ملخص تقني: تعلم الأنماط الزمنية في السلاسل الزمنية المالية

بيان المشكلة

يعد التنبؤ بالسلاسل الزمنية المالية أمراً صعباً بطبيعته بسبب عدم الاستقرار، والذيول الثقيلة، وتحولات الأنظمة، والاعتمادات المعقدة بين الأصول المتعددة. وبينما أصبحت نماذج التعلم العميق الكلاسيكية، وخاصة شبكات الذاكرة الطويلة قصيرة المدى (LSTM)، معياراً لنمذجة الاعتمادات الزمنية، إلا أنها غالباً ما تتطلب موارد حوسبة كبيرة وأعداداً ضخمة من المعلمات (parameters)، خاصة في الإعدادات متعددة المتغيرات ذات السلاسل المترابطة. وفي المقابل، توفر الحوسبة الخزانية (Reservoir Computing - RC) بديلاً أكثر كفاءة من خلال تدريب مخرقات خطية فقط مع إبقاء "الخزان" المتكرر ثابتاً.

تتمثل المشكلة المركزية التي تعالجها هذه الدراسة في ما إذا كانت البنى المتكررة المعززة كمومياً يمكن أن تقدم ميزة تمثيلية على هذه الخطوط المرجعية الكلاسيكية للتنبؤ المالي. وتحديداً، يبحث المؤلفون فيما إذا كان بإمكان نموذج الذاكرة الطويلة قصيرة المدى الكمومي (QLSTM) والحوسبة الخزانية الكمومية (QRC) التقاط الأنماط الزمنية غير الخطية والارتباطات بين المتغيرات بشكل أفضل تحت قيود الكيوبت (qubit) الواقعية، دون مجرد زيادة حجم النموذج.

المنهجية

البيانات والمعالجة المسبقة

تستخدم الدراسة مقاييس متعلقة بالإيرادات لـ 20 منتجاً، مما ينتج عنه سلاسل زمنية شهرية أحادية المتغير تبلغ مدتها حوالي 8 سنوات (96 ملاحظة). ولمعالجة محدودية البيانات التاريخية القصيرة للتنبؤ طويل المدى، قام المؤلفون بتوليد استمرارات اصطناعية. تمت نمذجة هذه الاستمرارات باستخدام العملية الغاوسية (Gaussian Process - GP) لتمثيل الاتجاهات السلسة والموسمية، مدمجة مع نموذج ماركوف المخفي (HMM) ثنائي الحالة لالتقاط تحولات المستويات في البواقي.

بالنسبة للتنبؤ، تم تحويل المشكلة التسلسلية إلى مهمة تعلم تحت الإشراف باستخدام المدخلات المتأخرة (lagged inputs). وتقيم الدراسة هياكل التأخير أحادية المتغير (سلسلة واحدة) ومتعددة المتغيرات (سلاسل متعددة مترابطة).

الترميز الكمومي

المكون الحاسم في المنهجية هو ترميز السعة (Amplitude Encoding). باستخدام مكتبة Q-Alchemy، يتم تطبيع متجهات الميزات الكلاسيكية وتضمينها مباشرة في سعات الاحتمال لحالة مكونة من $n$ من الكيوبتات. يسمح هذا بالضغط الأسي، حيث يمثل متجه ميزات ذي أبعاد $2^n$ باستخدام $n$ من الكيوبتات فقط. تُطبق استراتيجية الترميز هذه على بنيتي QLSTM وQRC.

بنيات النماذج

تقارن الدراسة بين أربعة نماذج:

1. LSTM الكلاسيكي: شبكة متكررة قياسية ذات خلايا ذاكرة بوابية.
2. QLSTM (الذاكرة الطويلة قصيرة المدى الكمومية): يوسع نموذج LSTM عبر استبدال حسابات البوابات (المدخلات، النسيان، المخرجات، وحالة الخلية) بدارات كمومية معلمية (Variational Quantum Circuits - VQCs). يتم دمج المدخل الكلاسيكي مع الحالة المخفية، وترميزه في حالات كمومية، ومعالجته عبر دارة كمومية معلمية (تتكون من دورات أحادية الكيوبت والتشابك)، ثم قياسه لتحديث الحالة المخفية والخلية الكلاسيكية.
3. الحوسبة الخزانية الكلاسيكية (RC): تستخدم شبكة متكررة عالية الأبعاد وثابتة ذات اتصال عشوائي، حيث يتم تدريب المخرقات الخطية فقط.
4. QRC (الحوسبة الخزانية الكمومية): تستبدل الخزان الكلاسيكي بنظام ديناميكي كمومي ثابت. يتم ترميز المدخلات في حالات كمومية، وتتطور عبر مؤثر وحدوي ثابت (دوران عشوائي وتشابك حلقي)، ثم تُقاس لتوليد ميزات عالية الأبعاد. تم اختبار استراتيجيتين للمخرقات: مخرقات الانحدار الخطي (LR) ومخرقات الشبكة العصبية (NN).

الإعداد التجريبي

يتم اختبار النماذج مقابل بعضها البعض باستخدام نهج مطابقة المعلمات. تم تكوين QLSTM وLSTM ليكون لهما أحجام حالة مخفية وأعداد معلمات متشابهة لضمان أن فروق الأداء تعكس القدرة التمثيلية بدلاً من حجم النموذج. تستخدم الدراسة تقسيم 80-20 للتدريب والاختبار، وتقيم الأداء باستخدام جذر متوسط مربع الخطأ (RMSE) والدقة الزائفة ($1/(1+RMSE)$).

