Quantum generative modeling for financial time series with temporal correlations

Dit onderzoek toont aan dat Quantum Generative Adversarial Networks (QGANs), die gebruikmaken van quantumcorrelaties, synthetische financiële tijdreeksen kunnen genereren die zowel de doelverdeling als de gewenste temporele correlaties nauwkeurig nabootsen.

De kern

Stel je voor dat je een meester-chef bent die probeert een nieuw gerecht te bedenken, maar je hebt maar één receptboek: de geschiedenis van de beurs. Je wilt nieuwe, realistische recepten (data) creëren om je kookkunsten (AI-modellen) te verbeteren. Het probleem? De beurs is net als het weer: je hebt maar één echte geschiedenis, en je kunt de tijd niet terugdraaien om te zien wat er zou gebeuren als het morgen regende in plaats van zonneschijn.

Dit is precies het probleem waar deze wetenschappers uit Leiden en Lucca een oplossing voor zoeken. Ze gebruiken kwantumcomputers (de "supercomputers van de toekomst") om een kunstmatige, maar zeer realistische, geschiedenis van de beurs te genereren.

Hier is hoe ze dat doen, vertaald naar een simpel verhaal:

1. Het Probleem: De Beurs is een Eenmalig Avontuur

In de echte wereld kun je een AI niet trainen op "wat als"-scenario's. Als je een model wilt leren hoe de beurs werkt, heb je veel data nodig. Maar we hebben maar één echte geschiedenis van de S&P 500 (een index van de 500 grootste Amerikaanse bedrijven).

• De uitdaging: Als je een AI alleen op die ene geschiedenis traint, wordt hij niet slim genoeg om nieuwe situaties te voorspellen.
• De oplossing: Maak "synthetische" data. Maak neppe beursgrafieken die er precies uitzien en zich precies gedragen als de echte, zodat je AI kan oefenen.

2. De Oplossing: Een Kwantum-Debat (QGAN)

De auteurs gebruiken een techniek die QGAN (Quantum Generative Adversarial Network) heet. Denk aan dit als een kunstenaarswedstrijd tussen twee robots:

• De Vervalser (De Generator): Deze robot is een kwantumcomputer. Hij probeert neppe beursgrafieken te tekenen. Hij is slim, maar hij maakt fouten.
• De Politieagent (De Discriminator): Dit is een gewone computer (een klassieke AI). Zijn enige taak is om te kijken: "Is dit de echte beurs of een nepje?"

Ze spelen een spelletje:

1. De Vervalser maakt een nepgrafiek.
2. De Politieagent kijkt er naar en zegt: "Nee, dit is nep, want de schommelingen zijn te saai."
3. De Vervalser past zijn techniek aan en probeert het opnieuw.
4. Na duizenden pogingen wordt de Vervalser zo goed dat de Politieagent het niet meer kan onderscheiden. Dan hebben we een perfecte synthetische beurs.

3. Het Kwantum-Geheim: Waarom een Kwantumcomputer?

Waarom gebruiken ze geen gewone computer voor de Vervalser?
Beursdata is ingewikkeld. Het heeft twee belangrijke eigenschappen die moeilijk na te bootsen zijn:

1. Extreme uitschieters: Soms gaat de beurs heel hard, soms heel langzaam (niet zomaar een normale verdeling).
2. Tijdsafhankelijkheid (De "Gedrag van de Menigte"): Als de beurs vandaag zakt, is de kans groter dat hij morgen ook zakt of dat de schommelingen groter worden. Dit noemen ze "volatiliteit clustering".

Een gewone computer is als een fotograaf: hij maakt een foto van de verdeling (hoe vaak gebeurt wat?). Maar hij mist vaak de dynamiek van de tijd.
Een kwantumcomputer is als een regisseur van een film. Hij kan de "tijdslijn" en de complexe relaties tussen de momenten veel natuurlijker nabootsen. De auteurs ontdekten dat hun kwantum-robot deze complexe tijdsrelaties (zoals de "hefboomwerking" waar paniek leidt tot meer paniek) beter kon leren dan een standaard computer.

4. De Uitdaging: De "Kwantum-Bril"

Er is een probleem: echte kwantumcomputers zijn nog niet groot genoeg om dit hele verhaal in één keer te spelen. Ze zijn te klein en te onstabiel.
Dus, de auteurs gebruikten een slimme truc: Matrix Product States (MPS).

