⚛️ quantum physics

Quantum Weighted Moving Average for Predicting Limit Order Book Trends

Cet article introduit un modèle hybride classique-quantique appelé Quantum Weighted Moving Average (QWMA) pour la prédiction des tendances du carnet d'ordres limites, lequel atteint des performances comparables aux meilleurs modèles classiques sur des ensembles de données financières malgré l'absence de démonstration d'un avantage quantique définitif.

Auteurs originaux : Matthias Kamm, Dinh-Long Vu, Patrick Rebentrost

Publié 2026-09-02

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Matthias Kamm, Dinh-Long Vu, Patrick Rebentrost

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le monde effervescent du trading à haute fréquence, où les fortunes se font et se défont en un clin d'œil, le marché parle un langage d'ordres. Avant qu'un cours de bourse ne bouge, il murmure à travers un registre numérique connu sous le nom de carnet d'ordres limité. Ce registre est un enregistrement en constante mutation de chaque acheteur et vendeur attendant de négocier, listant leurs prix souhaités et le nombre d'actions qu'ils veulent. Il s'agit d'une série temporelle multivariée, un flux complexe de points de données qui évoluent en quelques millisecondes, capturant la tension entre l'offre et la demande. Depuis des décennies, les traders humains et les ordinateurs classiques tentent de trouver des modèles dans ce bruit, utilisant des outils mathématiques pour lisser le chaos et prédire si le prix va monter, descendre ou stagner. L'un de ces outils est la moyenne mobile, une méthode simple qui observe l'historique des prix pour deviner l'avenir, traitant les données récentes comme un guide pour ce qui vient ensuite.

Aujourd'hui, une équipe de chercheurs pose une question audacieuse : les règles étranges et contre-intuitives de la mécanique quantique peuvent-elles nous aider à mieux lire ce registre ? Les ordinateurs quantiques, qui utilisent les propriétés des particules subatomiques pour traiter l'information, ont montré des promesses dans des domaines comme la chimie et la cryptographie, mais leur application aux marchés financiers reste largement non testée. Le défi ne concerne pas seulement la vitesse brute ; il s'agit de trouver un moyen de traduire les données désordonnées du monde réel des marchés boursiers en un format qu'une machine quantique puisse comprendre et de laquelle elle puisse apprendre. Si elle réussit, cela pourrait ouvrir une nouvelle porte pour les prévisions financières, offrant potentiellement un nouveau prisme pour observer la danse complexe du capital mondial.

Les chercheurs, travaillant depuis des centres à Singapour et à Zurich, se sont donné pour mission de construire un modèle quantique spécifiquement conçu pour prédire les tendances de ces carnets d'ordres. Ils n'ont pas simplement essayé de forcer un ordinateur quantique à faire ce qu'un ordinateur classique fait déjà ; au lieu de cela, ils ont conçu une nouvelle architecture appelée Moyenne Mobile Pondérée Quantique (Quantum Weighted Moving Average). Pour comprendre comment cela fonctionne, imaginez l'ordinateur quantique comme une machine capable de contenir de nombreuses possibilités à la fois. Les chercheurs ont d'abord pris les données brutes du carnet d'ordres — les prix et les volumes des dix premiers niveaux du marché — et les ont nettoyées à l'aide d'une technique appelée normalisation bilinéaire. Cette étape est cruciale ; elle met les données à l'échelle afin que la machine quantique puisse les traiter sans être perturbée par la taille démesurée des chiffres, un peu comme si l'on ajustait le contraste d'une photographie pour rendre les détails visibles.

Une fois les données préparées, l'équipe les a injectées dans le circuit quantique. Le cœur de leur méthode repose sur une technique connue sous le nom de combinaison linéaire d'unitaires. En termes simples, cela signifie que l'ordinateur quantique prend les informations de différents moments dans le temps et les mélange d'une manière spécifique. Chaque moment passé est traité comme une pièce distincte d'un puzzle, et la machine quantique attribue un poids à chaque pièce, décidant de l'importance à accorder au passé par rapport au présent. Les chercheurs ont permis au modèle d'apprendre ces poids automatiquement, laissant la machine déterminer quels moments de l'histoire de l'action étaient les plus prédictifs de l'avenir. Ils ont également créé des versions plus simples de ce modèle, incluant une version qui imite une moyenne mobile exponentielle standard, un outil financier courant qui accorde plus de poids aux événements récents et moins aux plus anciens.

