Large-Scale Benchmarking of Quantum Neural Network Configurations for Financial Time Series Forecasting
Diese Studie präsentiert ein groß angelegtes Benchmarking von 1.368 Quanten-Neuronalen-Netzwerk-Konfigurationen für die GBP/USD-Finanzzeitreihenprognose und identifiziert, dass spezifische Gate-Auswahlen und Schaltkreisarchitekturen entscheidender sind als die Parameteranzahl, um eine hohe Genauigkeit zu erreichen (wobei klassische BiLSTM-Modelle übertroffen werden), während gleichzeitig Gate-Fehler und Dekohärenz als wesentliche Barrieren für den praktischen Einsatz auf aktueller Quantenhardware hervorgehoben werden.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die Welt der Finanzen stützt sich stark auf die Vorhersage der Zukunft, insbesondere auf die Bewegung von Währungswerten, Aktienkursen und Wirtschaftsindikatoren. Seit Jahrzehnten nutzen Wissenschaftler klassische Computer, um Muster in diesen Zahlen zu finden, indem sie diese wie ein komplexes Puzzle behandeln, bei dem vergangene Daten darauf hindeuten, was als Nächstes kommt. Doch da die Daten immer komplexer werden und die Beziehungen immer verschlungener, haben traditionelle Computer manchmal Schwierigkeiten, das vollständige Bild zu erfassen. Dies hat Forscher dazu veranlasst, eine andere Art von Maschine zu untersuchen: den Quantencomputer. Im Gegensatz zu Standardcomputern, die Informationen als einfache An oder Aus-Schalter verarbeiten, nutzen Quantenmaschinen die seltsamen Regeln der Physik, um Informationen auf eine Weise zu verarbeiten, die es ihnen ermöglicht, in vielen Zuständen gleichzeitig zu existieren. Wenn diese Maschinen darauf programmiert werden, aus Daten zu lernen, werden sie zu Quanten-Neuronalen Netzen. Dies sind nicht nur schnellere Versionen alter Modelle; sie sind grundlegend andere Werkzeuge, die neue Wege für die Verarbeitung hochdimensionaler Daten eröffnen. Die Frage, vor der Wissenschaftler heute stehen, ist nicht nur, ob diese Maschinen funktionieren können, sondern wie man sie korrekt baut, um reale Probleme wie die Vorhersage des Geldwertes zu lösen.
Ein Forscherteam der Kingston University London und der Brunel University London setzte sich zum Ziel, diese Frage zu beantworten, indem es den Entwurf eines Quanten-Neuronalen Netzes wie ein massives Bauprojekt behandelte. Sie wollten wissen, welche spezifischen Teile der Maschine am besten funktionierten, wenn man versucht, den Wechselkurs zwischen dem britischen Pfund und dem US-Dollar vorherzusagen. Um dies zu erreichen, bauten und testeten sie nicht nur ein Modell, sondern 1.368 verschiedene Versionen. Jede Version war eine einzigartige Kombination aus verschiedenen Bausteinen, wie etwa der Art und Weise, wie die Daten in die Maschine eingespeist wurden, der spezifischen Anordnung der internen Logikgatter, der Anzahl der verwendeten Qubits und der mathematischen Regeln, die über den Erfolg urteilten. Durch die Durchführung dieser Gittersuche konnten die Forscher genau sehen, wie die Änderung eines kleinen Teils des Puzzles das Endergebnis beeinflusste, was eine klare Karte darüber lieferte, was funktioniert und was nicht.
Die Studie konzentrierte sich auf einen spezifischen Datensatz täglicher Wechselkurse, der einen Zeitraum von fast zwanzig Jahren umfasst, von 2005 bis 2025. Die Forscher unterteilten diese Daten in drei Teile: einen zum Trainieren der Modelle, einen zum Abstimmen (Tuning) und einen zum Testen ihrer endgültigen Leistung. Sie verglichen ihre Quanten-Kreationen mit einem Standard-, hoch entwickelten klassischen Computermodell namens BiLSTM, das derzeit als Spitzenreiter für diese Art der zeitbasierten Vorhersage gilt. Das Ziel war es zu sehen, ob die Quantenmodelle die klassische Benchmark nicht nur erreichen, sondern potenziell übertreffen könnten. Die Ergebnisse waren beeindruckend. Die am besten abschneidende Quantenkonfiguration erreichte einen Wert von 0,985 in ihrer Fähigkeit, die Daten vorherzusagen. Während dies den Wert eines eingeschränkten klassischen Modells leicht übertraf, ist es wichtig anzumerken, dass die uneingeschränkte klassische Baseline, die Zugang zu einem wesentlich längeren Rückblickfenster (Lookback Window) und überlappenden Daten hatte, einen Wert von 0,9805 erreichte. Dennoch demonstrierte die beste Quantenkonfiguration eine wettbewerbsfähige und in einigen Fällen überlegene Vorhersagegenauigkeit im Vergleich zu klassischen Modellen unter äquivalenten Datenbeschränkungen, was ermutigende Beweise für das Potenzial von QNNs in der Finanzprognose liefert.
