論文の概要: HQNN-CL: Regime-Aware Hybrid Quantum Neural Network with Continual Learning for Financial Forecasting

• arxiv url: http://arxiv.org/abs/2611.02091v1
• Date: Sun, 01 Nov 2026 18:05:51 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:18:42.005736
• Title: HQNN-CL: Regime-Aware Hybrid Quantum Neural Network with Continual Learning for Financial Forecasting
• Title（参考訳）: HQNN-CL:財務予測のための連続学習型レジーム対応ハイブリッド量子ニューラルネットワーク
• Abstract要約: 本研究では,連続学習型ハイブリッド量子古典ニューラルネットワーク(HQNN-CL)を提案する。 提案フレームワークは,ガウス的隠れマルコフモデル(HMM)に基づく状態検出,BiLSTM時間符号化,適応深度パラメータ化量子回路,弾性重畳化(EWC)を組み合わせた。 このフレームワークは、Microsoft、Systems Limited、Tata Consultancy Servicesの4つのリアルタイムストックデータセットでテストされた。
• 参考スコア（独自算出の注目度）: 0.3186130813218338
• License:
• Abstract: Financial time-series forecasting is still difficult owing to the non-stationary nature of the market, regime changes, and catastrophic forgetting, which makes conventional deep learning models hard to adapt in the long term. To achieve uncertainty-aware robust financial forecasting in the face of changing market conditions, this study proposes a Hybrid Quantum-Classical Neural Network with Continual Learning (HQNN-CL). The proposed framework combines Gaussian Hidden Markov Model (HMM) based regime detection, BiLSTM temporal encoding, adaptive-depth parameterized quantum circuits, Elastic Weight Consolidation (EWC), experience replay, and probabilistic forecasting in a single architecture. The framework was tested on four real-time stock datasets: Microsoft, Systems Limited, Teradata and Tata Consultancy Services, and compared with seven state-of-the-art forecasting models, including recurrent and Transformer-based models. The experimental results show that HQNN-CL has outperformed other methods on the Systems Limited (RMSE = 3.0149) and Teradata (RMSE = 0.8909) datasets and is within 0.32% and 0.40% of the best baseline method for Microsoft and Tata Consultancy Services, respectively. The proposed framework also generates well-calibrated probabilistic forecasts within the range of 89.5% to 96.5% empirical coverage rate, has zero catastrophic forgetting (BWT = 0.0000) for all sequential learning tasks, and consistently shows positive forward transfer. Ablation and statistical significance analyses also validate the performance of adaptive quantum feature learning and continual adaptation under heterogeneous market conditions, regime-wise.
• Abstract（参考訳）: 金融時系列予測は、市場の非定常的な性質、体制の変化、破滅的な忘れ込みのため依然として困難であり、従来型のディープラーニングモデルは長期的には適応し難い。 本研究では,市場状況の変化に直面した不確実性を考慮した財務予測を実現するために,連続学習型ハイブリッド量子古典ニューラルネットワーク(HQNN-CL)を提案する。 提案フレームワークは,ガウス的隠れマルコフモデル(HMM)に基づく状態検出,BiLSTM時間符号化,適応深度パラメータ化量子回路,EWC(Elastic Weight Consolidation),経験再現(experience replay),確率予測(probabilistic forecasting)を一つのアーキテクチャで組み合わせたものである。 このフレームワークは、Microsoft、Systems Limited、Teradata、Tata Consultancy Servicesの4つのリアルタイムストックデータセットでテストされ、リカレントとTransformerベースのモデルを含む7つの最先端の予測モデルと比較された。 実験の結果,HQNN-CL は Systems Limited (RMSE = 3.0149) と Teradata (RMSE = 0.8909) のデータセットで他の手法よりも優れており,Microsoft と Tata Consultancy Services の最高のベースラインメソッドの0.32% と 0.40% 以内であることがわかった。 提案フレームワークはまた、89.5%から96.5%の実証的カバレッジの範囲内で、よく校正された確率予測を生成し、全ての逐次学習タスクに対して破滅的忘れ(BWT = 0.0000)をゼロとし、常に肯定的な転送を示す。 アブレーションおよび統計的意義分析は、不均一な市場条件下での適応的量子特徴学習と連続的適応の性能も、状態的に検証する。

関連論文リスト

• Hybrid Hidden Markov Model for Modeling Equity Excess Growth Rate Dynamics: A Discrete-State Approach with Jump-Diffusion [0.0]
  パラメトリックモデルから深層生成ネットワークへの既存のアプローチは、重み付き分布、無視可能な線形自己相関、永続的なボラティリティクラスタリングを同時に再現するのに苦労している。 本稿では,連続的過剰成長率をLaplacequantile-defined market stateに離散化するハイブリッド隠れマルコフフレームワークを提案する。 パラメータは直接遷移カウントによって推定され、Baum-Welch EMアルゴリズムをバイパスする。
  論文  参考訳（メタデータ） (2026-03-10T20:06:53Z)
• 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)
• 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)
• 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)
• Hybrid Quantum Neural Networks with Amplitude Encoding: Advancing Recovery Rate Predictions [6.699192644249841]
  回収率予測は、リスク評価の強化、ポートフォリオ割り当ての最適化、価格精度の向上など、債券投資戦略において重要な役割を担っている。 本稿では,Amplitudeを用いたハイブリッド量子機械学習(QML)モデルを提案する。 我々は1996年から2023年までの1,725の観測結果からなる地球規模の回復率データセット上でモデルを評価した。
  論文  参考訳（メタデータ） (2025-01-27T07:27:23Z)
• Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks [37.69303106863453]
  物理インフォームドBNNにおける不確実性定量化(UQ)のアプローチを提案する。 本稿では, 鋼のクリープ破断寿命を予測するためのケーススタディを提案する。 クリープ寿命予測の最も有望なフレームワークは、マルコフ・チェイン・モンテカルロによるネットワークパラメータの後方分布の近似に基づくBNNである。
  論文  参考訳（メタデータ） (2023-11-04T19:40:16Z)
• $\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを多変量ガウス因子モデルで拡張し,構築によるコヒーレンスを実現する。 我々はこの手法をCLOVER(Coherent Learning Objective Reparametrization Neural Network)と呼ぶ。 CLOVERは最先端のコヒーレント予測手法と比較して,スケールしたCRPS予測精度が15%向上した。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)

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。