論文の概要: Quantum-Enhanced Forecasting for Deep Reinforcement Learning in Algorithmic Trading
- arxiv url: http://arxiv.org/abs/2509.09176v2
- Date: Fri, 12 Sep 2025 03:09:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-15 12:05:48.660096
- Title: Quantum-Enhanced Forecasting for Deep Reinforcement Learning in Algorithmic Trading
- Title（参考訳）: アルゴリズム取引における深層強化学習のための量子強化予測
- Authors: Jun-Hao Chen, Yu-Chien Huang, Yun-Cheng Tsai, Samuel Yen-Chi Chen,
- Abstract要約: 量子インスパイアされたニューラルネットワークと深層強化学習の収束は、金融取引に有望な道を提供する。
我々は、短時間トレンド予測にQuantum Long Short-Term Memory(QLSTM)とQuantum Asynchronous Advantage Actor-Critic(QA3C)を統合することで、USD/TWDのトレーディングエージェントを実装する。
QLSTMの特徴と指標,トレンドフォロー/リスク制御のための報酬関数,マルチコアトレーニング。その結果,ハイブリッドモデルが競合するFXトレーディング性能を示す。
- 参考スコア（独自算出の注目度）: 21.340195103891684
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The convergence of quantum-inspired neural networks and deep reinforcement learning offers a promising avenue for financial trading. We implemented a trading agent for USD/TWD by integrating Quantum Long Short-Term Memory (QLSTM) for short-term trend prediction with Quantum Asynchronous Advantage Actor-Critic (QA3C), a quantum-enhanced variant of the classical A3C. Trained on data from 2000-01-01 to 2025-04-30 (80\% training, 20\% testing), the long-only agent achieves 11.87\% return over around 5 years with 0.92\% max drawdown, outperforming several currency ETFs. We detail state design (QLSTM features and indicators), reward function for trend-following/risk control, and multi-core training. Results show hybrid models yield competitive FX trading performance. Implications include QLSTM's effectiveness for small-profit trades with tight risk and future enhancements. Key hyperparameters: QLSTM sequence length$=$4, QA3C workers$=$8. Limitations: classical quantum simulation and simplified strategy. \footnote{The views expressed in this article are those of the authors and do not represent the views of Wells Fargo. This article is for informational purposes only. Nothing contained in this article should be construed as investment advice. Wells Fargo makes no express or implied warranties and expressly disclaims all legal, tax, and accounting implications related to this article.
- Abstract（参考訳）: 量子インスパイアされたニューラルネットワークと深層強化学習の収束は、金融取引に有望な道を提供する。
我々は、量子長短期記憶(QLSTM)を量子非同期アドバンテージ・アクター・クリティカル(QA3C)と短期トレンド予測に組み込むことにより、USD/TWDのためのトレーディングエージェントを実装した。
2000-01-01から2025-04-30(80-%のトレーニング、20-%のテスト)のデータに基づいて訓練され、この長期限定エージェントは、約5年間で11.87-%のリターンを達成し、最大0.92-%のドローダウンを達成し、いくつかの通貨ETFを上回っている。
状態設計(QLSTMの特徴と指標)、トレンドフォロー/リスク制御のための報酬関数、マルチコアトレーニングについて詳述する。
その結果,ハイブリッドモデルでは競争力のあるFXトレーディング性能が得られた。
影響としては、リスクが厳しく、将来的な拡張が期待できる中小企業向けQLSTMの有効性がある。
主要なハイパーパラメータ: QLSTMシーケンスの長さ$=4, QA3Cワーカー$=$8。
制限:古典的な量子シミュレーションと単純化された戦略。
この記事で表現されているビューは著者のビューであり、Wells Fargoのビューを表すものではない。
この記事は情報のみを対象としている。
この記事に含まれるものは、投資アドバイスと解釈されるべきである。
ウェルズ・ファーゴは言明や暗示の保証を一切行わず、この記事に関連するすべての法律、税、会計の含意を明示的に否定している。
関連論文リスト
- A Quantum Reservoir Computing Approach to Quantum Stock Price Forecasting in Quantum-Invested Markets [70.52784924397838]
本稿では、少なくとも6つの相互作用量子ビットからなる小規模量子システムに基づく量子貯水池計算フレームワークを提案する。
我々は、2020年4月11日から2025年4月11日までの期間に、20の量子セクター上場企業の日次取引量を予測するために、このモデルを適用した。
本分析では, ストックトレンド(アップ/ダウン)分類精度が86%以上となる最適貯水池パラメータを同定した。
