論文の概要: Quantum Recurrent Architectures for Financial Time Series Prediction
- arxiv url: http://arxiv.org/abs/2611.15298v1
- Date: Wed, 11 Nov 2026 10:30:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.102378
- Title: Quantum Recurrent Architectures for Financial Time Series Prediction
- Title(参考訳): 時系列予測のための量子リカレントアーキテクチャ
- Abstract要約: 金融時系列予測のための量子古典的ハイブリッド・リカレントアーキテクチャの評価を行う。
この低次元設定では、量子精度やパラメータ効率の利点の証拠は見つからない。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study evaluates quantum classical hybrid recurrent architectures for financial time-series forecasting: a Quantum Long Short-Term Memory (QLSTM) network and Quantum Reservoir Computing (QRC) with lag-based inputs. Classical lag vectors are encoded into quantum states via amplitude encoding, which compactly represents normalized observations but requires nontrivial state preparation; the QLSTM gates and the QRC reservoir are implemented with parameterized quantum circuits, while classical optimizers train the interface and readout layers. On a monthly revenue series extended to 1056 months by a Gaussian-process--hidden-Markov generator, with a fixed chronological 70/15/15 split and one-step-ahead forecasts, we compare both models against a full-size LSTM, a classical control matched in parameter budget and interface architecture, a small plain LSTM, and classical reservoir computing, over ten seeds and against persistence, seasonal-naive and SARIMA benchmark forecasts. The QLSTM, with 2,105 parameters, is statistically indistinguishable from an LSTM 126 times larger, but equally indistinguishable from the matched classical control and from a plain LSTM of the same budget, so its parameter efficiency cannot be attributed to the quantum circuits. The quantum reservoir is worse than a classical reservoir of equal feature dimension in all ten seeds and worse than SARIMA, whereas all recurrent models and both classical reservoirs improve on SARIMA by about 2\% in RMSE. In a 24-month rolling-origin backtest the classical LSTMs degrade more slowly than the QLSTM. We find no evidence of a quantum accuracy or parameter-efficiency advantage in this low-dimensional setting.
- Abstract(参考訳): 本研究では,量子長短期記憶(QLSTM)ネットワークとラグをベースとした量子貯留層計算(QRC)という,金融時系列予測のための量子古典的ハイブリッド・リカレントアーキテクチャを評価する。
古典的なラグベクトルは振幅符号化によって量子状態に符号化され、これはコンパクトに正規化された観測を表現しているが、非自明な状態準備を必要とし、QLSTMゲートとQRC貯水池はパラメータ化された量子回路で実装され、古典的なオプティマイザはインタフェースと読み出し層を訓練する。
固定時間70/15/15分割と1ステップ先行予測を備えたガウシアンプロセス・ハイデン・マルコフジェネレータによる1056ヶ月の月次収益シリーズでは,パラメータ予算とインタフェースアーキテクチャに適合する古典的制御であるLSTM,小さなプレーンLSTM,古典的貯水池コンピューティング,10種以上の種子と持続性,季節性ナイーブおよびSARIMAベンチマークの両モデルを比較した。
QLSTMは2,105のパラメータを持つが、LSTM 126倍の大きさのLSTMとは統計的に区別できないが、一致した古典制御と同一予算の通常のLSTMとは等しく区別できないため、そのパラメータ効率は量子回路に帰属できない。
量子貯水池は、すべての10種の種子において等しい特徴次元を持つ古典的な貯水池よりも悪く、SARIMAよりも悪いが、すべての再帰モデルと古典的な貯水池はRMSEにおいて約2倍改善されている。
24ヶ月のローリングオリジンバックテストでは、古典的なLSTMはQLSTMよりも遅く低下する。
この低次元設定では、量子精度やパラメータ効率の利点の証拠は見つからない。
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) - Gated QKAN-FWP: Scalable Quantum-inspired Sequence Learning [38.502127166117674]
量子インスパイアされたKolmogorov-Arnold Network(QKAN)とFWPを統合した高速軽量フレームワークQKAN-FWPを提案する。
私たちは、DARUAN(DatA Re-Uploading ActivatioN)として知られる、学習可能な非線形アクティベーションとしてシングルキュービットデータ再ロード回路を使用している。
時系列ベンチマーク,MiniGrid強化学習,および実世界の太陽周期予測を主要な実践的結果として取り上げ,その枠組みを評価する。
論文 参考訳(メタデータ) (2026-05-07T13:04:09Z) - 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) - Quantum-Optimized Selective State Space Model for Efficient Time Series Prediction [39.146761527401424]
本稿では、状態空間のダイナミクスと変分量子ゲートを統合するハイブリッド量子最適化手法を提案する。
我々は、広く使われている3つのベンチマーク(ETT、トラフィック、為替レート)で、Q-SSMを実証的に検証する。
その結果,Q-SSMは強いベースラインよりも一貫して改善されていることがわかった。
論文 参考訳(メタデータ) (2025-08-29T22:00:48Z) - 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) - Toward Practical Quantum Machine Learning: A Novel Hybrid Quantum LSTM for Fraud Detection [0.1398098625978622]
本稿では,不正検出のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。
重畳や絡み合いなどの量子現象を活用することで、我々のモデルはシーケンシャルトランザクションデータの特徴表現を強化する。
その結果,従来のLSTMベースラインと比較して,精度,精度,リコール,F1スコアの競争力の向上が示された。
論文 参考訳(メタデータ) (2025-04-30T19:09:12Z) - 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) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳(メタデータ) (2024-02-23T14:09:41Z) - 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) - Quantum machine learning for image classification [39.58317527488534]
本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。
我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。
第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
論文 参考訳(メタデータ) (2023-04-18T18:23:20Z)
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。