Learning Temporal Patterns in Financial Time Series: A Comparative Study of Quantum LSTM and Quantum Reservoir Computing

본 연구는 진폭 인코딩을 사용하는 양자 LSTM 및 양자 저수소 컴퓨팅과 같은 양자 강화 하이브리드 아키텍처가 상관된 입력을 가진 다변량 체제에서 특히 금융 시계열 예측 분야에서 기존 고전적 기준 모델과 동등하거나 약간 더 나은 성능을 보일 수 있음을 입증한다.

핵심

미래의 제품 가격, 예를 들어 특정 종류의 커피 원두 가격을 과거 판매 데이터를 바탕으로 예측한다고 상상해 보세요. 이는 어제의 구름을 보고 날씨를 예측하려는 것과 비슷합니다. 패턴이 변하고 데이터가 불규칙하며 때로는 규칙이 갑자기 바뀔 수 있기 때문에 까다롭습니다.

이 논문은 두 가지 유형의 셰프를 비교하는 "맛보기 테스트"입니다: 전통 셰프(표준 컴퓨터 프로그램)와 양자 셰프(실험용 양자 컴퓨터에서 실행되는 프로그램). 목표는 양자 셰프가 전통 셰프보다 더 나은 예측을 만들어낼 수 있는지 확인하는 것이었습니다.

다음은 실험을 간단한 용어로 설명한 내용입니다:

1. 재료 (데이터)

연구자들은 무작위 숫자만 사용하지 않고 실제 금융 데이터 (제품 수익) 를 사용했습니다. 그러나 실제 금융 역사는 장기적인 추세를 연구하기에는 종종 너무 짧습니다. 따라서 그들은 실제 데이터와 똑같이 보이고 행동하는 합성 "가짜" 데이터를 만들었습니다.

• 비유: 무용수의 짧은 비디오를 가지고 있다고 상상해 보세요. 전체 춤을 연구하기 위해 컴퓨터를 사용하여 같은 리듬, 스타일, 동작을 유지하면서 시간만 늘린 긴 비디오를 생성했습니다.

2. 도구 (모델)

그들은 미래를 가장 잘 예측할 수 있는 네 가지 다른 "주방"(모델) 을 테스트했습니다:

• 전통 LSTM: 장기적인 패턴을 기억하도록 설계된 표준이자 매우 인기 있는 컴퓨터 프로그램입니다 (절구를 들은 후 노래의 후렴구를 기억하는 것처럼).
• QLSTM (양자 LSTM): 위의 고급 버전입니다. 표준 컴퓨터 비트만 사용하는 대신 **양자 비트 (큐비트)**를 사용합니다. 이는 셰프가 요리를 맛보고 한 가지가 아니라 모든 가능한 맛의 변형을 동시에 상상할 수 있는 것과 같습니다.
• 전통 Reservoir (RC): 더 간단하고 빠른 컴퓨터 모델입니다. 데이터를 뒤섞는 무작위 연결의 "저장소"를 가지며, 예측을 하기 위해 마지막 단계만 훈련합니다. 재료를 무작위로 섞는 블렌더처럼, 올바른 맛을 얻기 위해 뚜껑만 조절하면 됩니다.
• QRC (양자 Reservoir): 양자 버전의 블렌더입니다. 양자 역학의 기묘하고 복잡한 물리학을 사용하여 데이터를 섞어 일반 블렌더가 놓칠 수 있는 숨겨진 패턴을 찾으려 합니다.

비밀 소스 (진폭 부호화):
데이터를 양자 컴퓨터에 입력하기 위해 숫자를 "양자 상태"로 변환해야 했습니다. 그들은 **진폭 부호화 (Amplitude Encoding)**라는 방법을 사용했습니다.

• 비유: 거대한 책 도서관 (데이터) 이 있다고 상상해 보세요. 일반 컴퓨터는 책을 하나씩 읽습니다. 진폭 부호화는 전체 도서관을 단일한 작고 마법 같은 수정체로 축소하는 것과 같습니다. 더 이상 책을 개별적으로 읽을 수는 없지만, 수정체는 양자 컴퓨터가 즉시 처리할 수 있는 압축된 형태로 모든 정보를 담고 있습니다.

