⚛️ quantum physics

A Quantum Reservoir Computing Approach to Quantum Stock Movement Forecasting in Quantum-Invested Markets

تقدم هذه الورقة إطار عمل للحوسبة الخزانية الكمومية غير مرتبط بمنصة محددة، يستخدم نظاماً صغيراً مكوناً من ستة كيوبتات لتحقيق دقة تتجاوز 86% في التنبؤ باتجاهات الأسهم وأحجام التداول لشركات القطاع الكمومي، مما يبرهن على إمكانات الأجهزة الكمومية في عصرها الحالي للتحليل المعقد للسلاسل الزمنية المالية.

المؤلفون الأصليون: Wendy Otieno, Alexandre Zagoskin, Alexander G. Balanov, Juan Totero Gongora, Sergey E. Savel'ev

نُشر 2026-05-14

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Wendy Otieno, Alexandre Zagoskin, Alexander G. Balanov, Juan Totero Gongora, Sergey E. Savel'ev

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

الفكرة الكبرى: "كرة بلورية" مصنوعة من البتات الكمومية

تخيل أنك تحاول التنبؤ بالطقس. لديك الكثير من البيانات (سرعة الرياح، الرطوبة، درجة الحرارة)، لكن الغلاف الجوي فوضوي ويتغير بطرق معقدة وغير خطية. أسواق الأسهم مشابهة لذلك: فهي تتأثر بالاقتصاد، والسياسة، والمشاعر البشرية، مما يجعل التنبؤ بها صعباً للغاية.

تقدم هذه الورقة البحثية أداة جديدة للتنبؤ بحركات سوق الأسهم تسمى الحوسبة الخزانية الكمومية (Quantum Reservoir Computing - QRC). لا تنظر إلى هذا كحاسوب خارق يحسب كل متغير، بل فكر فيه كـ آلة موسيقية معقدة وحساسة للغاية "تشعر" بإيقاع السوق.

المفهوم الجوهري: الخزان الكمومي

بنى المؤلفون نظاماً كمومياً صغيراً باستخدام ما يصل إلى ستة كيوبتات (الوحدات الأساسية للحواسيب الكمومية). يسمون هذا النظام "الخزان" (Reservoir).

التشبيه: تخيل إلقاء حصاة في بركة ماء. تنتشر التموجات، وتصطدم بالحواف، وتتفاعل مع بعضها البعض في أنماط دوامية معقدة. لست بحاجة لحساب فيزياء كل جزيء ماء بمفرده لفهم النمط العام للتموجات؛ كل ما عليك فعله هو مراقبة كيفية تحرك الماء.
في الورقة البحثية: "الحصاة" هي بيانات سوق الأسهم (تحديداً حجم التداول اليومي). "البركة" هي النظام الكمومي المكون من ستة كيوبتات. عندما تدخل البيانات إلى النظام، تتفاعل الكيوبتات، وتتشابك، وتخلق "نمط تموج" عالي الأبعاد ومعقد يلتقط العلاقات غير الخطية الخفية في بيانات الأسهم.

كيف يعمل: الخطوات الثلاث

الترميز (المدخلات): يأخذ الفريق بيانات الأسهم الخام (مثل عدد الأسهم التي تم تداولها) ويترجمها إلى لغة النظام الكمومي. يفعلون ذلك عبر تعديل طفيف في "الإعدادات" (معاملات الهاميلتونيان/Hamiltonian parameters) للكيوبتات، تماماً مثل تدوير قرص الراديو لضبط تردد معين.
الخزان (المعالجة): تتطور الكيوبتات بمرور الوقت. ولأنها كمومية، يمكنها الوجود في حالات متعددة في وقت واحد (التراكب/Superposition) وتكون مرتبطة ببعضها البعض (التشابك/Entanglement). يتيح ذلك للنظام معالجة البيانات بطريقة تجد الحواسيب التقليدية صعوبة فيها، حيث يلتقط الأنماط المعقدة دون الحاجة إلى تعليمه كل قاعدة بشكل صريح.
قراءة المخرجات (التنبؤ): لا يخرج النظام حالة كمومية معقدة؛ بل يخرج "قراءة" بسيطة (مثل إضاءة مصباح أو انطفائه لكل كيوبت). بعد ذلك، تستخدم صيغة رياضية بسيطة (الانحدار الخطي) هذه الأضواء لتقول: "بناءً على هذا النمط، من المرجح أن حجم التداول سيرتفع أو ينخفض غداً".

