💰 finanza quantitativa

HQNN-FSP: A Hybrid Classical-Quantum Neural Network for Regression-Based Financial Stock Market Prediction

Questo articolo propone e valuta una rete neurale ibrida classico-quantistica (HQNN-FSP) per la previsione del mercato azionario finanziario, introducendo un nuovo ansatz quantistico e due strategie di ottimizzazione per dimostrare il potenziale dell'apprendimento assistito dal quantum nel catturare complesse dipendenze temporali e nel migliorare la previsione basata sulla regressione.

Autori originali: Prashant Kumar Choudhary, Nouhaila Innan, Muhammad Shafique, Rajeev Singh

Pubblicato 2026-10-26

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Prashant Kumar Choudhary, Nouhaila Innan, Muhammad Shafique, Rajeev Singh

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il mercato azionario è un vasto paesaggio mutevole dove i prezzi salgono e scendono in base a una complessa rete di emozioni umane, eventi globali e dati economici. Per decenni, investitori e analisti si sono affidati ai computer per dare un senso a questo caos, utilizzando modelli matematici per individuare schemi nei prezzi passati e ipotizzare dove potrebbe dirigersi il mercato. Questi programmi informatici tradizionali sono potenti, ma spesso faticano quando il mercato si comporta in modo imprevedibile o quando le regole del gioco cambiano improvvisamente. Possono incagliarsi nel "rumore", scambiando fluttuazioni casuali per veri trend, o non riuscire a ricordare lezioni importanti del passato remoto. Mentre i sistemi finanziari mondiali diventano più complessi, i ricercatori hanno iniziato a guardare verso un diverso tipo di potenza di calcolo: la meccanica quantistica. Questa è la branca della fisica che goverza il comportamento delle particelle più piccole dell'universo, dove le cose possono esistere in più stati contemporaneamente e diventare profondamente legate tra loro in modi che sembrano impossibili nel nostro mondo quotidiano. La domanda che guida una nuova linea di ricerca è se queste strane proprietà quantistiche possano aiutare i computer a comprendere meglio il mercato azionario rispetto alle macchine classiche che utilizziamo oggi.

Un team di ricercatori dall'India e dagli Emirati Arabi Uniti ha compiuto un passo significativo nel rispondere a tale domanda, costruendo un nuovo tipo di strumento di previsione che mescola il vecchio con il nuovo. Hanno creato un sistema che combina modelli informatici standard e affidabili con un processore quantistico specializzato. Invece di chiedere a un computer quantistico di fare tutto da zero, il che è attualmente difficile a causa della natura fragile dell'hardware quantistico, hanno progettato un approccio ibrido. In questa configurazione, un computer classico elabora prima i dati grezzi, organizzandoli e isolando i segnali più importanti. Passa poi queste informazioni raffinate a un circuito quantistico, che utilizza le regole uniche della fisica quantistica per trovare connessioni più profonde e sottili che il computer classico potrebbe aver mancato. I ricercatori hanno testato questo sistema su dati azionari storici, guardando specificamente alla cronologia delle negoziazioni di Wipro, una importante azienda tecnologica, insieme a diversi indicatori tecnici che i trader utilizzano per misurare il momentum del mercato.

Lo studio ha esplorato due modi diversi per far funzionare questa partnership. Nel primo metodo, il computer classico agiva come un filtro, pulendo i dati e identificando i trend chiave prima di passarli al sistema quantistico per un'analisi finale. Nel secondo metodo, i due sistemi lavoravano insieme in un unico ciclo unificato, imparando l'uno dall'altro simultaneamente mentre regolavano le proprie impostazioni interne per migliorare le proprie previsioni. Il team ha eseguito migliaia di simulazioni per vedere quanto bene questi modelli ibridi si prestazioni rispetto all'uso di un sistema solo quantistico o di un sistema solo classico. Hanno scoperto che gli approcci ibridi erano costantemente più accurati della versione solo quantistica. Lasciando che il computer classico si occupasse del lavoro pesante di organizzazione dei dati, la parte quantistica è stata in grado di concentrarsi sui pattern complessi che contavano davvero, con il risultato di commettere meno errori nella previsione dei prezzi futuri.