3. 맛보기 테스트 (결과)

연구자들은 두 가지 유형의 테스트를 수행했습니다:

테스트 A: 솔로 공연 (단변량)

• 시나리오: 오직 자신의 과거 데이터만을 바탕으로 하나의 단일 제품의 미래를 예측합니다.
• 결과: 양자 셰프 (QLSTM 및 QRC) 는 전통 셰프와 거의 정확히 동일하게 수행했습니다.
• 교훈: 작업이 단순할 때 (단 하나의 변수만), 고급 양자 도구는 큰 이점을 제공하지 않았습니다. 이 특정 작업에 대해 양자 컴퓨터를 사용하는 추가적인 복잡성과 비용은 가치가 없었습니다.

테스트 B: 오케스트라 (다변량)

• 시나리오: 서로 영향을 미치는 여러 제품의 미래를 한 번에 예측합니다 (예: 커피 판매가 증가하면 차 판매가 감소할 수 있음).
• 결과: 양자 셰프가 승리했지만, 그 차이는 작고 소박했습니다.
• 교훈: 데이터가 복잡해지고 변수들이 서로 얽혀 있을 때, 양자 모델은 숨겨진 연결을 조금 더 잘 찾아냈습니다. 그들은 전통 모델보다 악기들 사이의 조화를 더 잘 "들을" 수 있었습니다.

4. 결론

이 논문은 다음과 같이 결론 내립니다:

1. 양자는 아직 마법의 지팡이가 아닙니다. 단순한 단일 변수 예측의 경우, 전통 컴퓨터를 사용하는 것이 동일하게 효과적이며 훨씬 쉽습니다.
2. 양자는 틈새시장이 있습니다. 실제 금융 시장처럼 서로 상호작용하는 많은 다른 변수들의 복잡하고 불규칙한 웹이 있을 때, 양자 모델은 조금 더 많은 정확성을 끌어낼 수 있습니다.
3. 이는 "특징 맵"에 관한 것입니다. 양자 컴퓨터는 일반 컴퓨터가 명확하게 시각화하는 데 어려움을 겪는 고차원 데이터의 패턴을 볼 수 있는 강력한 렌즈처럼 작용합니다.

간단히 말해: 단일 품목의 가격을 예측한다면 표준 컴퓨터로 충분합니다. 그러나 모든 것이 서로 영향을 미치는 주식 시장 전체를 예측하려는 경우, 양자 컴퓨터가 약간의 우위를 제공할 수 있지만 여전히 진행 중인 작업입니다.

기술 요약

기술 요약: 금융 시계열의 시간적 패턴 학습

문제 제기

금융 시계열 예측은 비정상성, 두꺼운 꼬리, 체제 전환, 그리고 복잡한 자산 간 의존성으로 인해 본질적으로 어렵습니다. 고전적 딥러닝 모델, 특히 장기 단기 기억 (LSTM) 네트워크는 시간적 의존성을 모델링하는 표준이 되었지만, 상관된 시계열을 포함하는 다변량 설정에서는 특히 상당한 계산 자원과 대규모 파라미터 수를 요구합니다. 반면, 저수지 컴퓨팅 (Reservoir Computing, RC) 은 순환 "저수지"를 고정된 상태로 유지하면서 선형 읽기출력 (linear readout) 만을 학습함으로써 더 효율적인 대안을 제공합니다.

본 연구에서 다루는 핵심 문제는 양자 강화 순환 아키텍처가 금융 예측을 위한 이러한 고전적 기준 모델보다 표현적 우위를 제공할 수 있는지 여부입니다. 구체적으로, 저자들은 현실적인 큐비트 제약 하에서 모델 크기를 단순히 증가시키는 것이 아니라, 양자 장기 단기 기억 (QLSTM) 과 양자 저수지 컴퓨팅 (QRC) 이 비선형 시간적 패턴과 변수 간 상관관계를 더 잘 포착할 수 있는지 조사합니다.

