論文の概要: Quantum vs. Classical Machine Learning: A Benchmark Study for Financial Prediction

• arxiv url: http://arxiv.org/abs/2601.03802v1
• Date: Wed, 07 Jan 2026 11:02:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-08 18:12:46.185855
• Title: Quantum vs. Classical Machine Learning: A Benchmark Study for Financial Prediction
• Title（参考訳）: 量子対古典的機械学習:財務予測のためのベンチマーク研究
• Abstract要約: データ構造と回路設計が適切に整合している場合,量子的手法により性能が向上することを示す。 方向性分類において、ハイブリッド量子ニューラルネットワークは、パラメータマッチングされたANNを textbf+3.8 AUC と textbf+3.4 の精度ポイントを textttAAPL 株、 textbf+4.9 AUC と textbf+3.6 の精度ポイントをトルコの textttKCHOL で上回る。 ライブトレーディングにおいて、QLSTMはtextttのリスク調整されたリターンを高める
• 参考スコア（独自算出の注目度）: 4.154628197854726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we present a reproducible benchmarking framework that systematically compares QML models with architecture-matched classical counterparts across three financial tasks: (i) directional return prediction on U.S. and Turkish equities, (ii) live-trading simulation with Quantum LSTMs versus classical LSTMs on the S\&P 500, and (iii) realized volatility forecasting using Quantum Support Vector Regression. By standardizing data splits, features, and evaluation metrics, our study provides a fair assessment of when current-generation QML models can match or exceed classical methods. Our results reveal that quantum approaches show performance gains when data structure and circuit design are well aligned. In directional classification, hybrid quantum neural networks surpass the parameter-matched ANN by \textbf{+3.8 AUC} and \textbf{+3.4 accuracy points} on \texttt{AAPL} stock and by \textbf{+4.9 AUC} and \textbf{+3.6 accuracy points} on Turkish stock \texttt{KCHOL}. In live trading, the QLSTM achieves higher risk-adjusted returns in \textbf{two of four} S\&P~500 regimes. For volatility forecasting, an angle-encoded QSVR attains the \textbf{lowest QLIKE} on \texttt{KCHOL} and remains within $\sim$0.02-0.04 QLIKE of the best classical kernels on \texttt{S\&P~500} and \texttt{AAPL}. Our benchmarking framework clearly identifies the scenarios where current QML architectures offer tangible improvements and where established classical methods continue to dominate.
• Abstract（参考訳）: 本稿では、QMLモデルとアーキテクチャに適合した古典的手法を3つの財務課題で体系的に比較する再現可能なベンチマークフレームワークを提案する。 (i)米国及びトルコ株の方向性リターン予測 (II)S\&P 500における量子LSTMと古典LSTMとのライブトレーディングシミュレーション 3) 量子支援ベクトル回帰を用いたボラティリティ予測を実現した。 データ分割、特徴、評価の基準を標準化することにより、我々の研究は、現在世代のQMLモデルが古典的手法と一致するか、あるいは超えるかを公平に評価する。 この結果から,データ構造と回路設計の整合性が高い場合,量子的手法により性能が向上することが明らかとなった。 方向性分類において、ハイブリッド量子ニューラルネットワークは、パラメータマッチングされたANNを \textbf{+3.8 AUC} と \textbf{+3.4 の精度点、およびトルコの株 \textbf{+4.9 AUC} と \textbf{+3.6 の精度点で上回る。 ライブトレーディングでは、QLSTM は S\&P~500 のレジームの textbf{two of four} においてより高いリスク調整リターンを達成する。 ボラティリティ予測では、角エンコードされたQSVRが \texttt{KCHOL} 上の \textbf{lowest QLIKE} を取得し、 \texttt{S\&P~500} と \texttt{AAPL} 上の古典的カーネルの $\sim$0.02-0.04 QLIKE 内に残る。 我々のベンチマークフレームワークは、現在のQMLアーキテクチャが具体的な改善を提供し、確立された古典的メソッドが支配的であるシナリオを明確に特定しています。

