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

Deze studie toont aan dat kwantumverbeterde hybride architecturen, met name Quantum LSTM en Quantum Reservoir Computing met amplitude-encoding, klassieke basismodellen in de financiële tijdreeksvoorspelling kunnen evenaren of bescheiden kunnen overtreffen, met name in multivariate regimes met gecorreleerde invoer.

De kern

Stel je voor dat je probeert de toekomstige prijs van een product te voorspellen, zoals een specifiek type koffieboon, op basis van zijn eerdere verkoop. Dit is een beetje als proberen het weer te raden door naar de wolken van gisteren te kijken. Het is lastig omdat de patronen veranderen, de data rommelig is en soms de regels plotseling verschuiven.

Dit artikel is een "proeverij" waarbij twee soorten chefs worden vergeleken: Klassieke Chefs (standaard computerprogramma's) en Quantum Chefs (programma's die draaien op experimentele quantumcomputers). Het doel was om te zien of de Quantum Chefs betere voorspellingen konden koken dan de Klassieke.

Hier is de uiteenzetting van hun experiment in eenvoudige bewoordingen:

1. De Ingrediënten (De Data)

De onderzoekers gebruikten niet zomaar willekeurige getallen; ze gebruikten echte financiële data (omzet van producten). Echter, de echte financiële geschiedenis is vaak te kort om langetermijntrends te bestuderen. Dus creëerden ze synthetische "nep"-data die er precies zo uitzag en zich precies zo gedroeg als het echte spul.

• De Analogie: Stel je voor dat ze een korte video hadden van een danser. Om de hele dans te bestuderen, gebruikten ze een computer om een langere video te genereren die hetzelfde ritme, dezelfde stijl en dezelfde bewegingen behield, alleen in de tijd uitgerekt.

2. De Gereedschappen (De Modellen)

Ze testten vier verschillende "keukens" (modellen) om te zien welke de toekomst het beste kon voorspellen:

• De Klassieke LSTM: Een standaard, zeer populair computerprogramma ontworpen om langetermijnpatronen te onthouden (zoals het onthouden van het refrein van een liedje nadat je de coupletten hebt gehoord).
• De QLSTM (Quantum LSTM): Een luxe versie van bovenstaande. In plaats van alleen standaard computerbits te gebruiken, maakt het gebruik van quantumbits (qubits). Denk hierbij aan een chef die een gerecht kan proeven en alle mogelijke variaties van de smaak tegelijkertijd kan voorstellen, in plaats van slechts één.
• De Klassieke Reservoir (RC): Een eenvoudiger, sneller computermodel. Het heeft een "reservoir" van willekeurige verbindingen die de data door elkaar halen, en het traint alleen de laatste stap om een voorspelling te doen. Het is als een blender die ingrediënten willekeurig mengt, en je past alleen de deksel aan om de juiste smaak te krijgen.
• De QRC (Quantum Reservoir): De quantumversie van de blender. Het gebruikt de vreemde, complexe fysica van de quantummechanica om de data te mengen, in de hoop verborgen patronen te vinden die een normale blender zou missen.

De Geheime Saus (Amplitude Encoding):
Om de data in de quantumcomputers te voeren, moesten ze getallen vertalen naar "quantumtoestanden". Ze gebruikten een methode genaamd Amplitude Encoding.

• De Analogie: Stel je voor dat je een enorme bibliotheek met boeken hebt (data). Een normale computer leest ze één voor één. Amplitude encoding is als het verkleinen van de hele bibliotheek tot één enkel, tiny, magisch kristal. Je kunt de boeken niet meer individueel lezen, maar het kristal bevat alle informatie in een gecomprimeerde vorm die de quantumcomputer direct kan verwerken.

3. De Proeverij (De Resultaten)

De onderzoekers voerden twee soorten tests uit:

Test A: Het Solo-optreden (Univariate)

• Scenario: De toekomst voorspellen van één enkel product, uitsluitend op basis van zijn eigen verleden.
• Resultaat: De Quantum Chefs (QLSTM en QRC) deden bijna precies hetzelfde als de Klassieke Chefs.
• De Les: Wanneer de taak simpel is (slechts één variabele), bieden de chique quantumgereedschappen geen groot voordeel. De extra complexiteit en kosten van het gebruik van een quantumcomputer waren voor deze specifieke taak niet de moeite waard.

Test B: Het Orkest (Multivariate)

• Scenario: De toekomst voorspellen van meerdere producten tegelijk, waarbij ze elkaar beïnvloeden (bijvoorbeeld: als de koffieverkoop stijgt, daalt misschien de thee-verkoop).
• Resultaat: De Quantum Chefs wonnen, maar slechts met een klein, bescheiden verschil.
• De Les: Wanneer de data ingewikkeld wordt en de variabelen met elkaar verstrikt raken, waren de quantummodellen iets beter in het opsporen van verborgen verbindingen. Ze konden de harmonie tussen de instrumenten "horen" beter dan de klassieke modellen konden.