방법론

데이터 및 전처리

본 연구는 20 개 제품에 대한 매출 관련 지표를 활용하여 약 8 년 (96 개 관측치) 분량의 단변량 월간 시계열을 생성했습니다. 장기 예측을 위한 짧은 역사적 데이터의 한계를 극복하기 위해, 저자들은 합성 연속 데이터를 생성했습니다. 이는 부드러운 추세와 계절성을 모델링하기 위한 가우시안 프로세스 (GP) 와 잔차의 수준 변화를 포착하기 위한 2 상태 은닉 마르코프 모델 (HMM) 을 결합하여 모델링되었습니다.

예측을 위해 순차적 문제는 지연 입력을 사용하여 지도 학습 작업으로 변환되었습니다. 본 연구는 단변량 (단일 시계열) 과 다변량 (상관된 여러 시계열) 지연 구조 모두를 평가했습니다.

양자 인코딩

방법론의 핵심 구성 요소는 **진폭 인코딩 (Amplitude Encoding)**입니다. Q-Alchemy 라이브러리를 사용하여 고전적 특징 벡터를 정규화하고 $n$-큐비트 상태의 확률 진폭에 직접 임베딩합니다. 이를 통해 $n$개의 큐비트를 사용하여 $2^n$차원 특징 벡터를 표현하는 지수적 압축이 가능해집니다. 이 인코딩 전략은 QLSTM 과 QRC 아키텍처 모두에 적용되었습니다.

모델 아키텍처

본 연구는 네 가지 모델을 비교합니다:

1. 고전적 LSTM: 게이트 메모리 셀을 갖춘 표준 순환 네트워크.
2. 양자 LSTM (QLSTM): 게이트 계산 (입력, 망각, 출력, 셀 상태) 을 매개변수화 양자 회로 (변분 양자 회로 또는 VQC) 로 대체함으로써 LSTM 패러다임을 확장합니다. 고전적 입력은 은닉 상태와 연결되어 양자 상태로 인코딩된 후, 단일 큐비트 회전과 얽힘으로 구성된 VQC 를 통해 처리되고, 측정되어 고전적 은닉 상태와 셀 상태를 업데이트합니다.
3. 고전적 저수지 컴퓨팅 (RC): 무작위 연결성을 가진 고정된 고차원 순환 네트워크를 사용합니다. 선형 읽기출력만 학습됩니다.
4. 양자 저수지 컴퓨팅 (QRC): 고전적 저수지를 고정된 양자 동역학 시스템으로 대체합니다. 입력은 양자 상태로 인코딩되어 고정된 유니터리 연산자 (무작위 회전 및 링 얽힘) 를 통해 진화한 후, 측정되어 고차원 특징을 생성합니다. 두 가지 읽기출력 전략이 테스트되었습니다: 선형 회귀 (LR) 읽기출력과 신경망 (NN) 읽기출력.

실험 설정

모델들은 파라미터 매칭 접근법을 사용하여 서로 비교되었습니다. QLSTM 과 LSTM 은 유사한 은닉 상태 크기와 파라미터 수로 구성되어 성능 차이가 모델 크기가 아닌 표현 능력의 차이를 반영하도록 했습니다. 본 연구는 80-20 훈련 - 테스트 분할을 사용하며, 평균 제곱근 오차 (RMSE) 와 의사 정확도 ($1/(1+RMSE)$) 를 사용하여 성능을 평가했습니다.

주요 결과

단변량 예측

단일 채널 시계열 작업에서:

• QLSTM 대 LSTM: QLSTM 은 고전적 LSTM 보다 약간 낮은 RMSE 값을 달성하여 점별 예측 정확도에서 작지만 일관된 개선을 나타냈습니다. 그러나 격차는 좁았으며, 두 모델의 정성적 궤적은 거의 동일하여 피크와 골을 유사한 충실도로 포착했습니다.
• QRC 대 RC: 양자 저수지 변형은 고전적 대응 모델보다 약간 높은 RMSE 값을 보였습니다. 성능 격차는 미미하여, 상대적으로 단순한 시간적 구조를 가진 시계열의 경우 고전적 저수지가 제공하는 비선형 혼합이 이미 충분히 표현력이 있음을 시사합니다.

