論文の概要: Quantum Machine Learning methods for Fourier-based distribution estimation with application in option pricing

• arxiv url: http://arxiv.org/abs/2510.19494v1
• Date: Wed, 22 Oct 2025 11:43:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.74568
• Title: Quantum Machine Learning methods for Fourier-based distribution estimation with application in option pricing
• Title（参考訳）: オプション価格適用によるフーリエ分布推定のための量子機械学習手法
• Authors: Fernando Alonso, Álvaro Leitao, Carlos Vázquez,
• Abstract要約: オプション価格問題に対処する2つのハイブリッド古典量子法を提案する。 提案手法は,導関数評価の競合的量子代替物として,顕著な精度を実現していることを示す。
• 参考スコア（独自算出の注目度）: 42.79174867716636
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ongoing progress in quantum technologies has fueled a sustained exploration of their potential applications across various domains. One particularly promising field is quantitative finance, where a central challenge is the pricing of financial derivatives-traditionally addressed through Monte Carlo integration techniques. In this work, we introduce two hybrid classical-quantum methods to address the option pricing problem. These approaches rely on reconstructing Fourier series representations of statistical distributions from the outputs of Quantum Machine Learning (QML) models based on Parametrized Quantum Circuits (PQCs). We analyze the impact of data size and PQC dimensionality on performance. Quantum Accelerated Monte Carlo (QAMC) is employed as a benchmark to quantitatively assess the proposed models in terms of computational cost and accuracy in the extraction of Fourier coefficients. Through the numerical experiments, we show that the proposed methods achieve remarkable accuracy, becoming a competitive quantum alternative for derivatives valuation.
• Abstract（参考訳）: 量子技術の継続的な進歩は、様々な領域にわたる潜在的な応用の継続的な探索を加速させた。 特に有望な分野は量的金融であり、モンテカルロ統合技術による金融デリバティブの価格設定が中心的な課題である。 本研究では,オプション価格問題に対処する2つのハイブリッド古典量子法を提案する。 これらのアプローチは、パラメタライズド量子回路(PQC)に基づく量子機械学習(QML)モデルの出力から統計分布のフーリエ級数表現を再構成することに依存する。 データサイズとPQC次元がパフォーマンスに与える影響を解析する。 QAMC(Quantum Accelerated Monte Carlo)は、フーリエ係数の抽出における計算コストと精度の観点から、提案したモデルを定量的に評価するためのベンチマークである。 数値実験により,提案手法が顕著な精度を達成し,導関数評価の競合量子代替となることを示す。

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)
• Evaluating Quantum Amplitude Estimation for Pricing Multi-Asset Basket Options [2.1702673021505245]
  実世界のデータに対する金融価格設定における量子エンハンスな不確実性モデリングの役割について検討する。 我々は、量子振幅推定と不確実な量子ビット数の変化の影響を、固定された資産数を維持しながら解析する。
  論文  参考訳（メタデータ） (2025-09-11T13:16:55Z)
• From Classical Data to Quantum Advantage -- Quantum Policy Evaluation on Quantum Hardware [1.451206235416202]
  量子ポリシー評価(Quantum Policy Evaluation, QPE)は、古典モンテカルロ推定法よりも2次的に効率的である強化学習アルゴリズムである。 量子ハードウェア上での量子機械学習(QML)により、これらの環境パラメータが古典的な観測データのバッチからどのように学習できるかを示す。 実験の結果,ノイズや短コヒーレンス時間といった課題にもかかわらず,QMLとQPEの統合はRLにおける量子的優位性の実現に有望な可能性を示唆している。
  論文  参考訳（メタデータ） (2025-09-09T11:36:25Z)
• Supervised Quantum Machine Learning: A Future Outlook from Qubits to Enterprise Applications [0.6144680854063939]
  Supervised Quantum Machine Learning (QML)は、量子コンピューティングと古典的な機械学習の共通点である。 本稿では, 量子回路, 量子ニューラルネットワーク, 量子カーネル法などの手法に着目し, 教師付きQMLの最近の展開を概観する。
  論文  参考訳（メタデータ） (2025-05-30T16:29:12Z)
• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Pricing of European Calls with the Quantum Fourier Transform [0.0]
  我々は、幅広い資産モデルにまたがるヨーロッパのコールオプションの価格設定のための量子アルゴリズムを導入、分析する。 我々は、この新しいアルゴリズムをオプション価格で既存の量子アルゴリズムと比較する。
  論文  参考訳（メタデータ） (2024-04-22T12:03:49Z)
• 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)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• Error mitigation in variational quantum eigensolvers using tailored probabilistic machine learning [5.630204194930539]
  本稿では,量子計算におけるノイズを軽減するために,ガウス過程回帰(GPR)をアクティブラーニングフレームワーク内に導入する新しい手法を提案する。 我々は,IBMのオープンソース量子コンピューティングフレームワークであるQiskitを用いて,2サイトアンダーソン不純物モデルと8サイトハイゼンベルクモデルに対する提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-11-16T22:29:43Z)

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。