Large-Scale Benchmarking of Quantum Neural Network Configurations for Financial Time Series Forecasting
Deze studie presenteert een grootschalige benchmarking van 1.368 Quantum Neural Network-configuraties voor het voorspellen van GBP/USD financiële tijdreeksen, waarbij wordt vastgesteld dat specifieke poortselecties en circuitarchitecturen kritischer zijn dan het aantal parameters voor het bereiken van een hoge nauwkeurigheid (waarbij de klassieke BiLSTM wordt overtroffen), terwijl tegelijkertijd poortfouten en decoherentie worden benadrukt als belangrijke barrières voor praktische implementatie op nabije quantumhardware.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De wereld van de financiën leunt zwaar op het voorspellen van de toekomst, specifiek op de beweging van valutawaarden, aandelenkoersen en economische indicatoren. Decennialang hebben wetenschappers klassieke computers gebruikt om patronen in deze getallen te vinden, waarbij ze deze behandelen als een complexe puzzel waarbij gegevens uit het verleden een hint geven over wat er volgt. Echter, naarmale de data complexer en de relaties meer verstrengeld raken, worstelen traditionele computers soms met het zien van het volledige plaatje. Dit heeft geleid ertoe dat onderzoekers een ander soort machine zijn gaan verkennen: de quantumcomputer. In tegen tegenstelling tot standaardcomputers die informatie verwerken als eenvoudige aan-of-uit-schakelaars, gebruiken quantummachines de vreemde regels van de natuurkunde om informatie te verwerken op een manier die het mogelijk maakt dat ze in veel staten tegelijk kunnen bestaan. Wanneer deze machines worden geprogrammeerd om te leren van data, worden ze quantum neurale netwerken. Dit zijn niet alleen snellere versies van oude modellen; het zijn fundamenteel andere instrumenten die nieuwe paden bieden voor het verwerken van hoogdimensionale data. De vraag waarmee wetenschappers vandaag de dag worden geconfronteerd, is niet alleen of deze machines kunnen werken, maar hoe we ze correct kunnen bouwen om reële problemen op te lossen, zoals het voorspellen van de prijs van geld.
Een team van onderzoekers van Kingston University London en Brunel University London zette zich in om deze vraag te beantwoorden door het ontwerp van een quantum neuraal netwerk te behandelen als een grootschalig bouwproject. Ze wilden weten welke specifieke onderdelen van de machine het beste werkten bij het proberen te voorspellen van de wisselkoers tussen het Britse pond en de Amerikaanse dollar. Om dit te doen, bouwden en testten ze niet slechts één model; ze bouwden en testten 1.368 verschillende versies. Elke versie was een unieke combinatie van verschillende bouwstenen, zoals hoe de data in de machine werd gevoerd, de specifieke arrangement van de interne logische poorten, het aantal gebruikte quantum bits en de wiskundige regels die werden gebruikt om succes te beoordelen. Door deze grid search uit te voeren, konden de onderzoekers precies zien hoe het veranderen van één klein onderdeel het uiteindelijke resultaat beïnvloedde, wat een duidelijk overzicht bood van wat wel en wat niet werkt.
De studie richtte zich op een specifieke dataset van dagelijkse wisselkoersen over een periode van bijna twintig jaar, van 2005 tot 2025. De onderzoekers verdeelden deze data in drie delen: één voor het trainen van de modellen, één voor het afstemmen van de modellen en één voor het testen van de uiteindelijke prestaties. Ze vergeleken hun quantumcreaties met een standaard, zeer geavanceerd klassiek computermodel bekend als een BiLSTM, dat momenteel wordt beschouwd als een top performer voor dit type tijdsafhankelijke voorspelling. Het doel was om te zien of de quantummodellen niet alleen de klassieke benchmark konden evenaren, maar deze potentieel zelfs konden overtreffen. De resultaten waren opmerkelijk. De best presterende quantumconfiguratie behaalde een score van 0,985 in zijn vermogen om de data te voorspellen. Hoewel dit de score van een beperkt klassiek model licht overtrof, is het belangrijk op te merken dat de onbeperkte klassieke baseline, die toegang had tot een aanzienlijk langere lookback window en volledig overlappende data, een score van 0,9805 behaalde. Desalniettemin toonde de best presterende quantumconfiguratie een concurrerende en in sommige gevallen superieure voorspellende nauwkeurigheid vergeleken met klassieke modellen die opereren onder equivalente databeperkingen, wat bemoedigend bewijs levert voor het potentieel van QNN's in financiële forecasting.