4. De Conclusie

Het artikel concludeert dat:

1. Quantum nog geen toverstaf is. Voor simpele, enkelvoudige voorspellingen is het bij klassieke computers blijven net zo goed en veel makkelijker.
2. Quantum heeft een niche. Wanneer je te maken hebt met een rommelig, complex web van veel verschillende variabelen die met elkaar interageren (zoals een echte financiële markt), kunnen quantummodellen een beetje meer nauwkeurigheid eruit persen.
3. Het draait om de "Feature Map". De quantumcomputer fungeert als een krachtige lens die patronen kan zien in hoogdimensionale data die gewone computers moeite hebben om duidelijk te visualiseren.

Kortom: Als je de prijs van één enkel item voorspelt, is een standaardcomputer prima. Als je probeert de hele aandelenmarkt te voorspellen waar alles elkaar beïnvloedt, kan een quantumcomputer je een klein voordeel geven, maar het is nog steeds werk in uitvoering.

Technische samenvatting

Technische Samenvatting: Het Leren van Temporele Patronen in Financiële Tijdreeksen

Probleemstelling

Financiële tijdreeksvoorspelling is inherent moeilijk vanwege non-stationariteit, zware staarten, regimeverschuivingen en complexe cross-asset afhankelijkheden. Hoewel klassieke deep learning-modellen, met name Long Short-Term Memory (LSTM)-netwerken, standaard zijn geworden voor het modelleren van temporele afhankelijkheden, vereisen ze vaak aanzienlijke rekenkracht en een groot aantal parameters, vooral in multivariate situaties met gecorreleerde reeksen. Daarentegen biedt Reservoir Computing (RC) een efficiënter alternatief door alleen een lineaire readout te trainen terwijl het recurrente "reservoir" vast blijft.

Het centrale probleem dat in deze studie wordt aangepakt, is of quantum-versterkte recurrente architecturen een representatief voordeel kunnen bieden ten opzichte van deze klassieke basismodellen voor financiële voorspelling. Specifiek onderzoeken de auteurs of Quantum Long Short-Term Memory (QLSTM) en Quantum Reservoir Computing (QRC) niet-lineaire temporele patronen en cross-variabele correlaties beter kunnen vastleggen onder realistische qubit-beperkingen, zonder uitsluitend de modelgrootte te vergroten.

Methodologie

Data en Preprocessing

De studie maakt gebruik van omzetgerelateerde maatstaven voor 20 producten, wat resulteert in univariate maandelijkse tijdreeksen van ongeveer 8 jaar (96 observaties). Om de beperking van korte historische data voor voorspellingen op lange termijn aan te pakken, genereren de auteurs synthetische voortzettingen. Deze worden gemodelleerd met een Gaussian Process (GP) voor gladde trends en seizoensinvloeden, gecombineerd met een twee-toestanden Hidden Markov Model (HMM) om niveauverschuivingen in de residuen vast te leggen.

Voor voorspelling wordt het sequentiële probleem omgezet in een supervised learning-taak met gebruik van gelagde inputs. De studie evalueert zowel univariate (enkele reeks) als multivariate (meerdere gecorreleerde reeksen) lag-structuren.

Quantum Encoding

Een kritiek onderdeel van de methodologie is Amplitude Encoding. Met behulp van de Q-Alchemy-bibliotheek worden klassieke feature-vectoren genormaliseerd en direct ingebed in de probabiliteitsamplitudes van een $n$-qubit-toestand. Dit zorgt voor exponentiële compressie, waarbij een feature-vector met $2^n$ dimensies wordt weergegeven met $n$ qubits. Deze coderingsstrategie wordt toegepast op zowel QLSTM- als QRC-architecturen.

Model Architecturen

De studie vergelijkt vier modellen:

1. Klassieke LSTM: Een standaard recurrent netwerk met gegateerde geheugencellen.
2. Quantum LSTM (QLSTM): Breidt het LSTM-paradigma uit door de gate-berekeningen (input, forget, output en cell state) te vervangen door Parameterized Quantum Circuits (Variational Quantum Circuits of VQCs). De klassieke input wordt geconcateneerd met de hidden state, gecodeerd in quantum-toestanden, verwerkt via een VQC (bestaande uit single-qubit rotaties en entanglement), en gemeten om de klassieke hidden en cell states bij te werken.
3. Klassieke Reservoir Computing (RC): Gebruikt een vast, hoog-dimensionaal recurrent netwerk met willekeurige connectiviteit. Alleen de lineaire readout wordt getraind.
4. Quantum Reservoir Computing (QRC): Vervangt het klassieke reservoir door een vast quantum dynamisch systeem. Inputs worden gecodeerd in quantum-toestanden, geëvolueerd via een vaste unitaire operator (willekeurige rotaties en ring-entanglement), en gemeten om hoog-dimensionale features te genereren. Twee readout-strategieën worden getest: een Lineaire Regressie (LR) readout en een Neural Network (NN) readout.