ما الذي اختبروه؟

اختبر الباحثون هذه "الكرة البلورية الكمومية" على 20 شركة تعمل في مجال الصناعة الكمومية (مثل IBM، ومايكروسوفت، وشركات ناشئة أصغر في مجال الكم). وقد نظروا في نوعين من البيانات:

خمس سنوات من التاريخ: التنبؤ بأحجام التداول اليومية للإغلاق من عام 2020 إلى 2025.
يوم واحد من التداول في "خارج ساعات العمل": التنبؤ بما يحدث عندما تكون السوق مغلقة (فترات ما قبل وما بعد السوق)، وهي فترات عادة ما تكون متقلبة وغير متوقعة للغاية.

النتائج: جيدة بشكل مفاجئ

الدقة: كان النموذج دقيقاً بشكل مفاجئ في التنبؤ بما إذا كان حجم التداول سوف يرتفع أو ينخفض. في كثير من الحالات، أصاب في تحديد الاتجاه بنسبة تزيد عن 86% من المرات.
الصغر ميزة: وجدوا أنهم لم يكونوا بحاجة إلى حاسوب كمومي ضخم. فنظام صغير مكون من 5 أو 6 كيوبتات فقط كان كافياً لتحقيق نتائج ممتازة.
المتانة: عمل النموذج بشكل جيد حتى مع البيانات "المشوشة" (مثل ساعات ما قبل السوق الفوضوية) ومع الشركات ذات عادات التداول المختلفة تماماً (بعضها ضخم ومستقر، وبعضها صغير ومجنون).
المقارنة: عند مقارنته بنماذج الذكاء الاصطناعي التقليدية (مثل الشبكات العصبية القياسية)، تفوق هذا النهج الكمومي غالباً أو قدم أداءً مماثلاً، ولكن بهيكل أبسط لا يتطلب "تدريباً" مكثفاً للأجزاء الداخلية.

لماذا هذا مهم (وفقاً للورقة البحثية)

تشير الورقة إلى أن أسواق الأسهم ليست كفؤة تماماً (وهي نظرية "فرضية السوق الكفؤة" التي تقول إنه لا يمكنك التنبؤ بها). حقيقة أن هذا النموذج الكمومي استطاع إيجاد أنماط والتنبؤ بالاتجاهات تعني أن هناك هياكل غير خطية خفية في البيانات يمكن استغلالها.

علاوة على ذلك، فإن النموذج غير مرتبط بمنصة محددة (Platform-agnostic). وهذا يعني أنه لا يهم إذا بنيت الكيوبتات باستخدام الدوائر فائقة التوصيل (مثل IBM) أو الأيونات المحاصرة (مثل IonQ)؛ فالرياضيات تعمل بنفس الطريقة. وهذا يجعل منه أداة عملية للحواسيب الكمومية التي يمكننا بناؤها اليوم، وليس فقط الحواسيب الضخمة التي ستأتي في المستقبل البعيد.

ملخص موجز

بنى المؤلفون نظاماً كمومياً صغيراً مكوناً من 6 كيوبتات يعمل كغرفة صدى معقدة لبيانات الأسهم. ومن خلال الاستماع إلى كيفية "صدى" البيانات داخل النظام الكمومي، يمكنهم التنبؤ بما إذا كانت أحجام التداول سترتفع أو تنخفض بدقة عالية. لقد أثبتوا أنك لست بحاجة إلى حاسوب كمومي عملاق للقيام بذلك؛ فنظام صغير وبسيط يكفي لإيجاد أنماط قد تفوتها الحواسيب التقليدية.

ملخص تقني: نهج الحوسبة الخزانية الكمومية للتنبؤ بحركة الأسهم في الأسواق المستثمرة كمومياً