• De Analogie: Stel je voor dat je een hele lange film wilt bekijken, maar je scherm is klein. In plaats van de hele film tegelijk te tonen, kijk je naar de film in stukjes, waarbij je onthoudt hoe het vorige stukje het volgende beïnvloedt.
• Ze simuleerden de kwantumcomputer op een gewone supercomputer, maar gebruikten deze "film-stukjes"-methode om de berekeningen haalbaar te houden. Ze konden zo kijken of het werkte, zonder dat ze een echte, gigantische kwantumcomputer nodig hadden.

5. Wat Vonden Ze?

De resultaten waren veelbelovend:

• De synthetische beursgrafieken die de kwantum-robot maakte, leken opvallend veel op de echte S&P 500.
• Ze hadden de juiste "ruis" (niet te glad).
• Ze hadden de juiste "schokken" (als de echte beurs schokt, doet de neppe dat ook).
• Ze hadden de juiste "volatiliteit": als de beurs rustig is, blijft hij rustig; als hij onrustig is, blijft hij onrustig.

Conclusie: Waarom is dit belangrijk?

Dit onderzoek is als het bouwen van een vluchtsimulator voor piloten, maar dan voor beleggers en banken.
Voorheen moesten piloten (beleggers) oefenen met beperkte data. Nu kunnen we met deze kwantum-techniek duizenden verschillende, realistische "wat als"-scenario's genereren. Hierdoor kunnen we AI-modellen trainen om beter te voorspellen, risico's te managen en de financiële wereld veiliger te maken.

Kortom: Ze hebben bewezen dat kwantumcomputers (of in ieder geval slimme simulaties daarvan) een krachtige nieuwe manier zijn om de complexe, chaotische dans van de beurs na te bootsen.

Technische samenvatting

Probleemstelling

De financiële sector kampt met een fundamenteel probleem bij het trainen van machine learning-modellen: het ontbreken van grote, diverse datasets. In tegenstelling tot andere domeinen waar veel data beschikbaar is, bestaat er voor een specifieke financiële asset (zoals de S&P 500) slechts één historische realisatie van de tijdreeks. Dit beperkt de generalisatievermogen van modellen.

Hoewel generatieve modellen (zoals GANs) worden gebruikt om synthetische data te genereren voor data-augmentatie, blijken klassieke modellen vaak tekort te schieten. Ze slagen er wel in om de verdeling van de data te benaderen, maar falen vaak in het reproduceren van cruciale temporele correlaties (de zogenaamde "stylized facts" van financiële tijdreeksen), zoals:

• Volatiiliteitsclustering: Perioden van grote schommelingen worden gevolgd door grote schommelingen.
• Het hefboomeffect (Leverage effect): Een daling in de prijs gaat vaak gepaard met een stijging in de volatiliteit.
• Afwezigheid van lineaire autocorrelatie: Huidige rendementen zijn niet lineair voorspelbaar op basis van vorige rendementen.

Het artikel onderzoekt of Quantum Generative Adversarial Networks (QGANs), die gebruikmaken van quantumcorrelaties, beter in staat zijn om deze complexe tijdreekskenmerken te leren dan klassieke tegenhangers.

Methodologie

De auteurs hebben een hybride QGAN-architectuur ontwikkeld en getraind om synthetische tijdreeksen te genereren die de S&P 500 index nabootsen.

1. Architectuur:

   • Generator: Een Parameterized Quantum Circuit (PQC) die fungeert als een "expectation value sampler". In plaats van discrete bitstrings (zoals bij Born-machines), worden de verwachtingswaarden van Pauli-X en Pauli-Z operatoren op de qubits gemeten. Deze waarden worden geïnterpreteerd als logaritmische rendementen ($r_t$) op verschillende tijdstippen.
   • Discriminator: Een klassiek Convolutional Neural Network (CNN) dat is getraind om onderscheid te maken tussen echte en gegenereerde data.
   • Trainingsdoel: Het gebruik van de Wasserstein-afstand (via een critic) in plaats van de standaard GAN-verliesfunctie. Dit verbetert de trainingsstabiliteit en zorgt voor een betere convergentie van de verdelingen.

2. Data-voorbereiding:

   • De logaritmische rendementen van de S&P 500 worden genormaliseerd en getransformeerd (o.a. via de inverse Lambert-W transformatie) om de zware staarten van de verdeling te benaderen en binnen het bereik $[-1, 1]$ te brengen, wat nodig is voor de quantum-metingen.
   • De tijdreeks wordt opgesplitst in overvleugende vensters (window size 20 en 40) om voldoende trainingsvoorbeelden te creëren.