Experimentele Opstelling

De modellen worden tegen elkaar afgezet met een parameter-gematchte aanpak. De QLSTM en LSTM zijn zo geconfigureerd dat ze vergelijkbare hidden state-groottes en parameteraantallen hebben om ervoor te zorgen dat prestatieverschillen representatief vermogen weerspiegelen in plaats van modelgrootte. De studie maakt gebruik van een 80-20 train-test split en evalueert de prestaties met Root Mean Square Error (RMSE) en pseudo-accuracy ($1/(1+RMSE)$).

Belangrijkste Resultaten

Univariate Voorspelling

In single-channel tijdreeks-taken:

• QLSTM vs. LSTM: De QLSTM bereikt iets lagere RMSE-waarden dan de klassieke LSTM, wat wijst op een kleine maar consistente verbetering in punt-voor-punt voorspellingnauwkeurigheid. Het verschil is echter klein, en de kwalitatieve trajecten van beide modellen zijn bijna identiek, waarbij pieken en dalen met vergelijkbare fideliteit worden vastgelegd.
• QRC vs. RC: De quantum reservoir-varianten tonen iets hogere RMSE-waarden dan hun klassieke tegenhangers. Het prestatieverschil is verwaarloosbaar, wat suggereert dat voor tijdreeksen met relatief eenvoudige temporele structuren, de niet-lineaire mixing die door een klassiek reservoir wordt geboden, al voldoende expressief is.

Multivariate Voorspelling

In taken met meerdere gecorreleerde inputkanalen:

• QLSTM vs. LSTM: De QLSTM presteert consistent beter dan de klassieke LSTM over alle error-metrics op zowel trainings- als testsets. De QLSTM convergeert naar een lagere loss-plateau en behoudt cross-kanaal structuren beter, zoals gelagde interacties en gekoppelde oscillaties. De klassieke LSTM vertoont af en toe gedempte dynamiek of faseverschuivingen die de QLSTM vermijdt.
• QRC vs. RC: Evenzo bereiken QRC-varianten lagere trainings- en test-RMSE dan klassieke RC-modellen met vergelijkbaar vermogen. De quantum-modellen reproduceren meer trouw covariërende pieken en dalen tussen variabelen. Het voordeel wordt toegeschreven aan de hoog-dimensionale quantum-dynamiek die meer expressieve interne representaties van multivariate inputs biedt.

Belangrijkste Bijdragen en Claims

1. Systematische Parameter-Gematchte Vergelijking: In tegenstelling tot eerdere studies die vaak quantum-modellen vergelijken met klassieke basismodellen met mismatchende complexiteiten of zich richten op synthetische data, biedt deze studie een rigoureuze, parameter-gestuurde vergelijking van QLSTM en QRC tegen LSTM en RC op echte financiële data.
2. Implementatie van Amplitude Encoding: Het artikel demonstreert een praktische pijplijn voor het inbedden van financiële lag-structuren in quantum-toestanden met behulp van de amplitude encoding van Q-Alchemy, waarmee de uitdaging van qubit-beperkingen wordt aangepakt.
3. Contextueel Quantum Voordeel: De studie stelt dat quantum-versterkte architecturen geen universeel "quantum voordeel" bieden in alle regimes. Het voordeel is in plaats daarvan bescheiden en context-afhankelijk:
   • In univariate situaties met eenvoudige temporele structuren bieden quantum-modellen slechts marginale winsten die de implementatie- overhead en gevoeligheid voor ruis van huidige hardware mogelijk niet rechtvaardigen.
   • In multivariate situaties met gecorreleerde inputs tonen quantum-modellen een duidelijk, zij het gematigd, vermogen om klassieke basismodellen te overtreffen. De auteurs stellen dat quantum-toestandsruimtes fungeren als expressieve feature maps die vooral voordelig zijn wanneer de data een rijke cross-sectionele structuur bezit.

Betekenis en Conclusie

Het artikel concludeert dat quantum recurrente modellen nog niet klaar zijn om klassieke modellen universeel te vervangen, vooral niet in laag-dimensionale univariate taken waar klassieke methoden zeer effectief zijn. De resultaten suggereren echter dat quantum-toestandsruimtes effectief kunnen worden benut als expressieve feature maps voor hoog-dimensionale, sterk gecorreleerde financiële tijdreeksen.

De auteurs benadrukken dat de waargenomen verbeteringen in multivariate situaties geen asymptotische quantum-voordelen zijn, maar eerder praktische voordelen die voortvloeien uit het vermogen van quantum-dynamiek om complexe niet-lineaire interdependenties vast te leggen waar klassieke reservoirs moeite mee hebben onder vergelijkbare resource-beperkingen. Toekomstig werk is gericht op het schalen van deze architecturen naar grotere quantum-apparaten, het verkennen van alternatieve encoding-methoden en het ontwikkelen van hardware-bewuste trainingsstrategieën om het praktische nut van deze hybride modellen verder te verduidelijken.