論文の概要: HQFS: Hybrid Quantum Classical Financial Security with VQC Forecasting, QUBO Annealing, and Audit-Ready Post-Quantum Signing

• arxiv url: http://arxiv.org/abs/2602.16976v1
• Date: Thu, 19 Feb 2026 00:32:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.533544
• Title: HQFS: Hybrid Quantum Classical Financial Security with VQC Forecasting, QUBO Annealing, and Audit-Ready Post-Quantum Signing
• Title（参考訳）: HQFS:VQC予測、QUBOアニーリング、Audit-Readyポスト量子署名を備えたハイブリッド量子古典的金融セキュリティ
• Authors: Srikumar Nayak,
• Abstract要約: HQFSは、予測、離散的なリスク最適化、単一フローでの監査性を結合する、実用的なハイブリッドパイプラインである。 市場のデータセット調査では、HQFSはリターン予測エラーを7.8%、ボラティリティ予測エラーを6.1%削減しています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Here's the corrected paragraph with all punctuation and formatting issues fixed: Financial risk systems usually follow a two-step routine: a model predicts return or risk, and then an optimizer makes a decision such as a portfolio rebalance. In practice, this split can break under real constraints. The prediction model may look good, but the final decision can be unstable when the market shifts, when discrete constraints are added (lot sizes, caps), or when the optimization becomes slow for larger asset sets. Also, regulated settings need a clear audit trail that links each decision to the exact model state and inputs. We present HQFS, a practical hybrid pipeline that connects forecasting, discrete risk optimization, and auditability in one flow. First, HQFS learns next-step return and a volatility proxy using a variational quantum circuit (VQC) with a small classical head. Second, HQFS converts the risk-return objective and constraints into a QUBO and solves it with quantum annealing when available, while keeping a compatible classical QUBO solver as a fallback for deployment. Third, HQFS signs each rebalance output using a post-quantum signature so the allocation can be verified later without trusting the runtime environment. On our market dataset study, HQFS reduces return prediction error by 7.8% and volatility prediction error by 6.1% versus a tuned classical baseline. For the decision layer, HQFS improves out-of-sample Sharpe by 9.4% and lowers maximum drawdown by 11.7%. The QUBO solve stage also cuts average solve time by 28% compared to a mixed-integer baseline under the same constraints, while producing fully traceable, signed allocation records.
• Abstract（参考訳）: 金融リスクシステムは通常、2段階のルーチンに従っています。モデルがリターンやリスクを予測し、オプティマイザがポートフォリオのリバランスなどの決定を行います。 実際には、この分割は実際の制約の下で壊れる可能性がある。 予測モデルは良く見えるかもしれないが、最終的な決定は市場の変化、離散的な制約(スロットサイズ、上限)の追加、より大きな資産セットの最適化が遅いときに不安定になる可能性がある。 また、規制された設定では、各決定を正確なモデル状態と入力にリンクする明確な監査証跡が必要である。 HQFSは,予測,離散的リスク最適化,単一フローにおける監査性を結合する,実用的なハイブリッドパイプラインである。 まず、HQFSは、変動量子回路(VQC)と小さな古典的ヘッドを用いて、次のステップのリターンとボラティリティプロキシを学習する。 第2に、HQFSはリスクリターンの目標と制約をQUBOに変換し、利用可能な量子アニーリングで解決すると同時に、互換性のある古典的なQUBOソルバをデプロイメントのフォールバックとして保持する。 第3に、HQFSはクォータ後のシグネチャを使用して各再バランス出力に署名し、ランタイム環境を信頼せずにアロケーションを後で検証する。 市場データセット調査では、HQFSはリターン予測エラーを7.8%削減し、ボラティリティ予測エラーを6.1%削減した。 決定層では、HQFSはサンプル外シャープを9.4%改善し、最大ダウンダウンを11.7%削減する。 QUBOソルバステージは、同じ制約の下で混合整数ベースラインと比較して平均解時間を28%削減すると同時に、完全にトレース可能な符号付きアロケーションレコードを生成する。

関連論文リスト

• SCOPE: Selective Conformal Optimized Pairwise LLM Judging [16.73004625486562]
  大規模言語モデル (LLMs) は、コストのかかる人間の選好ラベルをペア評価で置き換えるために、裁判官としてますます使われている。 実用性にも拘わらず、LLMの審査員は、誤校正や体系的な偏見に悩まされる傾向にある。 本稿では,有限サンプル統計保証から選択的に判断するフレームワークであるSCOPEを提案する。
  論文  参考訳（メタデータ） (2026-02-13T17:10:43Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• ZIP-RC: Optimizing Test-Time Compute via Zero-Overhead Joint Reward-Cost Prediction [57.799425838564]
  ZIP-RCは、モデルに報酬とコストのゼロオーバーヘッド推論時間予測を持たせる適応推論手法である。 ZIP-RCは、同じまたはより低い平均コストで過半数投票よりも最大12%精度が向上する。
  論文  参考訳（メタデータ） (2025-12-01T09:44:31Z)
• Reinforcement Learning from Probabilistic Forecasts for Safe Decision-Making via Conditional Value-at-Risk Planning [41.52380204321823]
  本稿では,ベイズ予測,後方サンプリング強化学習,計画とを結合した統一的枠組みである不確実性認識マルコフ決定プロセス(UAMDP)を提案する。 構造的不確実性と経済のボラティリティを特徴とする2つのドメインの高頻度株式取引と小売在庫管理において,UAMDPを評価した。
  論文  参考訳（メタデータ） (2025-10-09T13:46:32Z)
• Beyond Greedy Exits: Improved Early Exit Decisions for Risk Control and Reliability [14.00844847268286]
  早期のDeep Neural Networksは、中間層での予測を可能にすることで、適応推論を可能にする。 我々のフレームワークは、フルモデルのパフォーマンスと比較して、パフォーマンス低下(2%)を最小限に抑えながら、スピードアップ(1.70-2.10x)が一貫した改善を示している。
  論文  参考訳（メタデータ） (2025-09-28T06:05:24Z)
• 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)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Decision from Suboptimal Classifiers: Excess Risk Pre- and Post-Calibration [52.70324949884702]
  バッチ二分決定における近似的後続確率を用いた余剰リスクの定量化を行う。 我々は、再校正のみが後悔のほとんどに対処する体制と、後悔が集団的損失に支配される体制を識別する。 NLP実験では、これらの量によって、より高度なポストトレーニングの期待値が運用コストに値するかどうかが分かる。
  論文  参考訳（メタデータ） (2025-03-23T10:52:36Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)

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。