💰 量化金融

HQNN-FSP: A Hybrid Classical-Quantum Neural Network for Regression-Based Financial Stock Market Prediction

本文提出并评估了一种用于金融股市预测的混合经典-量子神经网络（HQNN-FSP），通过引入一种新颖的量子拟设和两种优化策略，旨在展示量子辅助学习在捕捉复杂时间依赖性以及改进基于回归的预测方面的潜力。

原作者： Prashant Kumar Choudhary, Nouhaila Innan, Muhammad Shafique, Rajeev Singh

发布于 2026-10-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Prashant Kumar Choudhary, Nouhaila Innan, Muhammad Shafique, Rajeev Singh

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

股市是一个广阔且不断变化的景观，价格的涨跌取决于人类情感、全球事件和经济数据交织而成的复杂网络。几十年来，投资者和分析师一直依赖计算机来理解这种混沌状态，利用数学模型在历史价格中寻找模式，并预测市场的走向。这些传统的计算机程序功能强大，但当市场表现出不可预测性或游戏规则突然改变时，它们往往会显得力不从心。它们可能会陷入“噪声”之中，将随机波动误认为是真实的趋势，或者无法记住遥远过去的教训。随着世界金融系统的日益复杂，研究人员开始转向一种不同类型的计算能力：量子力学。这是研究微观粒子行为的物理学分支，在那个领域，事物可以同时存在于多种状态中，并以一种在日常世界看来几乎不可能的方式相互深度关联。驱动这一新研究方向的问题是：这些奇特的量子特性是否能帮助计算机比我们现有的经典机器更好地理解股市。

来自印度和阿拉伯联合酋长国的一个研究小组通过构建一种结合了传统与创新的新型预测工具，在回答这一问题上迈出了重要一步。他们创建了一个将标准、可靠的计算机模型与专门的量子处理器相结合的系统。他们并没有要求量子计算机从零开始完成所有工作（由于量子硬件目前具有脆弱性，这在目前仍具挑战性），而是设计了一种混合方法。在这种设置下，经典计算机首先消化原始数据，对其进行整理并提取出最重要的信号。随后，它将这些精炼后的信息传递给量子电路，由后者利用量子物理学的独特规则，去寻找经典计算机可能忽略的更深层、更微妙的联系。研究人员利用历史股票数据对该系统进行了测试，具体研究了大型科技公司威布罗（Wipro）的交易历史，以及交易员用来衡量市场动量的若干技术指标。

该研究探讨了使这种协作发挥作用的两种不同方式。在第一种方法中，经典计算机充当过滤器，在将数据传递给量子系统进行最终分析之前，先对数据进行清理并识别关键趋势。在第二种方法中，两个系统在一个统一的循环中协同工作，在调整内部设置以改进预测的同时，相互学习。团队运行了数千次模拟实验，以观察这些混合模型与仅使用量子系统或仅使用经典系统的表现对比。他们发现，混合方法在准确性上始终优于纯量子版本。通过让经典计算机处理繁重的数据组织工作，量子部分能够专注于真正重要的复杂模式，从而在预测未来价格时减少失误。

然而，结果也揭示了这项技术的现状局限。虽然混合模型优于纯量子版本，但仍无法达到目前最先进的经典计算机模型的性能水平。研究人员观察到，包括他们自己的混合模型在内的所有模型，在市场发生突然剧烈下跌时都表现挣扎。当价格趋势发生突变时，这些系统往往无法及时调整，仍根据旧有的模式进行预测。这表明，虽然量子组件增加了一层洞察力，但它尚未成为能够瞬间解决市场波动问题的“灵丹妙药”。研究还强调了准确性与速度之间的权衡：随着研究人员在模型中增加更多的量子比特（即量子系统中的基本信息单元），预测变得略微精准，但训练系统所需的时间也显著增长。

研究人员还仔细观察了他们的模型是如何做出决策的。通过使用一种追踪哪些信息对最终预测影响最大的技术，他们证实了该系统确实在关注正确的信息。该模型高度依赖特定的财务指标，例如市场动量和趋势强度的度量，而非仅仅是随机噪声。这赋予了该系统一种在复杂计算机模型中经常缺失的透明度，使分析师能够理解预测产生的原因。研究结论指出，虽然混合量子-经典模型尚未准备好取代专业交易员使用的工具，但它们代表了一条充满希望的路径。研究表明，通过将经典计算的优势与量子力学的独特能力进行细致结合，构建出的系统可以比两者单独存在时都更加稳健且富有洞察力。随着量子硬件持续改进并变得更加稳定，这些混合系统未来可能会在理解和驾驭金融世界方面发挥变革性的作用。

