論文の概要: Hybrid Quantum-Classical Ensemble Learning for S\&P 500 Directional Prediction

• arxiv url: http://arxiv.org/abs/2512.15738v1
• Date: Sat, 06 Dec 2025 22:22:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-21 14:22:08.786319
• Title: Hybrid Quantum-Classical Ensemble Learning for S\&P 500 Directional Prediction
• Title（参考訳）: S\&P 500方向予測のためのハイブリッド量子古典型アンサンブル学習
• Authors: Abraham Itzhak Weinberg,
• Abstract要約: 本稿では,量子感情分析,決定変換アーキテクチャ,戦略的モデル選択を組み合わせたハイブリッドアンサンブルフレームワークを提案する。 S&P500予測の方向精度は60.14%で、個々のモデルよりも3.10%向上している。
• 参考スコア（独自算出の注目度）: 0.2538209532048867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial market prediction is a challenging application of machine learning, where even small improvements in directional accuracy can yield substantial value. Most models struggle to exceed 55--57\% accuracy due to high noise, non-stationarity, and market efficiency. We introduce a hybrid ensemble framework combining quantum sentiment analysis, Decision Transformer architecture, and strategic model selection, achieving 60.14\% directional accuracy on S\&P 500 prediction, a 3.10\% improvement over individual models. Our framework addresses three limitations of prior approaches. First, architecture diversity dominates dataset diversity: combining different learning algorithms (LSTM, Decision Transformer, XGBoost, Random Forest, Logistic Regression) on the same data outperforms training identical architectures on multiple datasets (60.14\% vs.\ 52.80\%), confirmed by correlation analysis ($r>0.6$ among same-architecture models). Second, a 4-qubit variational quantum circuit enhances sentiment analysis, providing +0.8\% to +1.5\% gains per model. Third, smart filtering excludes weak predictors (accuracy $<52\%$), improving ensemble performance (Top-7 models: 60.14\% vs.\ all 35 models: 51.2\%). We evaluate on 2020--2023 market data across seven instruments, covering diverse regimes including the COVID-19 crash and inflation-driven correction. McNemar's test confirms statistical significance ($p<0.05$). Preliminary backtesting with confidence-based filtering (6+ model consensus) yields a Sharpe ratio of 1.2 versus buy-and-hold's 0.8, demonstrating practical trading potential.
• Abstract（参考訳）: 金融市場の予測は機械学習の挑戦的な応用であり、方向精度の小さな改善でもかなりの価値を得ることができる。 ほとんどのモデルは、高ノイズ、非定常性、市場効率のために、55-57\%の精度を達成できない。 我々は、量子感情分析、決定変換アーキテクチャ、戦略的モデル選択を組み合わせたハイブリッドアンサンブルフレームワークを導入し、S\&P 500予測における60.14\%の方向精度、個々のモデルに対する3.10\%の改善を実現した。 私たちのフレームワークは、以前のアプローチの3つの制限に対処します。 まず、アーキテクチャの多様性がデータセットの多様性を支配している。異なる学習アルゴリズム(LSTM、Decision Transformer、XGBoost、Random Forest、Logistic Regression)を同じデータ上で組み合わせることで、同じアーキテクチャを複数のデータセット(60.14\%対)でトレーニングする。 52.80\%), 相関解析(r>0.6$)により確認された。 第2に、4量子変動量子回路は感情分析を強化し、モデル毎に+0.8\%から+1.5\%のゲインを提供する。 第3に、スマートフィルタリングは弱い予測器(精度$<52\%$)を除外し、アンサンブル性能を改善する(Top-7モデル: 60.14\% vs.)。 全35モデル: 51.2\%)。 2020-2023年の市場データを7つの指標で評価し、COVID-19の崩壊やインフレーションによる補正など、さまざまな体制を網羅した。 McNemarのテストは、統計的重要性(p<0.05$)を確認している。 信頼に基づくフィルタリング (6以上のモデルコンセンサス) による予備的バックテストでは、シャープ比が1.2であり、バイ・アンド・ホールドの0.8であり、実用的なトレーディングの可能性を示している。

