論文の概要: Quantum and Classical Machine Learning in Decentralized Finance: Comparative Evidence from Multi-Asset Backtesting of Automated Market Makers

• arxiv url: http://arxiv.org/abs/2510.15903v1
• Date: Sun, 14 Sep 2025 01:52:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.091502
• Title: Quantum and Classical Machine Learning in Decentralized Finance: Comparative Evidence from Multi-Asset Backtesting of Automated Market Makers
• Title（参考訳）: 分散ファイナンスにおける量子および古典的機械学習:自動市場メーカのマルチアセットバックテストによる比較エビデンス
• Authors: Chi-Sheng Chen, Aidan Hung-Wen Tsai,
• Abstract要約: ハイブリッド量子モデルは、平均リターン 11.2% と平均シャープ比 1.42 で、全体的な性能が優れている。 QASAシークエンスハイブリッドモデルは、最高シャープ比1.76で13.99%の個人リターンを達成し、AMMとDeFiのトレーディング戦略における量子古典的ハイブリッドアプローチの可能性を示している。
• 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: This study presents a comprehensive empirical comparison between quantum machine learning (QML) and classical machine learning (CML) approaches in Automated Market Makers (AMM) and Decentralized Finance (DeFi) trading strategies through extensive backtesting on 10 models across multiple cryptocurrency assets. Our analysis encompasses classical ML models (Random Forest, Gradient Boosting, Logistic Regression), pure quantum models (VQE Classifier, QNN, QSVM), hybrid quantum-classical models (QASA Hybrid, QASA Sequence, QuantumRWKV), and transformer models. The results demonstrate that hybrid quantum models achieve superior overall performance with 11.2\% average return and 1.42 average Sharpe ratio, while classical ML models show 9.8\% average return and 1.47 average Sharpe ratio. The QASA Sequence hybrid model achieves the highest individual return of 13.99\% with the best Sharpe ratio of 1.76, demonstrating the potential of quantum-classical hybrid approaches in AMM and DeFi trading strategies.
• Abstract（参考訳）: 本研究では、量子機械学習(QML)と古典的機械学習(CML)による、自動市場メーカー(AMM)と分散ファイナンス(DeFi)のトレーディング戦略の総合的な比較を、複数の暗号資産にまたがる10種類のモデルに対する広範なバックテストを通じて提示する。 分析対象は,古典的MLモデル(Random Forest, Gradient Boosting, Logistic Regression),純量子モデル(VQE Classifier, QNN, QSVM),ハイブリッド量子古典モデル(QASA Hybrid, QASA Sequence, QuantumRWKV),トランスフォーマーモデルである。 その結果、ハイブリッド量子モデルは平均リターン11.2\%、平均シャープ1.42、古典的MLモデルは平均リターン9.8\%、平均シャープ1.47である。 QASAシークエンスハイブリッドモデルは、AMMとDeFiのトレーディング戦略における量子古典的ハイブリッドアプローチの可能性を示している。

関連論文リスト

• Quantum-Enhanced Generative Models for Rare Event Prediction [0.0]
  本稿では,変分量子回路に潜伏変数モデルを統合するハイブリッド古典量子フレームワークQuantum-Enhanced Generative Model (QEGM)を提案する。 合成ガウス混合物と,財務,気候,タンパク質構造にまたがる実世界のデータセットのQEGMを評価した。 その結果、QEGMは最先端のベースラインに比べて、尾部KLの分岐を最大50%減少させることが示された。
  論文  参考訳（メタデータ） (2025-11-03T20:24:55Z)
• Quantum Adaptive Self-Attention for Financial Rebalancing: An Empirical Study on Automated Market Makers in Decentralized Finance [2.2917707112773593]
  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
  論文  参考訳（メタデータ） (2025-09-21T07:27:14Z)
• 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)
• 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)
• A Novel Hybrid Approach Using an Attention-Based Transformer + GRU Model for Predicting Cryptocurrency Prices [0.0]
  本稿では,Transformer と Gated Recurrent Unit (GRU) アーキテクチャを統合した新しいディープラーニングハイブリッドモデルを提案する。 長距離パターンのキャプチャにおけるTransformerの強みと、GRUの短期トレンドとシーケンシャルトレンドをモデル化する能力を組み合わせることで、ハイブリッドモデルは時系列予測に十分に取り組んだアプローチを提供する。 提案モデルと他の4つの機械学習モデルとの比較により,提案モデルの性能を評価する。
  論文  参考訳（メタデータ） (2025-04-23T20:00:47Z)
• Benchmarking Post-Training Quantization in LLMs: Comprehensive Taxonomy, Unified Evaluation, and Comparative Analysis [89.60263788590893]
  後学習量子化(PTQ)技術は大規模言語モデル(LLM)圧縮に広く採用されている。 既存のアルゴリズムは主にパフォーマンスに重点を置いており、モデルサイズ、パフォーマンス、量子化ビット幅間のトレードオフを見越している。 本稿では LLM PTQ のための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-18T07:35:35Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• 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)

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。