3. Simulatiemethoden:
   Omdat volledige quantum-simulaties exponentieel schalen met het aantal qubits, gebruikten de auteurs twee benaderingen:

   • Full-state simulatie: Exacte simulatie van de quantumstaat voor kleinere systemen (tot 10 qubits).
   • Matrix Product State (MPS) simulatie: Een tensor-netwerk methode die de quantumstaat benadert met een beperkte "bond dimension" ($\chi$). Dit maakt het mogelijk om systemen met meer qubits (tot 20) en meer lagen te simuleren door de entanglement te beperken tot wat nodig is voor lineaire structuren zoals tijdreeksen.

Belangrijkste Bijdragen

• Hybride QGAN voor Financiële Tijdreeksen: Het is een van de eerste werken dat een QGAN toepast specifiek op het genereren van tijdreeksen met aandacht voor temporele correlaties, niet alleen op de verdeling van de data.
• Vergelijking van Simulatiemethoden: Het biedt een gedetailleerde analyse van de prestaties van QGANs onder volledige simulatie versus MPS-benadering, en hoe hyperparameters (circuitdiepte, bond dimension) de kwaliteit van de gegenereerde data beïnvloeden.
• Kwantificering van "Stylized Facts": De auteurs introduceren kwantitatieve metrieken (EMD voor verdeling, EACF voor autocorrelatie, ELev voor hefboomeffect) om de kwaliteit van de synthetische data objectief te beoordelen in plaats van alleen visueel.

Resultaten

De resultaten tonen aan dat de getrainde QGANs in staat zijn om synthetische tijdreeksen te genereren die zowel de verdeling als de temporele correlaties van de S&P 500 nabootsen:

• Verdeling: De gegenereerde data matcht de doelpopulatieverdeling (niet-Gaussisch met zware staarten) zeer nauwkeurig, zoals zichtbaar in de QQ-plots.
• Temporele Correlaties:
  • Volatiiliteitsclustering: De absolute autocorrelatie (een maat voor clustering) wordt positief en neemt af over de tijd, wat overeenkomt met het gedrag van de echte markt.
  • Hefboomeffect: Het negatieve verband tussen rendement en toekomstige volatiliteit wordt gereproduceerd, zij het iets zwakker dan in de echte data.
  • Lineaire Autocorrelatie: Er is geen significante lineaire autocorrelatie, wat consistent is met de doeltreffende markthypothese.
• Invloed van Simulatie:
  • Full-state (10 qubits, 8 lagen): Leverde stabiele resultaten met goede reproduktie van de verdeling en matige temporele correlaties.
  • MPS (10 qubits, 18 lagen; 20 qubits, 7 lagen): Door de MPS-methode konden diepere circuits en langere tijdreeksen (window size 40) worden gesimuleerd. Hoewel de training langzamer verliep en de resultaten iets minder scherp waren dan bij de full-state simulatie (door de benadering), werd bewezen dat het mogelijk is om complexere modellen te trainen die onmogelijk zijn met full-state simulatie.
  • De bond dimension ($\chi$) bleek cruciaal: een hogere $\chi$ leidde tot hogere nauwkeurigheid (hogere fideliteit) maar hogere rekentijd.

Betekenis en Conclusie

Dit werk demonstreert het potentieel van quantum-geïnspireerde modellen voor financiële toepassingen. De belangrijkste conclusies zijn:

1. Inductieve Bias: Quantum circuits lijken een geschikte inductieve bias te hebben voor het leren van complexe, niet-lineaire tijdreeksdynamieken die klassieke modellen moeite hebben om te vangen.
2. Scalabiliteit via Tensor Netwerken: De combinatie van QGANs met MPS-simulaties biedt een praktische weg om quantum-algoritmen te testen op grotere schaal, zelfs voordat volledig foutgecorrigeerde quantumcomputers beschikbaar zijn.
3. Toekomstige Toepassingen: De gegenereerde synthetische data kan worden gebruikt om neurale netwerken te trainen voor risicobeheer, optieprijzing en marktvoorspelling, waarbij de beperking van historische data wordt opgeheven.

De auteurs benadrukken dat hoewel de huidige resultaten op simulaties zijn gebaseerd, de methode een veelbelovende richting is voor toekomstig onderzoek op echte quantumhardware, met name voor het genereren van realistische financiële scenario's.