Pour tester leur création, l'équipe a utilisé deux ensembles de données réels. Le premier était une collection de données bien connue provenant de cinq actions finlandaises, contenant des millions d'événements de trading enregistrés sur dix jours. Le second était un ensemble de données d'actions chinoises. Ils ont fait passer leurs modèles quantiques à travers des milliers de simulations, comparant leurs performances aux meilleurs modèles d'apprentissage automatique classiques actuellement disponibles. Les résultats furent surprenants par leur équilibre. Les modèles quantiques n'ont pas surpassé les modèles classiques ; en fait, ils n'ont pas montré d'« avantage quantique » clair qui les rendrait plus rapides ou plus puissants que la technologie existante. Cependant, ils ont performé remarquablement bien, égalant la précision des meilleurs modèles classiques dans de nombreux scénarios. Cela suggère que l'approche quantique est viable et capable de capturer les schémas essentiels des données, même sans un boost massif de vitesse.

L'étude a révélé des nuances importantes sur la façon dont ces modèles apprennent. Les chercheurs ont découvert que la manière dont les données étaient normalisées était bien plus importante que la complexité du circuit quantique lui-même. Lorsqu'ils utilisaient la bonne technique de normalisation, les modèles quantiques prospéraient. Ils ont également découvert que la machine quantique était particulièrement douée pour se concentrer sur les parties les plus prédictives de la série temporelle. Dans les versions plus simples du modèle, où les poids étaient fixés pour suivre une décroissance exponentielle — ce qui signifie que la machine devait accorder plus d'attention aux données les plus récentes — elle a performé presque aussi bien que la version plus complexe qui devait apprendre les poids à partir de zéro. Cela implique que pour les prédictions à court terme, l'historique récent est souvent le plus précieux, et qu'une approche structurée du pondération de ces données peut être tout aussi efficace qu'une approche entièrement apprise.

Malgré ces succès, les chercheurs ont pris soin de tempérer les attentes. Ils ont explicitement déclaré que leurs travaux ne prouvent pas que les ordinateurs quantiques sont actuellement supérieurs aux ordinateurs classiques pour cette tâche. Les expériences ont été menées sur des simulateurs, et non sur du matériel quantique réel, qui est encore à un stade précoce et bruyant. Les modèles qu'ils ont construits nécessitent un processus appelé post-sélection, où l'ordinateur doit rejeter de nombreuses tentatives pour obtenir la bonne réponse, une étape qui serait très lente sur les machines physiques actuelles. De plus, les ensembles de données utilisés présentent des limites ; la façon dont les données ont été échantillonnées et étiquetées pourrait introduire des biais qui affectent la capacité des modèles à se généraliser au monde réel. Les chercheurs ont noté que les ensembles de données manquent souvent de la granularité nécessaire pour tester pleinement le potentiel des algorithmes quantiques, et que la génération actuelle de matériel n'est pas encore assez puissante pour gérer les flux de données massifs et ultra-précis d'un marché en direct.

L'article conclut que si le rêve d'un ordinateur quantique révolutionnant le trading boursier n'est pas encore une réalité, le chemin à suivre est plus clair. Le modèle de moyenne mobile pondérée quantique sert de pierre de touche, prouvant que les méthodes quantiques peuvent être adaptées pour gérer les séries temporelles multivariées complexes des marchés financiers. Il montre qu'avec un prétraitement adéquat et une conception réfléchie, les machines quantiques peuvent apprendre à lire les murmures du marché aussi bien que les ordinateurs classiques. Les prochaines étapes, suggèrent les auteurs, consistent à tester ces modèles sur du matériel quantique réel et à affiner la préparation des données pour mieux s'adapter aux contraintes uniques de ces nouvelles machines. Pour l'instant, ce travail constitue une démonstration solide que l'informatique quantique n'est pas seulement une curiosité théorique pour la finance, mais un outil pratique qui commence à trouver ses marques dans le monde bruyant et à enjeux élevés du trading.