関連論文リスト

• Hybrid Quantum-Classical Model for Image Classification [0.0]
  本研究では,3つのベンチマークデータセットにおけるハイブリッド量子古典ニューラルネットワークと純粋に古典的なモデルとの系統的比較を示す。 ハイブリッドモデルはパラメータ化量子回路と古典的なディープラーニングアーキテクチャを統合し、古典的なモデルは従来の畳み込みニューラルネットワーク(CNN)を使用している。 実験は、検証精度、テスト精度、トレーニング時間、計算資源の使用量、敵の堅牢性など、データセット毎の50以上のトレーニングエポックで実施された。
  論文  参考訳（メタデータ） (2025-09-14T09:55:00Z)
• RGB-Event Fusion with Self-Attention for Collision Prediction [9.268995547414777]
  本稿では,動的物体を持つ無人航空機の時間と衝突位置を予測するニューラルネットワークフレームワークを提案する。 提案したアーキテクチャは、2つの異なるエンコーダ分岐で構成されており、1つはモダリティ、次に自己アテンションによる融合により予測精度が向上する。 核融合モデルでは, 平均で1%, 0.5mを超える距離で10%の精度で予測精度が向上するが, メモリで+71%, FLOPで+105%のコストがかかることがわかった。
  論文  参考訳（メタデータ） (2025-05-07T09:03:26Z)
• AWARE-NET: Adaptive Weighted Averaging for Robust Ensemble Network in Deepfake Detection [0.0]
  ディープラーニングに基づくディープフェイク検出のための新しい2層アンサンブルフレームワークを提案する。 私たちのフレームワークは、各アーキテクチャが3回インスタンス化されるユニークなアプローチを採用しています。 実験は最先端のデータセット内性能を達成した。
  論文  参考訳（メタデータ） (2025-05-01T05:14:50Z)
• Anyprefer: An Agentic Framework for Preference Data Synthesis [62.3856754548222]
  ターゲットモデルを調整するための高品質な嗜好データを合成するフレームワークであるAnypreferを提案する。 審査員モデルの応答を正確に評価するために、外部ツールが導入される。 合成されたデータは、58Kの高品質な選好ペアからなる新しい選好データセットであるAnyprefer-V1にコンパイルされる。
  論文  参考訳（メタデータ） (2025-04-27T15:21:59Z)
• Building Math Agents with Multi-Turn Iterative Preference Learning [56.71330214021884]
  本稿では,モデル性能をさらに向上させるために,補完的な直接選好学習手法について検討する。 既存の直接選好学習アルゴリズムは、もともとシングルターンチャットタスク用に設計されている。 この文脈に合わせたマルチターン直接選好学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-04T02:41:04Z)
• Decorrelating Structure via Adapters Makes Ensemble Learning Practical for Semi-supervised Learning [50.868594148443215]
  コンピュータビジョンでは、従来のアンサンブル学習法は訓練効率が低いか、限られた性能を示す。 本稿では,視覚的タスクに適応器を用いたDecorrelating Structure(DSA)による軽量,損失関数なし,アーキテクチャに依存しないアンサンブル学習を提案する。
  論文  参考訳（メタデータ） (2024-08-08T01:31:38Z)
• Common 7B Language Models Already Possess Strong Math Capabilities [61.61442513067561]
  本稿では,LLaMA-2 7Bモデルと事前学習を併用したモデルが,すでに強力な数学的能力を示していることを示す。 拡張スケーリングの可能性は、公開されている数学の質問の不足によって制限されている。
  論文  参考訳（メタデータ） (2024-03-07T18:00:40Z)
• Integrating feature selection and regression methods with technical indicators for predicting Apple Inc. stock prices [0.0]
  本研究では,技術指標を用いた株価予測精度に及ぼす特徴選択の影響について検討した。 Squeeze_pro, Percentage Price, Thermo, Archer On-Balance Volume, Bollinger Bands, Squeeze,ichimokuが, 株価予測に最も有効な技術指標であった。
  論文  参考訳（メタデータ） (2023-10-15T18:09:09Z)
• Triple Wins: Boosting Accuracy, Robustness and Efficiency Together by Enabling Input-Adaptive Inference [119.19779637025444]
  深層ネットワークは、(クリーンな自然画像の場合)正確さと(敵対的な摂動画像の場合)頑健さの相違に直面することを最近提案された。 本稿では,入力適応推論に関連するマルチエグジットネットワークについて検討し,モデル精度,ロバスト性,効率の最適化において「スイートポイント」を達成する上での強い期待を示す。
  論文  参考訳（メタデータ） (2020-02-24T00:40:22Z)

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。