بيان المشكلة
لا يزال التنبؤ بسوق الأسهم مهمة شاقة نظراً للطبيعة المعقدة وغير الخطية والمتقلبة للعوائد المالية. فغالباً ما تعجز النماذج التقليدية، التي تتراوح من الأطر الكمية مثل "بلاك-شولز" إلى العمليات العشوائية والنماذج القائمة على الوكلاء، عن استيعاب كامل تفاصيل ديناميكيات السوق، والتي تتأثر بمجموعة واسعة من العوامل الاقتصادية والجيوسياسية والنفسية. وبينما تشير فرضية كفاءة السوق (EMH) إلى أن كفاءة السوق المثالية تجعل التنبؤ مستحيلاً، فإن الأدلة التجريبية على وجود شذوذ مثل تكتل التقلبات، والزخم، والارتباط الذاتي للعوائد، تشير إلى وجود هياكل غير خطية يمكن استغلالها. وقد أظهرت نماذج التعلم الآلي الكلاسيكية، وخاصة الشبكات العصبية الاصطناعية (ANNs) مثل شبكات الذاكرة الطويلة قصيرة المدى (LSTMs) والشبكات العصبية المتكررة (RNNs)، وعوداً في اكتشاف هذه الأنماط، لكنها تعاني من قيود في سرعة التقارب والتعقيد الخوارزمي. علاوة على ذلك، بينما توفر الحوسبة الكمومية الآلية (QML) مزايا محتملة من خلال التراكب والتشابك لاستكشاف مساحات البيانات عالية الأبعاد، فإن القيود الحالية للأجهزة (الضجيج، وعدد محدود من الكيوبتات) تستلتزم بأساليب تقشفية وقابلة للتوسع يمكنها العمل بفعالية على الأجهزة الكمومية القريبة من المدى.

المنهجية
يقترح المؤلفون إطار عمل للحوسبة الخزانية الكمومية (QRC) مصمم للتنبؤ بالسلاسل الزمنية المالية غير الخطية. يستخدم النظام خزاناً كمومياً صغير النطاق يتكون من ستة كيوبتات متفاعلة كحد أقصى، تم نمذجتها كنظام "دي-ويف" (D-Wave).

البنية: يتكون إطار العمل من طبقة مدخلات، ومخطط ترميز، وخزان كمومي (QR)، وطبقة قراءة، ومخرج انحدار خطي. الخزان الكمومي هو نظام من $N$ من الكيوبتات (حيث $N \leq 6$ ) مرتبة في طوبولوجيا "الكل إلى الكل"، مما يسمح بالتفاعلات المباشرة بين أي زوج من الكيوبتات.
ديناميكيات هاميلتونيان: تُحكم ديناميكيات الخزان بواسطة هاميلتونيان $\hat{H}(u)$ يتضمن حدود الكيوبت الفردية (إزاحة التردد $\Delta_n$ وتردد رابي $\Omega_n$ ) وحدود التفاعل ثنائية الجسم ( $V_{mn}$ ). يتم ترميز السلسلة الزمنية للمدخلات $u(t)$ (أحجام الإغلاق اليومية) في بارامترات الهاميلتونيان $\Delta_n(u)$ و $\Omega_n(u)$ .
التطور ورسم الخرائط الميزتية: يتطور النظام من حالة أولية $|\psi_0\rangle$ عبر زمن $T_e = 2\pi/\Omega_0$ . تقوم الديناميكيات، الموصوفة بمعادلة "ليندبلاد" الرئيسية التي تشمل التبديد، برسم خرائط مساحة المدخلات الخطية إلى مساحة ميزات غير خطية عالية الأبعاد. تعمل هذه العملية على استغلال إزاحة التردد، وتذبذبات رابي، والتشابك لاستخراج الارتباطات الزمنية دون تدريب صريح للأوزان.
القراءة والتدريب: تتميز حالة الخزان بقيم التوقعات لمؤثرات المراقب (انعكاس السكان لكل كيوبت). تشكل هذه القيم مصفوفة القراءة $W$ . تتضمن عملية التدريب فقط طبقة القراءة، حيث يُستخدم انحدار "ريج" الخطي لتحديد المعاملات $X$ التي تربط حالات الخزان بالسلسلة الزمنية المستهدفة. يظل الخزان نفسه ثابتاً (غير مدرب).
البيانات والنطاق: تم تطبيق النموذج على 20 شركة عامة في القطاع الكمومي (تتراوح من الشركات ذات رأس المال الصغير جداً إلى الشركات العملاقة) على مدار فترة خمس سنوات (11 أبريل 2020 – 11 أبريل 2025) للتنبؤ بحجم الإغلاق اليومي (DCV). بالإضافة إلى ذلك، تم اختبار النموذج على أحجام التداول دقيقة بدقيقة خلال ساعات ما قبل السوق وما بعد السوق ليوم 7 يوليو 2025.
المقاييس: تم تقييم الأداء باستخدام متوسط مربع الخطأ (MSE)، ومتوسط مربع الخطأ المعياري (NMSE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق المئوي (MAPE)، ودقة الاتجاه (DA) لتصنيف الاتجاهات الصاعدة/الهابطة.

