論文の概要: Quantum Adaptive Self-Attention for Financial Rebalancing: An Empirical Study on Automated Market Makers in Decentralized Finance
- arxiv url: http://arxiv.org/abs/2509.16955v1
- Date: Sun, 21 Sep 2025 07:27:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-23 18:58:16.052605
- Title: Quantum Adaptive Self-Attention for Financial Rebalancing: An Empirical Study on Automated Market Makers in Decentralized Finance
- Title（参考訳）: 金融リバランシングのための量子適応型セルフアテンション:分散型金融における自動市場メーカの実証的研究
- Authors: Chi-Sheng Chen, Aidan Hung-Wen Tsai,
- Abstract要約: 量子古典的自己アテンションブロックである textbfQuantum Adaptive Self-Attention (QASA) について検討した。
QASAは変分量子回路(VQC)を介して量子クエリ/キー/値を構築し、標準的なソフトマックスの注意をPauli-$Z$期待ベクトルに適用する。
textbfQASA-Sequence 変種は、単一モデルのリスク調整されたパフォーマンス(textbf13.99% return; textbfe 1.76)を得る
- 参考スコア（独自算出の注目度）: 2.2917707112773593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We formulate automated market maker (AMM) \emph{rebalancing} as a binary detection problem and study a hybrid quantum--classical self-attention block, \textbf{Quantum Adaptive Self-Attention (QASA)}. QASA constructs quantum queries/keys/values via variational quantum circuits (VQCs) and applies standard softmax attention over Pauli-$Z$ expectation vectors, yielding a drop-in attention module for financial time-series decision making. Using daily data for \textbf{BTCUSDC} over \textbf{Jan-2024--Jan-2025} with a 70/15/15 time-series split, we compare QASA against classical ensembles, a transformer, and pure quantum baselines under Return, Sharpe, and Max Drawdown. The \textbf{QASA-Sequence} variant attains the \emph{best single-model risk-adjusted performance} (\textbf{13.99\%} return; \textbf{Sharpe 1.76}), while hybrid models average \textbf{11.2\%} return (vs.\ 9.8\% classical; 4.4\% pure quantum), indicating a favorable performance--stability--cost trade-off.
- Abstract（参考訳）: 自動市場メーカ (AMM) \emph{rebalancing} をバイナリ検出問題として定式化し、量子古典的自己アテンションブロックである \textbf{Quantum Adaptive Self-Attention (QASA) について検討する。
QASAは変分量子回路(VQC)を介して量子クエリ/キー/値を構築し、標準的なソフトマックスの注意をPauli-$Z$予想ベクトルに適用し、金融時系列決定のためのドロップインアテンションモジュールを生成する。
70/15/15の時系列分割で \textbf{Jan-2024--Jan-2025} 上の \textbf{BTCUSDC} の日次データを用いて、QASA を、Return, Sharpe, Max Drawdown の下での古典的なアンサンブル、変換器、純粋量子ベースラインと比較する。
\textbf{QASA-Sequence} 変種は \emph{best single-model risk-adjusted performance} (\textbf{13.99\%} return; \textbf{Sharpe 1.76})を獲得し、一方ハイブリッドモデルは \textbf{11.2\%} return (vs) となる。
9.8 % 古典的、純量子量 4.4 % は、良好な性能、安定性、コストのトレードオフを示す。
関連論文リスト
- 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) - Hybrid Quantum-Classical Branch-and-Price Method for the Vertex Coloring Problem [0.11242503819703255]
量子古典ブランチ・アンド・プライス(Quantum Classical Branch-and-Price、QCBP)は、中性原子量子処理ユニット(QPU)上の頂点色問題に対するハイブリッド量子古典アルゴリズムである。
論文 参考訳（メタデータ） (2025-08-26T10:03:56Z) - 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) - Benchmarking Classical and Quantum Models for DeFi Yield Prediction on Curve Finance [0.0]
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。
論文 参考訳（メタデータ） (2025-07-22T06:55:20Z) - MPQ-DMv2: Flexible Residual Mixed Precision Quantization for Low-Bit Diffusion Models with Temporal Distillation [74.34220141721231]
我々は,textbfMixed textbfPrecision textbfQuantizationフレームワークを改良したMPQ-DMv2を提案する。
論文 参考訳（メタデータ） (2025-07-06T08:16:50Z) - 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) - Bayesian Quantum Amplitude Estimation [46.03321798937855]
量子振幅推定のための問題調整およびノイズ認識ベイズアルゴリズムであるBAEを提案する。
耐障害性シナリオでは、BAEはハイゼンベルク限界を飽和させることができ、デバイスノイズが存在する場合、BAEはそれを動的に特徴付け、自己適応することができる。
本稿では,振幅推定アルゴリズムのベンチマークを提案し,他の手法に対してBAEをテストする。
論文 参考訳（メタデータ） (2024-12-05T18:09:41Z) - 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) - Quantum-optimal-control-inspired ansatz for variational quantum
algorithms [105.54048699217668]
変分量子アルゴリズム (VQA) の中心成分は状態準備回路(英語版)であり、アンザッツ(英語版)または変分形式(英語版)とも呼ばれる。
ここでは、対称性を破るユニタリを組み込んだ「解」を導入することで、このアプローチが必ずしも有利であるとは限らないことを示す。
この研究は、より一般的な対称性を破るアンスの開発に向けた第一歩となり、物理学や化学問題への応用に繋がる。
論文 参考訳（メタデータ） (2020-08-03T18:00:05Z) - Weighted QMIX: Expanding Monotonic Value Function Factorisation for Deep
Multi-Agent Reinforcement Learning [66.94149388181343]
本稿では,MARLのためのQ$-learningアルゴリズムの新バージョンを提案する。
Q*$をアクセスしても、最適なポリシーを回復できることを示します。
また,プレデレータープリとマルチエージェントのStarCraftベンチマークタスクの性能向上を実証した。
論文 参考訳（メタデータ） (2020-06-18T18:34:50Z)
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。