다변량 예측

여러 상관된 입력 채널이 포함된 작업에서:

• QLSTM 대 LSTM: QLSTM 은 훈련 및 테스트 세트 모두에서 모든 오차 지표를 통해 고전적 LSTM 일관적으로 우월한 성능을 보였습니다. QLSTM 은 더 낮은 손실 평탄면으로 수렴하며 지연 상호작용 및 결합 진동과 같은 채널 간 구조를 더 잘 보존했습니다. 고전적 LSTM 은 때때로 감쇠된 동역학이나 위상 이동을 보인 반면, QLSTM 은 이를 피했습니다.
• QRC 대 RC: 마찬가지로, QRC 변형은 유사한 용량을 가진 고전적 RC 모델보다 낮은 훈련 및 테스트 RMSE 를 달성했습니다. 양자 모델은 변수 간의 공변하는 피크와 골을 더 충실하게 재현했습니다. 이 우위는 고차원 양자 동역학이 다변량 입력에 대한 더 표현력 있는 내부 표현을 제공하기 때문으로 귀결됩니다.

주요 기여 및 주장

1. 체계적인 파라미터 매칭 비교: 복잡성이 불일치하거나 합성 데이터에 초점을 맞춘 이전 연구들과 달리, 본 연구는 실제 금융 데이터에서 QLSTM 과 QRC 를 LSTM 과 RC 에 대해 엄격하고 파라미터가 통제된 비교를 제공합니다.
2. 진폭 인코딩 구현: 이 논문은 Q-Alchemy 의 진폭 인코딩을 사용하여 금융 지연 구조를 양자 상태에 임베딩하는 실용적인 파이프라인을 보여주며, 큐비트 제약이라는 과제를 해결합니다.
3. 맥락적 양자 우위: 본 연구는 양자 강화 아키텍처가 모든 체제에서 보편적인 "양자 우위"를 제공하지 않는다고 주장합니다. 대신, 그 이점은 소박하고 맥락에 의존적입니다:
   • 단순한 시간적 구조를 가진 단변량 설정에서 양자 모델은 현재 하드웨어의 구현 오버헤드와 잡음 민감성을 정당화할 수 없는 미미한 이점만 제공합니다.
   • 상관된 입력을 가진 다변량 설정에서 양자 모델은 고전적 기준 모델보다 명확하고 중등도이지만 우월한 능력을 입증합니다. 저자들은 양자 상태 공간이 데이터가 풍부한 횡단면 구조를 가질 때 특히 유익한 표현력 있는 특징 지도로 작용한다고 주장합니다.

중요성 및 결론

본 논문은 양자 순환 모델이 아직 고전적 모델을 보편적으로 대체할 준비가 되지 않았으며, 특히 고전적 방법이 매우 효과적인 저차원 단변량 작업에서는 그렇다고 결론지었습니다. 그러나 결과는 양자 상태 공간이 고차원이고 강한 상관관계를 가진 금융 시계열을 위한 표현력 있는 특징 지도로 효과적으로 활용될 수 있음을 시사합니다.

저자들은 다변량 설정에서 관찰된 개선이 점근적 양자 우위가 아니라, 유사한 자원 제약 하에서 고전적 저수지가 인코딩하는 데 어려움을 겪는 복잡한 비선형 상호의존성을 포착할 수 있는 양자 동역학의 능력에서 비롯된 실용적 이점이라고 강조합니다. 향후 연구는 이러한 아키텍처를 더 큰 양자 장치로 확장하고, 대체 인코딩을 탐색하며, 이러한 하이브리드 모델의 실용적 유용성을 더욱 명확히 하기 위해 하드웨어 인식 훈련 전략을 개발하는 방향으로 진행될 것입니다.