Der Weg zu diesem Erfolg war jedoch keine gerade Linie, und die Forscher entdeckten, dass größer nicht immer besser war. Eine verbreitete Annahme in diesem Bereich ist, dass das Hinzufügen von mehr Qubits oder mehr Komplexitätsschichten automatisch zu besseren Ergebnissen führt. Die Studie ergab das Gegenteil. Die erfolgreichsten Modelle verwendeten eine relativ geringe Anzahl an Qubits und eine moderate Anzahl an Schichten. Wenn die Forscher die Größe des Modells zu sehr erhöhten, sank die Leistung oft. Dies geschah, weil größere Modelle schwieriger zu trainieren waren und eher dazu neigten, in einem Zustand stecken zu bleiben, in dem sie nicht effektiv lernen konnten. Darüber hinaus fanden die Forscher heraus, dass die spezifische Wahl der Gatter – die grundlegenden Operationen, die die Maschine ausführt – weitaus wichtiger war als die Gesamtzahl der Parameter oder die bloße Größe des Schaltkreises. Es ging nicht darum, den leistungsstärksten Motor zu haben, sondern darum, den richtigen Motor für die Aufgabe zu haben.
Eine weitere entscheidende Entdeckung betraf die Handhabung der „Verschränkung“ (Entanglement) seiner Teile. In der Quantenphysik ist Verschränkung ein Phänomen, bei dem Teilchen miteinander verknüpft sind, sodass der Zustand des einen den anderen sofort beeinflusst, ungeachtet der Entfernung. Das Team fand heraus, dass diese Verknüpfung nicht nur im Hauptverarbeitungsteil der Maschine stattfinden muss. Stattdessen ist sie eine Eigenschaft des gesamten Systems. Wenn die Methode, mit der Daten in die Maschine eingespeist werden, genügend Verschränkung erzeugt, kann die Hauptverarbeitungseinheit einfacher sein und dennoch gut funktionieren. Umgekehrt kann eine komplexe Verarbeitungseinheit nicht kompensieren, wenn die Methode der Dateneinspeisung diese Verbindung nicht erzeugt. Das bedeutet, dass der Erfolg des Modells von der Harmonie des Gesamtsystems abhängt und nicht nur von der Komplexität seiner zentralen Komponente.
Die Forscher testeten auch, wie sich diese Modelle auf echter, physischer Quantenhardware verhalten würden, anstatt nur auf einer Computersimulation. Sie ließen eine Auswahl ihrer besten Designs auf einem echten Quantengerät namens IQM Emerald laufen. Die Ergebnisse hier waren ernüchternd. Während die Modelle in der Simulation perfekt funktionierten, führte das echte Gerät Fehler ein, die durch die physische Natur der Maschine verursacht wurden, wie etwa Rauschen und den Verlust von Quantenzuständen über die Zeit. Diese Fehler führten dazu, dass die Vorhersagegenauigkeit signifikant sank. Die Studie zeigte, dass die Tiefe des Schaltkreises, also wie viele Schritte die Maschine ausführen musste, ein wesentlicher Faktor dafür war, wie stark das Rauschen die Leistung beeinträchtigte. Tiefere Schaltkreise litten stärker. Interessanterweise war die Art des Fehlers, der am meisten ins Gewicht fiel, nicht das Ablesen des Endergebnisses, sondern die Fehler, die während der Berechnungsschritte selbst auftraten. Dies deutet darauf hin, dass für Quantencomputer, die heute in der realen Welt nützlich sein sollen, die Designs flach und einfach gehalten werden müssen, um in der verrauschten Umgebung aktueller Hardware zu überleben.
Trotz der Herausforderungen durch reale Hardware bietet die Studie einen klaren Bauplan für die Zukunft. Die Forscher haben demonstriert, dass es möglich ist, ein Quanten-Neurales Netz zu bauen, das mit klassischen Modellen konkurriert und in spezifischen Konfigurationen diese sogar übertrifft, sofern die Architektur mit Sorgfalt gewählt wird. Die besten Designs balancierten die Anzahl der Komponenten, die Art der Verbindungen und die Methode der Dateneinspeisung, um eine Maschine zu schaffen, die sowohl leistungsstark als auch belastbar war. Die Ergebnisse zeigen, dass die Technologie zwar noch in den Kinderschuhen steckt und vor erheblichen Hürden durch Quantenrauschen steht, das Potenzial jedoch real ist. Die Arbeit etabliert eine Basislinie dafür, wie diese Maschinen gebaut werden sollten, und bietet praktische Orientierungshilfe für Ingenieure, die versuchen, Quantentheorie in ein Werkzeug zur Vorhersage der finanziellen Zukunft zu verwandeln. Während sich die Quantenhardware kontinuierlich verbessert und das Rauschen, das die Leistung derzeit begrenzt, reduziert, könnten die in dieser Studie identifizierten Konfigurationen das Fundament für die nächste Generation von Finanzprognose-Werkzeugen bilden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.