النتائج الرئيسية

التنبؤ أحادي المتغير

في مهام السلاسل الزمنية أحادية القناة:

• QLSTM مقابل LSTM: يحقق QLSTM قيم RMSE أقل قليلاً من LSTM الكلاسيكي، مما يشير إلى تحسن طفيف ولكن مستمر في دقة التنبؤ النقطي. ومع ذلك، فإن الفجوة ضيقة، والمسارات النوعية لكلا النموذجين متطابقة تقريباً، حيث يلتقطان القمم والقيعان بدقة مماثلة.
• QRC مقابل RC: تظهر متغيرات الحوسبة الخزانية الكمومية قيم RMSE أعلى قليلاً من نظيراتها الكلاسيكية. الفجوة في الأداء ضئيلة، مما يشير إلى أنه بالنسبة للسلاسل الزمنية ذات الهياكل الزمنية البسيطة نسبياً، فإن الخلط غير الخطي الذي توفره الخزان الكلاسيكي هو بالفعل كافٍ من حيث التعبير.

التنبؤ متعدد المتغيرات

في المهام التي تتضمن قنوات مدخلات متعددة ومترابطة:

• QLSTM مقابل LSTM: يتفوق QLSTM باستمرار على LSTM الكلاسيكي عبر جميع مقاييس الخطأ في كل من مجموعتي التدريب والاختبار. يصل QLSTM إلى مستوى أدنى من خسارة (loss) ويحافظ بشكل أفضل على الهياكل عبر القنوات، مثل التفاعلات المتأخرة والتذبذبات المقترنة. قد تظهر نماذج LSTM الكلاسيكية أحياناً ديناميكيات مخمدة أو إزاحات في الطور يتجنبها QLSTM.
• QRC مقابل RC: وبالمثل، تحقق متغيرات QRC قيم RMSE أقل في التدريب والاختبار مقارنة بنماذج RC الكلاسيكية ذات السعة المماثلة. تعيد النماذج الكمومية إنتاج القمم والقيعان المتزامنة بين المتغيرات بأمانة أكبر. ويُعزى هذا التفوق إلى أن الديناميكيات الكمومية عالية الأبعاد توفر تمثيلات داخلية أكثر تعبيراً عن المدخلات متعددة المتغيرات.

المساهمات والادعاءات الرئيسية

1. مقارنة منهجية مطابقة المعلمات: على عكس الدراسات السابقة التي غالباً ما تقارن النماذج الكمومية بنماذج كلاسيكية ذات تعقيدات متباينة أو تركز على بيانات اصطناعية، توفر هذه الدراسة مقارنة صارمة ومنضبطة المعلمات لـ QLSTM وQRC مقابل LSTM وRC على بيانات مالية حقيقية.
2. تنفيذ ترميز السعة: توضح الورقة مساراً عملياً لتضمين هياكل التأخير المالية في الحالات الكمومية باستخدام ترميز السعة من مكتبة Q-Alchemy، مما يعالج تحدي قيود الكيوبت.
3. التفوق الكمومي السياقي: تشير الدراسة إلى أن البنى المعززة كمومياً لا توفر "تفوقاً كمومياً" عالمياً في جميع النطاقات. بدلاً من ذلك، فإن الفائدة هي متواضعة وتعتمد على السياق:
   • في الإعدادات أحادية المتغير ذات الهياكل الزمنية البسيطة، تقدم النماذج الكمومية مكاسب طفيفة فقط قد لا تبرر عبء التنفيذ والحساسية للضوضاء في الأجهزة الحالية.
   • في الإعدادات متعددة المتغيرات ذات المدخلات المترابطة، تظهر النماذج الكمومية قدرة واضحة، وإن كانت معتدلة، على التفوق على الخطوط المرجعية الكلاسيكية. ويفترض المؤلفون أن فضاءات الحالة الكمومية تعمل كخرائط ميزات تعبيرية تكون مفيدة بشكل خاص عندما تمتلك البيانات بنية غنية عبر القطاعات.

الأهمية والخاتمة

تخلص الورقة إلى أن النماذج المتكررة الكمومية ليست جاهزة بعد لاستبدال النماذج الكلاسيكية عالمياً، خاصة في المهام أحادية المتغير منخفضة الأبعاد حيث تكون الطرق الكلاسيكية فعالة للغاية. ومع ذلك، تشير النتائج إلى أنه يمكن استغلال فضاءات الحالة الكمومية بفعالية كخرائط ميزات تعبيرية للسلاسل الزمنية المالية عالية الأبعاد والقوية الارتباط.

يؤكد المؤلفون أن التحسينات الملحوظة في الإعدادات متعددة المتغيرات ليست تفوقات كمومية تقاربية، بل هي فوائد عملية مستمدة من القدرة على التقاط التداخلات غير الخطية المعقدة التي تجد الخزانات الكلاسيكية صعوبة في ترميزها تحت نفس قيود الموارد. ويتجه العمل المستقبلي نحو توسيع نطاق هذه البنيات لتشمل أجهزة كمومية أكبر، واستكشاف ترميزات بديلة، وتطوير استراتيجيات تدريب تراعي خصائص الأجهزة (hardware-aware) لمزيد من توضيح الفائدة العملية لهذه النماذج الهجينة.