De weg naar dit succes was echter geen rechte lijn, en de onderzoekers ontdekten dat groter niet altijd beter was. Een algemene aanname in het vakgebied is dat het toevoegen van meer quantum bits of meer lagen complexiteit automatisch tot betere resultaten zou leiden. De studie vond het tegenovergestelde waar te zijn. De meest succesvolle modellen gebruikten een relatief klein aantal quantum bits en een modaal aantal lagen. Wanneer de onderzoekers de omvang van het model te veel vergrootten, daalde de prestatie vaak. Dit gebeurde omdat grotere modellen moeilijker te trainen waren en gevoeliger waren voor het vastlopen in een staat waarin ze niet effectief konden leren. Bovendien ontdekten de onderzoekers dat de specifieke keuze van poorten — de basisoperaties die de machine uitvoert — veel belangrijker was dan het totale aantal parameters of de loutere omvang van het circuit. Het ging er niet om dat je de krachtigste motor had, maar om het hebben van de juiste motor voor de klus.
Nog een cruciale ontdekking betrof hoe de machine de "verstrengeling" (entanglement) van zijn onderdelen afhandelt. In de quantumfysica is verstrengeling een fenomeen waarbij deeltjes verbonden raken zodat de staat van de een de ander onmiddellijk beïnvloedt, ongeacht de afstand. Het team kwam tot de conclusie dat deze koppeling niet alleen in het hoofdverwerkingsgedeelte van de machine hoeft plaats te vinden. In plaats daarvan is het een eigenschap van het gehele systeem. Als de methode die wordt gebruikt om data in de machine te voeren voldoende verstrengeling creëert, kan de hoofdverwerkingseenheid eenvoudiger zijn en nog steeds goed presteren. Omgekeerd, als de methode voor het invoeren van data deze link niet creëert, kan een complex verwerkingsgedeelte dit niet compenseren. Dit betekent dat het succes van het model afhangt van de harmonie van het gehele systeem, en niet alleen van de verfijning van de centrale component.
De onderzoekers testten ook hoe deze modellen zouden reageren op echte, fysieke quantumhardware, in plaats van alleen op een computersimulatie. Ze draalden een selectie van hun beste ontwerpen op een echt quantumapparaat genaamd de IQM Emerald. De resultaten hiervan waren nuchter. Terwijl de modellen perfect werkten in de simulatie, introduceerde het echte apparaat fouten veroorzaakt door de fysieke aard van de machine, zoals ruis en het verlies van quantumtoestanden in de loop van de tijd. Deze fouten zorgde ervoor dat de voorspellende nauwkeurigheid aanzienlijk daalde. De studie toonde aan dat de diepte van het circuit, oftewel hoeveel stappen de machine moest zetten, een belangrijke factor was in de mate waarin de ruis de prestaties aantastte. Diepere circuits leden meer. Interessant genoeg was het type fout dat het meest telde niet de aflezing van het uiteindelijke resultaat, maar de fouten die tijdens de berekeningsstappen zelf plaatsvonden. Dit suggereert dat voor quantumcomputers om nu in de echte wereld nuttig te zijn, de ontwerpen ondiep en eenvoudig gehouden moeten worden om te overleven in de huidige ruisgevoelige omgeving.
Ondanks de uitdagingen van de echte hardware, biedt de studie een duidelijk blauwdruk voor de toekomst. De onderzoekers hebben aangetoond dat het mogelijk is om een quantum neuraal netwerk te bouwen dat concurreert met, en in specifieke configuraties zelfs superieur is aan, klassieke modellen voor financiële tijdreeksen, mits de architectuur met zorg wordt gekozen. De beste ontwerpen brachten het aantal componenten, het type verbindingen en de methode van data-invoer in balans om een machine te creëren die zowel krachtig als veerkrachtig was. De bevindingen wijzen erop dat hoewel de technologie zich nog in een vroege fase bevindt en te maken heeft met aanzienlijke hindernissen gerelateerd aan hardware-ruis, het potentieel reëel is. Het werk legt een baseline vast voor hoe deze machines gebouwd moeten worden, en biedt praktische richtlijnen voor ingenieurs die proberen quantumtheorie om te zetten in een instrument dat de toekomst van geld kan voorspellen. Naarmate quantumhardware zich blijft verbeteren en de ruis die de prestaties momenteel beperkt vermindert, zouden de in deze studie geïdentificeerde configuraties als fundament kunnen dienen voor de volgende generatie financiële voorspellingsinstrumenten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.