Tuttavia, i risultati hanno rivelato anche i limiti attuali di questa tecnologia. Sebbene i modelli ibridi fossero migliori della versione solo quantistica, non riuscivano ancora a eguagliare le prestazioni dei più avanzati modelli informatici classici disponibili oggi. I ricercatori hanno osservato che tutti i modelli, incluse le loro creazioni ibride, faticavano quando il mercato subiva un calo improvviso e netto. Quando il trend dei prezzi cambiava bruscamente, i sistemi spesso non riuscivano ad adeguarsi abbastanza velocemente, continuando a prevedere sulla base del vecchio schema. Ciò suggerisce che, sebbene la componente quantistica aggiunga un nuovo livello di intuizione, non è ancora una soluzione magica in grado di risolvere istantaneamente il problema della volatilità del mercato. Lo studio ha inoltre evidenziato un compromesso tra accuratezza e velocità. Man mano che i ricercatori aggiungevano più bit quantistici, le unità di base dell'informazione nel sistema quantistico, ai loro modelli, le previsioni diventavano leggermente più accurate, ma il tempo necessario per addestrare il sistema aumentava significativamente.

I ricercatori hanno anche esaminato da vicino come i loro modelli prendessero decisioni. Utilizzando una tecnica che traccia quali pezzi di informazione hanno influenzato maggiormente la previsione finale, hanno confermato che il sistema stava prestando attenzione alle cose giuste. Il modello si basava fortemente su specifici indicatori finanziari, come le misure del momentum di mercato e della forza del trend, piuttosto che sul semplice rumore casuale. Ciò conferisce al sistema un livello di trasparenza che spesso manca nei modelli informatici complessi, permettendo agli analisti di capire perché sia stata fatta una previsione. Lo studio conclude che, sebbene i modelli ibridi quantistico-classici non siano ancora pronti per sostituire gli strumenti utilizzati dai trader professionisti, essi rappresentano una strada promettente. Dimostrano che, combinando attentamente i punti di forza dell'informatica classica con le capacità uniche della meccanica quantistica, è possibile costruire sistemi che siano più robusti e profondi rispetto a ciascuno di essi preso singolarmente. Man mano che l'hardware quantistico migliora e diventa più stabile, questi sistemi ibridi potrebbero eventualmente giocare un ruolo trasformativo nel modo in cui comprendiamo e navighiamo il mondo finanziario.

Sintesi Tecnica: HQNN-FSP

Definizione del Problema
La previsione di serie temporali finanziarie rimane un compito complesso a causa delle complesse dipendenze temporali, dell'elevata volatilità, della non linearità e della sensibilità ai fattori macroeconomici e geopolitici. Sebbene i modelli tradizionali di Machine Learning (ML), come le Reti Neurali Ricorrenti (RNN) e le reti Long Short-Term Memory (LSTM), siano stati ampiamente utilizzati, essi affrontano limitazioni che includono l'overfitting, un'adeguata generalizzazione insufficiente nelle condizioni di mercato dinamiche e la difficoltà nel catturare dipendenze a lungo raggio. Inoltre, i modelli classici spesso faticano a catturare correlazioni intricate in mercati non stazionari. Questo studio esplora se approcci ibridi quantistico-classici possano sfruttare le risorse quantistiche — specificamente la sovrapposizione e l'entanglement — per migliorare la rappresentazione delle caratteristiche e l'apprendimento per compiti di regressione del mercato azionario.

Metodologia
Gli autori propongono HQNN-FSP, un framework ibrido che integra il deep learning classico con le Reti Neurali Quantistiche (QNN). La metodologia comprende i seguenti componenti:

Preparazione dei Dati: Lo studio utilizza i prezzi storici delle azioni (Open, Close, High, Low) aumentati con indicatori tecnici: Relative Strength Index (RSI), Moving Average Convergence Divergence (MACD) e Average Directional Index (ADX). Le caratteristiche sono selezionate tramite SelectKBest e normalizzate utilizzando MinMaxScaler.
Architetture dei Modelli: Vengono valutate tre distinte architetture:
1. CustomQNN: Una rete neurale quantistica standalone basata su un Circuito Quantistico Parametrizzato (PQC) ispirato a una formulazione Hamiltoniana. Utilizza la codifica angolare (porte $R_Y$ e $R_Z$ a singolo qubit) per mappare i dati classici in stati quantistici, seguita da un ansatz personalizzato che presenta rotazioni parametrizzate e operazioni di entanglement (porte CNOT e CZ) per catturare dipendenze non banali.
2. HybridQNN1 (Sequenziale): Una pipeline in cui un modello di deep learning classico (LSTM) estrae prima le caratteristiche temporali dai dati. Queste caratteristiche vengono poi codificate in stati quantistici e processate da un regressore QNN.
3. HybridQNN2 (Join/Congiunto): Un framework end-to-end in cui i componenti classici (LSTM) e quantistici (PQC) vengono addestrati simultaneamente. Le caratteristiche grezze sono elaborate in parallelo da entrambi i moduli e i loro output vengono fusi in uno strato dedicato prima di una previsione finale. Ciò consente l'ottimizzazione congiunta di tutti i parametri tramite backpropagation.
Addestramento e Ottimizzazione: I modelli sono addestrati utilizzando l'ottimizzatore ADAM con uno schema del tasso di apprendimento (learning rate schedule). Per garantire l'integrità temporale, lo studio impiega TimeSeriesSplit e la validazione incrociata k-fold. L'early stopping e la batch normalization sono utilizzati per prevenire l'overfitting. Gli esperimenti sono condotti su un simulatore quantistico (QULACS) e su un cluster di High-Performance Computing (PARAM Shivay).

