Riepilogo Tecnico: Apprendimento di Pattern Temporali nelle Serie Temporali Finanziarie

Enunciato del Problema

La previsione delle serie temporali finanziarie è intrinsecamente difficile a causa della non stazionarietà, delle code pesanti, dei cambiamenti di regime e delle complesse dipendenze tra asset. Sebbene i modelli classici di deep learning, in particolare le reti a memoria a lungo e breve termine (LSTM), siano diventati lo standard per la modellazione delle dipendenze temporali, spesso richiedono notevoli risorse computazionali e un elevato numero di parametri, specialmente in contesti multivariati con serie correlate. Al contrario, il Calcolo a Serbatoio (Reservoir Computing - RC) offre un'alternativa più efficiente, addestrando solo una lettura lineare mentre mantiene fisso il "serbatoio" ricorrente.

Il problema centrale affrontato in questo studio è se le architetture ricorrenti potenziate dal quantum possano offrire un vantaggio rappresentazionale rispetto a questi baseline classici per la previsione finanziaria. Nello specifico, gli autori indagano se le Memorie a Lungo e Breve Termine Quantistiche (QLSTM) e il Calcolo a Serbatoio Quantistico (QRC) possano catturare meglio pattern temporali non lineari e correlazioni tra variabili in condizioni realistiche di vincoli sui qubit, senza limitarsi ad aumentare la dimensione del modello.

Metodologia

Dati e Preprocessing

Lo studio utilizza misure relative ai ricavi per 20 prodotti, risultando in serie temporali mensili univariate di circa 8 anni (96 osservazioni). Per affrontare il limite dei dati storici brevi per previsioni a lungo raggio, gli autori generano continuazioni sintetiche. Queste sono modellate utilizzando un Processo Gaussiano (GP) per trend e stagionalità lisci, combinati con un Modello a Markov Nascosto (HMM) a due stati per catturare i cambiamenti di livello nei residui.

Per la previsione, il problema sequenziale è trasformato in un compito di apprendimento supervisionato utilizzando input ritardati. Lo studio valuta sia strutture di ritardo univariate (singola serie) che multivariate (multiple serie correlate).

Codifica Quantistica

Un componente critico della metodologia è la Codifica in Ampiezza. Utilizzando la libreria Q-Alchemy, i vettori di feature classici sono normalizzati e incorporati direttamente nelle ampiezze di probabilità di uno stato di $n$ qubit. Ciò consente una compressione esponenziale, rappresentando un vettore di feature di dimensione $2^n$ utilizzando $n$ qubit. Questa strategia di codifica è applicata sia alle architetture QLSTM che a quelle QRC.

Architetture di Modello

Lo studio confronta quattro modelli:

1. LSTM Classico: Una rete ricorrente standard con celle di memoria a cancello.
2. LSTM Quantistico (QLSTM): Estende il paradigma LSTM sostituendo i calcoli dei cancelli (input, forget, output e stato della cella) con Circuiti Quantistici Parametrizzati (Circuiti Quantistici Variazionali o VQC). L'input classico è concatenato con lo stato nascosto, codificato in stati quantistici, elaborato attraverso un VQC (costituito da rotazioni a singolo qubit e entanglement) e misurato per aggiornare gli stati nascosti e della cella classici.
3. Calcolo a Serbatoio Classico (RC): Utilizza una rete ricorrente fissa ad alta dimensionalità con connettività casuale. Viene addestrata solo la lettura lineare.
4. Calcolo a Serbatoio Quantistico (QRC): Sostituisce il serbatoio classico con un sistema dinamico quantistico fisso. Gli input sono codificati in stati quantistici, evoluti tramite un operatore unitario fisso (rotazioni casuali e entanglement ad anello) e misurati per generare feature ad alta dimensionalità. Vengono testate due strategie di lettura: una lettura a Regressione Lineare (LR) e una lettura a Rete Neurale (NN).

Setup Sperimentale

I modelli sono confrontati tra loro utilizzando un approccio con parametri abbinati. QLSTM e LSTM sono configurati per avere dimensioni simili degli stati nascosti e conteggi di parametri comparabili, per garantire che le differenze di performance riflettano la capacità rappresentativa piuttosto che la dimensione del modello. Lo studio utilizza una divisione train-test 80-20 e valuta le performance utilizzando l'Errore Quadratico Medio Radice (RMSE) e la pseudo-accuratezza ($1/(1+RMSE)$).