関連論文リスト

• QLIF-CAST: Quantum Leaky-Integrate-and-Fire for Time-Series Weather Forecasting [2.1702673021505245]
  この研究は、時系列回帰タスクにQuantum Leaky Integrate-and-Fireのスパイクニューラルネットワークを適用する。 QLIF-CASTは励起ニューロン状態を、Rx回転ゲートとT1緩和崩壊によって駆動される単一量子ビット量子重ね合わせとして符号化する。 IBM Marrakeshのハードウェア検証は信頼性の高い回路実行を確認し、シミュレーションからの平均偏差はわずか1.2%である。
  論文  参考訳（メタデータ） (2026-05-18T12:49:46Z)
• Learning Temporal Patterns in Financial Time Series: A Comparative Study of Quantum LSTM and Quantum Reservoir Computing [0.0]
  本研究は、金融時系列フォアキャスティングのための量子および古典的ハイブリッドアーキテクチャに焦点を当てる。 遅延埋め込みが予測精度と堅牢性にどのように影響するかを評価する。 我々は、従来のLSTMと貯水池計算に対して、メトリクスのような一般的なエラーを用いて量子モデルをベンチマークする。
  論文  参考訳（メタデータ） (2026-05-04T14:37:31Z)
• Do Quantum Transformers Help? A Systematic VQC Architecture Comparison on Tabular Benchmarks [2.005299372367689]
  変分量子回路(VQCs)は、短期デバイス上での量子機械学習における主要なアプローチである。 マルチ層完全連結(FC-VQC)、残留(ResNet-VQC)、ハイブリッド量子古典変換器(QT)、完全量子変換器(FQT)の4つのVQC族を比較した。 FC-VQCは、40-50%少ないパラメータを使用しながら、注目ベースのVQCのR2$の90-96%を達成している。 これらの知見は、短期量子ハードウェアにVQCをデプロイするための実用的なアーキテクチャガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-04-27T01:13:14Z)
• A Hybrid Quantum-Classical Framework for Financial Volatility Forecasting Based on Quantum Circuit Born Machines [4.607454636271561]
  本稿では,古典的ニューラルネットワークの強力な表現能力と,量子モデルのユニークな利点を組み合わせることを目的とした,新しいハイブリッド量子古典計算フレームワークを提案する。 金融市場のボラティリティ予測の具体的な課題として,Long Short-Term Memory(LSTM)ネットワークとQuantum Circuit Born Machine(QCBM)を組み合わせたハイブリッドモデルの設計と実装を行った。 実験結果から,従来のLSTMベースラインモデルと比較して,我々のハイブリッド量子古典モデルは,Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Qなど,複数の主要な指標に対して有意な優位性を示した。
  論文  参考訳（メタデータ） (2026-03-10T15:23:41Z)
• What Makes Low-Bit Quantization-Aware Training Work for Reasoning LLMs? A Systematic Study [59.44848132298657]
  ポストトレーニング量子化(PTQ)は通常、特に低ビット設定でのタスクの推論において、大きな精度低下のコストが伴う。 本研究では,推論モデルに対する量子化認識学習(QAT)の体系的研究について述べる。
  論文  参考訳（メタデータ） (2026-01-21T11:22:29Z)
• Quantum Temporal Convolutional Neural Networks for Cross-Sectional Equity Return Prediction: A Comparative Benchmark Study [8.777151099203934]
  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。
  論文  参考訳（メタデータ） (2025-12-07T02:34:24Z)
• CAGE: Curvature-Aware Gradient Estimation For Accurate Quantization-Aware Training [73.46600457802693]
  本稿では,量子化による損失に対応する新しい手法を提案する。 CAGEは、同様の計算コストで、精度の観点から最先端の手法を大幅に改善する。 LlamaモデルのQAT事前トレーニングでは、CAGEは4ビット(W4A4)で達成された精度と事前のベストメソッドとを一致させる。
  論文  参考訳（メタデータ） (2025-10-21T16:33:57Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• 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)
• Quantum-Informed Machine Learning for Predicting Spatiotemporal Chaos [1.5216516276847551]
  本稿では,高次元カオスシステムの長期動的挙動に対する量子インフォームド・機械学習(QIML)フレームワークを提案する。 本研究では, 倉本-シヴァシンスキー方程式, 2次元コルモゴロフ流, 完全に発達した3次元乱流流の断面の3つの代表系についてQIMLを評価する。
  論文  参考訳（メタデータ） (2025-07-26T08:36:16Z)
• 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)
• Quantum Kernel-Based Long Short-term Memory for Climate Time-Series Forecasting [0.24739484546803336]
  本稿では,量子カーネル法を従来のLSTMアーキテクチャに統合したQK-LSTM(Quantum Kernel-Based Long short-Memory)ネットワークを提案する。 QK-LSTMは、トレーニング可能なパラメータが少ない複雑な非線形依存と時間ダイナミクスをキャプチャする。
  論文  参考訳（メタデータ） (2024-12-12T01:16:52Z)
• Quantum Long Short-Term Memory for Drug Discovery [15.186004892998382]
  本稿ではQMLアーキテクチャであるQLSTM(Quantum Long Short-Term Memory)について述べる。 従来のLSTMよりも一貫した性能向上が観察され、ROC-AUCの改善は3%から6%以上である。 QLSTMは、量子ビットの数が増加するにつれて予測精度が向上し、従来のLSTMよりも早く収束する。
  論文  参考訳（メタデータ） (2024-07-29T10:10:03Z)
• Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
  量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。 関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。 量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-21T21:40:47Z)

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。