Résumé Technique : Moyenne Mobile Pondérée Quantique pour la Prédiction des Tendances du Carnet d'Ordres Limites

Énoncé du Problème
L'article traite du défi de la prévision de séries temporelles financières multivariées, plus précisément de la prédiction des tendances de prix à partir de données de carnet d'ordres limites (Limit Order Book - LOB). Alors que les architectures d'apprentissage automatique classiques (par exemple, les réseaux de neurones, l'attention temporelle) sont bien établies dans ce domaine, l'application de l'informatique quantique à la prédiction des tendances du LOB reste naissante. Les auteurs visent à combler cette lacune en développant un modèle d'apprentissage automatique quantique (QML) adapté à la structure spécifique des données LOB, qui consistent en des séries temporelles multivariées de prix et de volumes d'achat/vente sur plusieurs niveaux.

Méthodologie
La solution proposée est le modèle Quantum Weighted Moving Average (QWMA), une architecture hybride classique-quantique basée sur le cadre de la Combinaison Linéaire d'Unitaires (LCU). La méthodologie se déroule selon les étapes suivantes :

Prétraitement Classique :
- Entrée : Les données brutes du LOB sont représentées comme une séquence de $T$ vecteurs de caractéristiques, où chaque vecteur contient les prix et les volumes d'achat/vente pour les 10 premiers niveaux (40 caractéristiques) ou un ensemble étendu de 144 caractéristiques incluant les prix moyens (mid-prices) et leurs dérivés.
- Normalisation : Les auteurs soulignent le rôle critique de la normalisation bilinéaire, qui normalise les données à la fois sur les dimensions temporelles et de caractéristiques. Ils utilisent également une normalisation par score Z pour éviter la fuite de données (data leakage) entre les ensembles d'entraînement et de test.
- Mappage de Paramètres : Les vecteurs normalisés sont mappés vers des angles de rotation via une transformation linéaire entraînable pour servir d'entrées au circuit quantique.
Cœur Quantique (Implémentation LCU) :
- Encodage Unitaire : Chaque pas de temps $t$ dans la séquence d'entrée est encodé dans un opérateur unitaire $U_t$ à l'aide d'un Circuit Quantique Paramétré (PQC) avec encodage par angle.
- Combinaison Linéaire : L'opération centrale est une somme pondérée de ces unitaires : $W = \sum_{t=0}^{T-1} c_t U_t$ .
- Préparation d'État : Pour implémenter cette opération non unitaire sur un ordinateur quantique, le modèle utilise un registre ancilla. Un unitaire de préparation d'état $B$ crée une superposition de coefficients $\sqrt{c_t}$ dans l'ancilla, et une opération de sélection contrôlée applique l'opérateur $U_t$ correspondant au registre du système.
- Post-Sélection : L'état désiré est obtenu en mesurant le registre ancilla et en effectuant une post-sélection du résultat correspondant à l'application réussie de la LCU.
Variantes du Modèle :
- QWMA : Les coefficients $c_t$ sont des paramètres entraînables, permettant au modèle d'apprendre dynamiquement l'importance temporelle des différents pas de temps.
- QSMA (Quantum Simple Moving Average) : Les coefficients sont fixés à des poids uniformes ( $c_t = 1/T$ ).
- QEMA (Quantum Exponential Moving Average) : Les coefficients suivent un schéma de décroissance exponentielle ( $c_t \propto (1-\alpha)^t$ ), mettant l'accent sur les observations récentes. Les auteurs démontrent que la préparation d'état pour le QEMA peut être implémentée efficacement à l'aide d'une séquence de rotations de qubits uniques sans augmenter la profondeur du circuit par rapport au cas uniforme.
Post-traitement :
- L'état quantique résultant est mesuré dans la base de Pauli. Les résultats de mesure sont injectés dans un Perceptron Multicouche (MLP) classique pour produire les probabilités de classe pour trois catégories de tendances : Haussière, Stationnaire et Baissière.