技术摘要：HQNN-FSP

问题陈述
由于复杂的时序依赖性、高波动性、非线性以及对宏观经济和地缘政治因素的敏感性，金融时间序列预测仍然是一项具有挑战性的任务。虽然传统的机器学习（ML）模型，如循环神经网络（RNN）和长短期记忆（LSTM）网络，已被广泛应用，但它们面临着包括过拟合、在动态市场条件下泛化能力不足以及难以捕捉长程依赖等局限性。此外，经典模型往往难以捕捉非平稳市场中的复杂相关性。本研究探讨了混合量子-经典方法是否可以利用量子资源——特别是叠加和纠缠——来改进股票市场回归任务中的特征表示和学习。

方法论
作者提出了 HQNN-FSP，这是一个将经典深度学习与量子神经网络（QNN）相结合的混合框架。该方法包含以下组成部分：

数据准备： 研究利用了历史股票价格（开盘价、收盘价、最高价、最低价），并辅以技术指标：相对强弱指数（RSI）、指数平滑异同移动平均线（MACD）和平均趋向指数（ADX）。特征使用 SelectKBest 进行选择，并使用 MinMaxScaler 进行归一化。
模型架构： 本研究评估了三种不同的架构：
1. CustomQNN： 一种基于受哈密顿量形式启发的设计的参数化量子电路（PQC）的独立量子神经网络。它使用角度编码（单比特 $R_Y$ 和 $R_Z$ 门）将经典数据映射到量子态，随后采用包含参数化旋转和纠缠操作（CNOT 和 CZ 门）的自定义算子（ansatz），以捕捉非平凡的依赖关系。
2. HybridQNN1（串行）： 一种流水线架构，其中经典深度学习模型（LSTM）首先从数据中提取时序特征。随后，这些特征被编码为量子态，并由 QNN 回归器进行处理。
3. HybridQNN2（联合）： 一个端到端的框架，其中经典（LSTM）和量子（PQC）组件同时进行训练。原始特征通过两个模块并行处理，其输出在专门的层中进行融合，最后进行预测。这允许通过反向传播对所有参数进行联合优化。
训练与优化： 模型使用 ADAM 优化器和学习率调度进行训练。为了确保时序完整性，研究采用了 TimeSeriesSplit 和 k 折交叉验证。使用了早停法（Early stopping）和批归一化（Batch normalization）来防止过拟模型。实验在量子模拟器（QULACS）和高性能计算集群（PARAM Shivay）上进行。

核心贡献

混合架构开发： 本文提出了一种将定制设计的 QNN 与经典架构（RNN、LSTM、BiLSTM、GRU）无缝集成的方案。
定制 QNN 回归器： 引入了一种利用新型定制算子和专门针对金融时间序列预测优化的参数化量子电路的 QNN 回归器。
双重优化策略： 探索了两种混合配置：先进行特征提取后进行量子建模（HybridQNN1），以及经典与量子参数的联合优化（HybridQNN2）。
系统性评估： 使用 TimeSeriesSplit、k 折交叉验证和均方根误差（RMSE）指标进行全面的超参数调优和误差分析。

结果

性能比较： 混合模型（HybridQNN1 和 HybridQNN2）的表现一致优于独立的 CustomQNN，实现了更低的 RMSE 值。在增强型量子方法中，HybridQNN2 在所有量子比特配置（3、4 和 5 个量子比特）下均取得了最低的 RMSE。
误差分析： 高斯拟合和提琴图分析表明，与独立 QNN 较宽的方差相比，混合模型的误差分布更窄且集中在零附近，这表明其具有更高的稳定性。
经典 vs. 混合： 虽然混合模型改进了独立量子模型的表现，但**经典模型（LSTM、RNN、BiLSTM、GRU）**仍然实现了最低的整体 RMSE，并且所需的训练时间显著更少。
量子比特影响： 增加量子比特数量通常会提高混合模型的准确性，但也会增加计算成本。值得注意的是，HybridQNN1 在 5 个量子比特时训练时间大幅上升，而 HybridQNN2 则保持了相对较高的效率。
市场机制： 所有模型（包括混合模型）在应对突发市场转变（机制变化）方面都表现挣扎，特别是在剧烈下跌趋势期间，这凸显了其在响应快速动态变化方面的局限性。

意义与主张
本文声称，混合量子-经典模型通过利用量子增强的特征空间来改善模式识别（特别是在波动条件下），为金融预测提供了一条充满前景的途径。通过 SHAP 分析发现，结合领域特定的技术指标（RSI、MACD）会显著影响预测输出。

然而，作者对当前的能力持谨慎态度。他们承认，尽管混合化减轻了独立量子模型的一些局限性（如高误差方差），但这些模型在 RMSE 或计算效率方面尚未超越最先进的经典深度学习方法。研究结论认为，混合模型代表了通往量子增强预测分析的一条可行路径，但要在金融市场中实现实际部署，仍需在电路设计、噪声抗性以及硬件可扩展性方面进行进一步优化，以缩小与经典方法的性能差距。

技术摘要：HQNN-FSP

类似论文