المساهمات والنتائج الرئيسية

الحجم الأمثل للخزان: حددت الدراسة أن عدداً صغيراً من الكيوبتات كافٍ لتحقيق أداء عالٍ. وتحديداً، حقق $N=5$ من الكيوبتات أدنى معدلات الخطأ (MSE, NMSE, RMSE) لـ 11 شركة من أصل 20، بينما حققت شركات أخرى أداءً أمثل بـ $N=3, 4,$ أو $6 $. ومن الجدير بالذكر أن حتى كيوبت واحد ($ N=1 $) حقق دقة اتجاه تجاوزت 70% لـ 15 شركة، رغم أن$ N \geq 2$ كان مطلوباً بشكل عام لتحقيق دقة تزيد عن 85%.
دقة تنبؤية عالية: حقق إطار عمل HPE-QRC (الخزان الكمومي المرمز ببارامترات هاميلتونيان) دقة تصنيف لاتجاه السهم (صعود/هبوط) تجاوزت 86% للبارامترات المثلى. بالنسبة للتنبؤ بحجم الإغلاق اليومي لمدة خمس سنوات، حققت 10 شركات نسبة MAPE أقل من 5%، حيث أظهرت شركة هانيويل (HON) MAPE منخفضاً بشكل استثنائي (0.0922% – 0.2975%).
المقارنة المرجعية: عند مقارنته بالنماذج الكلاسيكية (المدرك متعدد الطبقات، ونموذج حالة الصدى)، تفوق HPE-QRC على النماذج الكلاسيكية في 12 شركة بالنسبة لـ MAPE وفي 14 شركة بالنسبة لـ NMSE. وبينما أظهر نموذج MLP دقة اتجاه فائقة عبر جميع الشركات، إلا أن HPE-QRC تفوق على QIESN و ESN في 13 و 16 شركة على التوالي فيما يتعلق بدقة الاتجاه.
التنبؤ قصير المدى وخارج ساعات العمل: أظهر النموذج متانة في التنبؤ بالاتجاهات المستقبلية بناءً على بيانات محدودة. حيث سمح التدريب على يوم واحد فقط (7 يوليو 2025) للنموذج بالتنبؤ بالاتجاهات للأيام التالية (10-18 يوليو) بدقة عالية. بالنسبة لساعات ما قبل السوق، حققت البارامترات المثلى دقة اتجاه (DA) > 86% لعدة شركات. أما بالنسبة لساعات ما بعد السوق، وبالرغم من انخفاض السيولة وارتفاع التقلب، حافظ النموذج على دقة اتجاه (DA) > 76% لـ 15 شركة.
تحليل سلوك الذيول: قام المؤلفون بتوصيف البيانات المالية باستخدام نسب العزوم المعيارية (SMR). ووجدوا أنه بينما أظهرت الشركات ذات رأس المال الصغير/المتوسط ذيولاً ثقيلة (تقلب عالٍ)، أظهرت الشركات العملاقة ذيولاً أخف. ورغم هذه الاختلافات الهيكلية، نجح إطار عمل QRC في نمذجة كلا النظامين، مما يشير إلى قدرته على التقاط الارتباطات الزمنية المتنوعة.

الأهمية والادعاءات
يزعم البحث أن إطار عمل QRC المقترح يبرهن على "القوة التعبيرية والمتانة للخزانات الكمومية صغيرة النطاق" لنمذجة الارتباطات الزمنية المعقدة في البيانات المالية. ومن خلال تحقيق دقة تنبؤية عالية باستخدام عدد ضئيل من الكيوبتات (حتى ستة)، تشير الدراسة إلى أن الأجهزة الكمومية الحالية، المحدودة بالضجيج والمقياس، هي بالفعل قابلة للتطبيق في مهام التنبؤ الواقعية.

ويفترض المؤلفون أن نجاح QRC في التنبؤ بأحجام الإغلاق اليومية واتجاهات السوق يعني وجود هياكل غير خطية يمكن استغلالها، مما يتعارض مع الافتراضات الصارمة لفرضية كفاءة السوق (EMH). كما أن الطبيعة المستقلة عن المنصة للنموذج — والتي يمكن تنفيذها على الدوائر فائقة التوصيل، أو الأيونات المحاصرة، أو غيرها من تطبيقات الكيوبت — تسلط الضوء على إمكانية تطبيقه الواسع. وتشير النتائج إلى أن الخزانات الكمومية يمكن أن تحسن دقة ومتانة نماذج التنبؤ بسوق الأسهم، مما يتغلب بفعالية على التعقيدات والتقلبات المتأصلة في البيانات المالية دون الحاجة إلى حواسيب كمومية ضخمة ومقاومة للخطأ.