Principales Contributions

Architecture Novatrice : Introduction du modèle QWMA, qui adapte le concept classique de moyennes mobiles au domaine quantique en utilisant des techniques LCU.
Analyse du Prétraitement : Évaluation systématique des techniques de normalisation des entrées, identifiant la normalisation bilinéaire (et spécifiquement la normalisation temporelle) comme un facteur critique pour la performance du modèle, dépassant souvent les bénéfices des mécanismes d'attention complexes dans les modèles de référence classiques.
Variantes Efficaces : Développement du modèle QEMA, qui offre une alternative matériellement efficace au QWMA entraînable en utilisant des poids fixes à décroissance exponentielle qui peuvent être préparés avec des circuits peu profonds.
Évaluation Comparative (Benchmarking) : Évaluation complète sur le jeu de données standard FI-2010 et un second jeu de données China A-share, comparant les modèles quantiques aux références classiques de pointe (BiNTABL et MLP).

Résultats

Performance : Sur le jeu de données FI-2010, le modèle QWMA atteint une performance comparable aux meilleurs modèles classiques (BiNTABL), particulièrement pour les horizons de prédiction longs ( $K=5, 10$ ). Il est légèrement moins performant sur les horizons courts ( $K=1, 2, 3$ ) mais reste compétitif.
Sensibilité à la Normalisation : L'étude confirme qu'en l'absence d'une normalisation appropriée des entrées (spécifiquement temporelle ou bilinéaire), les modèles tant classiques que quantiques échouent à prédire les tendances de manière fiable. La normalisation des caractéristiques seule s'est avérée dégrader la performance.
Schémas de Pondération :
- Le modèle QEMA surpasse systématiquement le modèle QSMA pour les horizons courts ( $K \in \{1, 2, 3\}$ ), validant l'hypothèse que les données récentes sont plus prédictives pour les tendances à court terme.
- Pour les horizons plus longs, l'écart de performance entre le QWMA entraînable et le QEMA se réduit, à condition que le circuit d'encodage unitaire soit suffisamment expressif.
Expressivité du Circuit : L'augmentation du nombre de qubits ou de la profondeur du circuit n'a apporté que des améliorations marginales pour le QWMA entraînable, suggérant que la simplicité du jeu de données permet aux espaces de Hilbert de faible dimension de capturer les informations pertinentes. Cependant, pour les modèles à poids fixes (QSMA/QEMA), des circuits plus expressifs étaient nécessaires pour compenser les distributions de poids sous-optimales.
Généralisation : Le modèle QWMA a démontré un comportement similaire sur le jeu de données China A-share, confirmant sa robustesse à travers différents types de données de marché.

Signification et Revendications
L'article positionne le modèle QWMA comme une "étape transitoire" pour l'application des techniques quantiques au trading de marché. Les auteurs déclarent explicitement qu'ils ne présentent aucune preuve d'avantage quantique (ni théorique, ni numérique). Les résultats actuels démontrent que les modèles quantiques peuvent atteindre une performance proche des meilleurs modèles classiques, mais ne les surpassent pas.

La signification de ce travail réside dans :

La démonstration que les algorithmes quantiques peuvent être efficacement adaptés à la structure spécifique des données LOB.
Le fait de souligner que la "partie quantique" du modèle est assez expressive pour se concentrer sur les parties prédictives des séries temporelles, même sans accélération prouvée.
L'identification du fait que, pour le matériel quantique actuel (NISQ - Noisy Intermediate-Scale Quantum), les variantes à poids fixes comme le QEMA sont des candidats prometteurs pour l'implémentation en raison de leur préparation d'état efficace et de l'absence de besoin de paramètres complexes entraînables.
L'accent mis sur la nécessité de meilleures références classiques et de jeux de données améliorés (par exemple, étiquetage dynamique, meilleures stratégies d'échantillonnage) pour évaluer correctement les futurs algorithmes financiers quantiques.

Les auteurs concluent que, bien que les limitations matérielles actuelles empêchent le traitement des échelles de LOB de haute précision, la méthode proposée pour mapper les séries temporelles multivariées vers des combinaisons linéaires d'états quantiques est bien adaptée au domaine et pourrait offrir une voie vers des avantages sur les algorithmes classiques à mesure que le matériel évolue.

Articles similaires