論文の概要: Quantum Temporal Convolutional Neural Networks for Cross-Sectional Equity Return Prediction: A Comparative Benchmark Study

• arxiv url: http://arxiv.org/abs/2512.06630v1
• Date: Sun, 07 Dec 2025 02:34:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.439563
• Title: Quantum Temporal Convolutional Neural Networks for Cross-Sectional Equity Return Prediction: A Comparative Benchmark Study
• Title（参考訳）: 量子時間畳み込みニューラルネットワークによる断面等式回帰予測:比較ベンチマークによる検討
• Authors: Chi-Sheng Chen, Xinyu Zhang, Rong Fu, Qiuzhe Xie, Fan Zhang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.777151099203934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum machine learning offers a promising pathway for enhancing stock market prediction, particularly under complex, noisy, and highly dynamic financial environments. However, many classical forecasting models struggle with noisy input, regime shifts, and limited generalization capacity. To address these challenges, we propose a Quantum Temporal Convolutional Neural Network (QTCNN) that combines a classical temporal encoder with parameter-efficient quantum convolution circuits for cross-sectional equity return prediction. The temporal encoder extracts multi-scale patterns from sequential technical indicators, while the quantum processing leverages superposition and entanglement to enhance feature representation and suppress overfitting. We conduct a comprehensive benchmarking study on the JPX Tokyo Stock Exchange dataset and evaluate predictions through long-short portfolio construction using out-of-sample Sharpe ratio as the primary performance metric. QTCNN achieves a Sharpe ratio of 0.538, outperforming the best classical baseline by approximately 72\%. These results highlight the practical potential of quantum-enhanced forecasting model, QTCNN, for robust decision-making in quantitative finance.
• Abstract（参考訳）: 量子機械学習は、特に複雑で騒々しく、非常にダイナミックな金融環境下で、株式市場の予測を強化するための有望な経路を提供する。 しかし、多くの古典的予測モデルはノイズの多い入力、状態シフト、限定的な一般化能力に悩まされている。 これらの課題に対処するために,古典的テンポラルエンコーダとパラメータ効率のよい量子畳み込み回路を組み合わせた量子時間畳み込みニューラルネットワーク(QTCNN)を提案する。 時間エンコーダはシーケンシャルな技術的指標からマルチスケールパターンを抽出し、量子処理は重ね合わせと絡み合いを利用して特徴表現を高め、過剰適合を抑制する。 JPX東京証券取引所データセットの総合的なベンチマークを行い、アウトオブサンプルシャープ比を主性能指標として長期ポートフォリオ構築による予測を評価する。 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。

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)
• 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 Temporal Fusion Transformer [3.530759252061682]
  本稿では,量子拡張型ハイブリッド量子古典アーキテクチャである量子時間核融合変換器(QTFT)を紹介する。 QTFTは予測データセットのトレーニングに成功し、将来の値を正確に予測することができる。 結果は、複雑な機械学習タスクにおいて、量子コンピューティングを使用してディープラーニングアーキテクチャを向上する可能性を示している。
  論文  参考訳（メタデータ） (2025-08-06T03:21:20Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
  本稿では、量子長短期記憶層と古典的な高密度層を組み合わせたハイブリッド量子リカレントニューラルネットワークフレームワークを提案する。 実験の結果、トレーニング可能なパラメータが少ないにもかかわらず、Hybrid Quantum Recurrent Neural Networkは、リカレントニューラルネットワークよりも最大5%改善できることがわかった。
  論文  参考訳（メタデータ） (2025-04-29T14:41:41Z)
• HQNN-FSP: A Hybrid Classical-Quantum Neural Network for Regression-Based Financial Stock Market Prediction [3.5418331252013897]
  本研究では、金融トレンド予測を支援するためのハイブリッド量子古典的アプローチの可能性について検討する。 独自の量子ニューラルネットワーク(QNN)レグレシタが導入された。
  論文  参考訳（メタデータ） (2025-03-19T16:44:21Z)
• 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)
• 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)
• The cross-sectional stock return predictions via quantum neural network and tensor network [0.0]
  本稿では,量子および量子に着想を得た機械学習アルゴリズムのストックリターン予測への応用について検討する。 本研究では、雑音の多い中間規模量子コンピュータに適したアルゴリズムである量子ニューラルネットワークと、量子に着想を得た機械学習アルゴリズムであるテンソルネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2023-04-25T00:05:13Z)
• 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)
• The dilemma of quantum neural networks [63.82713636522488]
  量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。 これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
  論文  参考訳（メタデータ） (2021-06-09T10:41:47Z)

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。