Risultati Chiave

Previsione Univariata

Nei compiti di serie temporali a canale singolo:

• QLSTM vs. LSTM: Il QLSTM raggiunge valori di RMSE leggermente inferiori rispetto all'LSTM classico, indicando un miglioramento piccolo ma consistente nell'accuratezza della previsione puntuale. Tuttavia, il divario è ristretto e le traiettorie qualitative di entrambi i modelli sono quasi identiche, catturando picchi e valli con una fedeltà simile.
• QRC vs. RC: Le varianti del serbatoio quantistico mostrano valori di RMSE leggermente superiori rispetto alle loro controparti classiche. Il divario di performance è trascurabile, suggerendo che per serie temporali con strutture temporali relativamente semplici, la miscelazione non lineare fornita da un serbatoio classico è già sufficientemente espressiva.

Previsione Multivariata

Nei compiti che coinvolgono multiple canali di input correlati:

• QLSTM vs. LSTM: Il QLSTM supera costantemente l'LSTM classico su tutte le metriche di errore sia sui set di training che su quelli di test. Il QLSTM converge a un plateau di perdita inferiore e preserva meglio le strutture tra canali, come interazioni ritardate e oscillazioni accoppiate. L'LSTM classico mostra occasionalmente dinamiche smorzate o sfasamenti che il QLSTM evita.
• QRC vs. RC: Analogamente, le varianti QRC raggiungono RMSE di training e test inferiori rispetto ai modelli RC classici con capacità comparabile. I modelli quantistici riproducono più fedelmente picchi e valli che covariano tra le variabili. Il vantaggio è attribuito alla dinamica quantistica ad alta dimensionalità che fornisce rappresentazioni interne più espressive degli input multivariati.

Contributi e Affermazioni Chiave

1. Confronto Sistematico con Parametri Abbinati: A differenza di studi precedenti che spesso confrontano modelli quantistici con baseline classici aventi complessità non corrispondenti o si concentrano su dati sintetici, questo studio fornisce un confronto rigoroso e controllato per i parametri di QLSTM e QRC rispetto a LSTM e RC su dati finanziari reali.
2. Implementazione della Codifica in Ampiezza: Il documento dimostra una pipeline pratica per incorporare strutture di ritardo finanziarie in stati quantistici utilizzando la codifica in ampiezza di Q-Alchemy, affrontando la sfida dei vincoli sui qubit.
3. Vantaggio Quantistico Contestuale: Lo studio afferma che le architetture potenziate dal quantum non offrono un "vantaggio quantistico" universale in tutti i regimi. Invece, il beneficio è modesto e dipendente dal contesto:
   • In contesti univariati con strutture temporali semplici, i modelli quantistici offrono solo guadagni minori che potrebbero non giustificare l'overhead di implementazione e la sensibilità al rumore dell'hardware attuale.
   • In contesti multivariati con input correlati, i modelli quantistici dimostrano una capacità chiara, sebbene moderata, di superare i baseline classici. Gli autori ipotizzano che gli spazi degli stati quantistici agiscano come mappe di feature espressive che sono particolarmente benefiche quando i dati possiedono una ricca struttura trasversale.

Significato e Conclusione

Il documento conclude che i modelli ricorrenti quantistici non sono ancora pronti a sostituire universalmente i modelli classici, specialmente in compiti univariati a bassa dimensionalità dove i metodi classici sono altamente efficaci. Tuttavia, i risultati suggeriscono che gli spazi degli stati quantistici possono essere sfruttati efficacemente come mappe di feature espressive per serie temporali finanziarie ad alta dimensionalità e fortemente correlate.

Gli autori sottolineano che i miglioramenti osservati nei contesti multivariati non sono vantaggi quantistici asintotici, ma piuttosto benefici pratici derivanti dalla capacità della dinamica quantistica di catturare interdipendenze non lineari complesse che i serbatoi classici faticano a codificare sotto vincoli di risorse simili. Il lavoro futuro è diretto verso la scalabilità di queste architetture su dispositivi quantistici più grandi, l'esplorazione di codifiche alternative e lo sviluppo di strategie di addestramento consapevoli dell'hardware per chiarire ulteriormente l'utilità pratica di questi modelli ibridi.