness via Adaptation and Augmentation [131.28104376280197]
  テスト時間ロバスト化の問題、すなわちモデルロバスト性を改善するためにテストインプットを用いて検討する。 最近の先行研究ではテスト時間適応法が提案されているが、それぞれ追加の仮定を導入している。 モデルが確率的で適応可能な任意のテスト環境で使用できるシンプルなアプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-18T17:55:11Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Evaluating the Performance of Some Local Optimizers for Variational Quantum Classifiers [0.0]
  量子変動回路における局所回路の性能と役割について検討した。 その結果、ノイズの多い即時スケール量子マシン上の機械学習は、古典的なマシンと同様の結果を生成できることが示された。
  論文  参考訳（メタデータ） (2021-02-17T16:31:42Z)
• Exploring the Uncertainty Properties of Neural Networks' Implicit Priors in the Infinite-Width Limit [47.324627920761685]
  我々は、無限大のNNのアンサンブルに先立って関数空間をガウス過程として特徴づける最近の理論的進歩を用いる。 これにより、関数空間上の暗黙の前のNNについて、よりよく理解できます。 また,従来のNNGPを用いた分類手法の校正について検討した。
  論文  参考訳（メタデータ） (2020-10-14T18:41:54Z)
• 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。