arXiv cs.AI· Danyal Maheshwari, Gerhard Hellstern, Martin Zaefferer, Martin Braun, Tanja D\"ohler·· 1 天前AI 评分22
量子循环架构用于金融时间序列预测：未发现量子优势
Quantum Recurrent Architectures for Financial Time Series Prediction
AI 导读
研究对比了量子LSTM（QLSTM）与量子储备池计算（QRC）在金融时间序列预测上的表现。仅2105个参数的QLSTM与参数量大126倍的LSTM统计上无差异，但与同等参数预算的经典对照模型也无差异，说明其参数效率不能归因于量子电路。量子储备池在全部十个随机种子下均劣于同等特征维度的经典储备池，且劣于SARIMA；所有循环模型与经典储备池的RMSE比SARIMA约优2%。
正文 · AI 翻译
摘要：本研究评估用于金融时间序列预测的量子-经典混合循环架构：量子长短期记忆（QLSTM）网络和带滞后输入的量子储备池计算（QRC）。经典滞后向量通过振幅编码被编码为量子态，这种编码能紧凑地表示归一化观测值，但需要非平凡的态制备；QLSTM 门和 QRC 储备池由参数化量子电路实现，而经典优化器训练接口层和读出层。在一个通过高斯过程-隐马尔可夫生成器扩展到 1056 个月的月度收入序列上，采用固定的按时间顺序 70/15/15 划分和一步超前预测，我们将这两个模型与全尺寸 LSTM、在参数预算和接口架构上匹配的经典对照模型、小型普通 LSTM 以及经典储备池计算进行比较，使用十个随机种子，并与持续性、季节朴素和 SARIMA 基准预测进行对比。拥有 2,105 个参数的 QLSTM 与一个规模大 126 倍的 LSTM 在统计上无法区分，但同样与匹配的经典对照模型以及相同预算的普通 LSTM 无法区分，因此其参数效率不能归因于量子电路。量子储备池在全部十个随机种子中都劣于特征维度相同的经典储备池，也劣于 SARIMA，而所有循环模型和两个经典储备池在 RMSE 上比 SARIMA 提升约 2\%。在 24 个月滚动起点回测中，经典 LSTM 的退化速度比 QLSTM 更慢。我们未发现该低维设置中存在量子精度或参数效率优势的证据。
| 学科： | 量子物理（quant-ph）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.15298 [quant-ph] |
| （或 arXiv:2611.15298v1 [quant-ph] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.15298 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Danyal Maheshwari [查看电子邮件]
[v1]
2026 年 11 月 11 日星期三 10:30:03 UTC（3,855 KB）
来源：arXiv cs.AI · arxiv.org