論文 参考訳（メタデータ） (2026-02-13T17:00:03Z) - Quantum vs. Classical Machine Learning: A Benchmark Study for Financial Prediction [4.154628197854726]
データ構造と回路設計が適切に整合している場合,量子的手法により性能が向上することを示す。
方向性分類において、ハイブリッド量子ニューラルネットワークは、パラメータマッチングされたANNを textbf+3.8 AUC と textbf+3.4 の精度ポイントを textttAAPL 株、 textbf+4.9 AUC と textbf+3.6 の精度ポイントをトルコの textttKCHOL で上回る。
ライブトレーディングにおいて、QLSTMはtextttのリスク調整されたリターンを高める
論文 参考訳（メタデータ） (2026-01-07T11:02:03Z) - Quantum Temporal Convolutional Neural Networks for Cross-Sectional Equity Return Prediction: A Comparative Benchmark Study [8.777151099203934]
QTCNN(Quantum Temporal Convolutional Neural Network)は、古典的時間的エンコーダとパラメータ効率の高い量子畳み込み回路を結合して、断面的等価リターン予測を行う。
QTCNNはシャープ比0.538を達成し、古典的ベースラインを約72%上回っている。
これらの結果は、量子化予測モデルであるQTCNNの量的ファイナンスにおける堅牢な意思決定における実用可能性を強調している。
論文 参考訳（メタデータ） (2025-12-07T02:34:24Z) - Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment [52.05742536403784]
この仕事は、数発の信用リスク評価の課題に取り組む。
我々は、新しいハイブリッド量子古典ワークフローを設計、実装する。
量子ニューラルネットワーク(QNN)はパラメータシフト規則によって訓練された。
実世界の279のサンプルデータを用いて、QNNはシミュレーションで0.852 +/-0.027の堅牢な平均AUCを達成し、ハードウェア実験で0.88の印象的なAUCを得た。
論文 参考訳（メタデータ） (2025-09-17T08:36:05Z) - Prediction of Stocks Index Price using Quantum GANs [0.5900825203015314]
株価予測に適したQGANモデルを実装し,その性能を過去の株式市場データを用いて評価する。
以上の結果から,QGANは実際の市場行動によく似た合成データを生成できることが示され,予測精度が向上した。
この研究は、金融予測に量子コンピューティングを統合するための重要なステップであり、従来の手法よりも高速で精度の高い利点を提供する。
論文 参考訳（メタデータ） (2025-09-14T20:28:24Z) - Quantum Reinforcement Learning Trading Agent for Sector Rotation in the Taiwan Stock Market [7.360168388085351]
台湾株式市場におけるセクターローテーションのためのハイブリッド量子古典的強化学習フレームワークを提案する。
量子強化モデルは、常により高いトレーニング報酬を達成するが、それらは現実世界の投資指標において古典的なモデルより劣る。
この不一致は、金融分野に強化学習を適用する上での課題を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-06-26T01:29:19Z) - 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) - AI-Powered Energy Algorithmic Trading: Integrating Hidden Markov Models with Neural Networks [0.0]
本研究では,HMM(Hidden Markov Models)とニューラルネットワークを組み合わせた新たなアプローチを提案する。
新型コロナウイルスの期間(2019-2022年)に、この二重モデルアプローチはシャープ比0.77で83%のリターンを達成した。
論文 参考訳（メタデータ） (2024-07-29T10:26:52Z) - Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。
関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。
量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-21T21:40:47Z) - Simulation of IBM's kicked Ising experiment with Projected Entangled
Pair Operator [71.10376783074766]
我々は最近,誤りを軽減した量子回路を用いてエミュレートされた127量子ビットキックド・イジングモデルの古典的シミュレーションを行った。
提案手法はハイゼンベルク図の射影的絡み合ったペア作用素(PEPO)に基づいている。
我々はクリフォード展開理論を開発し、正確な期待値を計算し、それらをアルゴリズムの評価に利用する。
論文 参考訳（メタデータ） (2023-08-06T10:24:23Z) - Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。
テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。
この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
論文 参考訳（メタデータ） (2023-05-18T03:08:18Z) - Quantum computational finance: martingale asset pricing for incomplete
markets [69.73491758935712]
金融の価格問題に様々な量子技術を適用することができることを示す。
従来の研究と異なる3つの方法について議論する。
論文 参考訳（メタデータ） (2022-09-19T09:22:01Z) - Realization of arbitrary doubly-controlled quantum phase gates [62.997667081978825]
本稿では,最適化問題における短期量子優位性の提案に着想を得た高忠実度ゲートセットを提案する。
3つのトランペット四重項のコヒーレントな多レベル制御を編成することにより、自然な3量子ビット計算ベースで作用する決定論的連続角量子位相ゲートの族を合成する。
論文 参考訳（メタデータ） (2021-08-03T17:49:09Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z)
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。