Contributi Chiave

Sviluppo di Architettura Ibrida: Il paper propone un'integrazione fluida di QNN personalizzate con architetture classiche (RNN, LSTM, BiLSTM, GRU).
Regressore QNN Personalizzato: Introduzione di un regressore QNN che utilizza un nuovo ansatz personalizzato e circuiti quantistici parametrizzati specificamente ottimizzati per la previsione di serie temporali finanziarie.
Strategie di Ottimizzazione Duale: L'esplorazione di due configurazioni ibride: estrazione sequenziale delle caratteristiche seguita dalla modellazione quantistica (HybridQNN1) e ottimizzazione congiunta dei parametri classici e quantistici (HybridQNN2).
Valutazione Sistematica: Tuning degli iperparametri e analisi dell'errore completi utilizzando TimeSeriesSplit, validazione incrociata k-fold e metriche RMSE.

Risultati

Confronto delle Prestazioni: I modelli ibridi (HybridQNN1 e HybridQNN2) hanno superato costantemente il CustomQNN standalone, ottenendo valori di RMSE inferiori. Tra i metodi potenziati dal quantum, HybridQNN2 ha ottenuto l'RMSE più basso in tutte le configurazioni di qubit (3, 4 e 5 qubit).
Analisi dell'Errore: Le analisi di fit gaussiano e i violin plot hanno rivelato che i modelli ibridi presentavano distribuzioni di errore più strette centrate vicino allo zero rispetto alla varianza più ampia del QNN standalone, indicando una maggiore stabilità.
Classico vs. Ibrido: Sebbene i modelli ibridi abbiano migliorato le prestazioni rispetto ai modelli quantistici standalone, i modelli classici (LSTM, RNN, BiLSTM, GRU) hanno comunque ottenuto l'RMSE complessivo più basso e hanno richiesto significativamente meno tempo di addestramento.
Impatto dei Qubit: L'aumento del numero di qubit ha generalmente migliorato l'accuratezza per i modelli ibridi, ma ha aumentato i costi computazionali. In particolare, HybridQNN1 ha mostrato un forte aumento del tempo di addestramento con 5 qubit, mentre HybridQNN2 è rimasto relativamente più efficiente.
Regimi di Mercato: Tutti i modelli, inclusi gli ibridi, hanno faticato ad adattarsi a cambiamenti improvvisi del mercato (cambi di regime), specialmente durante i trend al ribasso marcati, evidenziando un limite nella reattività ai rapidi mutamenti dinamici.

Significatività e Rivendicazioni
Il paper sostiene che i modelli ibridi quantistico-classici offrono una via promettente per la previsione finanziaria, sfruttando spazi di caratteristiche potenziati dal quantum per migliorare il riconoscimento di pattern, in particolare in condizioni di volatilità. È stato riscontrato che l'integrazione di indicatori tecnici specifici del dominio (RSI, MACD) tramite l'analisi SHAP influenza significativamente l'output predittivo.

Tuttavia, gli autori mantengono una posizione modesta riguardo alle capacità attuali. Essi riconoscono che, sebbene l'ibridazione mitighi alcuni limiti dei modelli quantistici standalone (come l'elevata varianza dell'errore), questi modelli non superano ancora gli approcci di deep learning classici allo stato dell'arte in termini di RMSE o efficienza computazionale. Lo studio conclude che i modelli ibridi rappresentano una via percorribile verso l'analisi predittiva potenziata dal quantum, ma la loro implementazione pratica nei mercati finanziari richiede un'ulteriore ottimizzazione nel design dei circuiti, nella resilienza al rumore e nella scalabilità dell'hardware per colmare il divario di prestazioni con i metodi classici.

Articoli simili