⚛️ quantum physics

Quantum Weighted Moving Average for Predicting Limit Order Book Trends

本文介绍了一种名为量子加权移动平均（QWMA）的经典-量子混合模型，用于预测限价订单簿趋势，尽管该模型并未展现出明确的量子优势，但在金融数据集上实现了与顶级经典模型相当的性能。

原作者： Matthias Kamm, Dinh-Long Vu, Patrick Rebentrost

发布于 2026-09-02

📖 1 分钟阅读🧠 深度阅读

原作者： Matthias Kamm, Dinh-Long Vu, Patrick Rebentrost

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

在瞬息万变的量化高频交易世界中，财富在眨眼之间创造或流失，市场通过一种被称为限价订单簿（limit order book）的数字账本进行低语。在股票价格变动之前，它会在这个账本中留下痕迹。这个账本是一个不断变化的记录，记载着每一位等待交易的买家和卖家，列出了他们期望的价格和想要交易的份额数量。这是一个多元时间序列，是一个复杂的、随毫秒演化的数据流，捕捉了供需之间的张力。几十年来，人类交易员和经典计算机一直试图从这些噪声中寻找模式，利用数学工具来平滑混乱，并预测价格会上涨、下跌还是保持不变。其中一种工具是移动平均线（moving average），这是一种简单的通过观察价格历史来推测未来的方法，将近期的数据视为后续发展的指南。

现在，一组研究人员提出了一个大胆的问题：量子力学那些奇异且违反直觉的规则，能否帮助我们更好地解读这份账本？量子计算机利用亚原子粒子的特性来处理信息，已在化学和密码学等领域展现出潜力，但其在金融市场的应用在很大程度上仍未经测试。挑战不仅在于原始速度，更在于如何找到一种方法，将股票市场中杂乱的现实世界数据转化为量子机器能够理解并从中学习的格式。如果成功，这可能会为金融预测开启一扇新门，为观察全球资本错综复杂的舞动提供一个新的视角。

研究人员在新加坡和苏黎世的研究中心开展工作，致力于构建一个专门用于预测这些订单簿趋势的量子模型。他们并没有简单地试图强迫量子计算机去做经典计算机已经能做的事情；相反，他们设计了一种名为“量子加权移动平均”（Quantum Weighted Moving Average）的新架构。为了理解其运作方式，可以将量子计算机想象成一台可以同时持有多种可能性的机器。研究人员首先提取了来自订单簿的原始数据——即市场前十层的价格和成交量——并使用一种称为双线性归一化（bileliner normalization）的技术对其进行清洗。这一步至关重要；它对数据进行缩放，使量子机器在处理时不会被庞大的数值规模所困扰，就像调整照片的对比度以使细节清晰可见一样。

数据准备就绪后，团队将其输入量子电路。他们方法的核心涉及一种被称为“酉算子线性组合”（linear combination of unitaries）的技术。通俗地说，这意味着量子计算机将不同时刻的信息以特定的方式融合在一起。每一个过去的时刻都被视为拼图的一个独特碎片，而量子机器会为每个碎片分配一个权重，决定在过去与现在之间给予多少重要性。研究人员让模型自动学习这些权重，让机器自行判断股票的历史中哪些时刻对预测未来最为有效。他们还创建了该模型的简化版本，包括一个模仿标准指数移动平均线（exponential moving average）的模型——这是一种常见的金融工具，它赋予近期事件更高的权重，而降低对旧数据的权重。

为了测试他们的成果，团队使用了两个真实世界的数据集。第一个是来自五只芬兰股票的知名数据集，包含了记录在十天内的数百万次交易事件。第二个是关于中国股票的数据集。他们运行了数千次模拟，将量子模型的表现与目前最优秀的经典机器学习模型进行对比。结果在平衡中显得令人惊讶。量子模型并未超越经典模型；事实上，它们并未展现出明显的“量子优势”，即在速度或力量上优于现有技术。然而，它们的表现非常出色，在许多场景下达到了顶级经典模型的准确度。这表明量子方法是可行的，并且有能力捕捉数据中的本质模式，即使没有巨大的速度提升。成为。

研究揭示了关于这些模型如何学习的一些重要细微差别。研究人员发现，数据的归一化方式比量子电路本身的复杂度更为重要。当使用正确的归一化技术时，量子模型表现得十分出色。他们还发现，量子机器特别擅长聚焦于时间序列中最具预测性的部分。在模型的简化版本中，即权重被固定为遵循指数衰减（意味着机器被告知要更多地关注最近的数据）时，其表现几乎与那个必须从零开始学习权重的复杂版本一样好。这暗示了对于短期预测而言，最近的历史往往是最有价值的，而采用结构化的方式来对这些数据进行加权，其效果可能与完全自主学习的方法不相上下。

尽管取得了这些成功，研究人员仍谨慎地控制了预期。他们明确指出，这项工作并未证明量子计算机目前在处理此类任务时优于经典计算机。实验是在模拟器上运行的，而非实际的量子硬件，而目前的物理硬件仍处于早期且多噪声的阶段。他们构建的模型需要一个称为“后选择”（post-selection）的过程，即计算机必须丢弃许多尝试才能得到正确答案，这一步骤在目前的物理机器上会非常缓慢。此外，他们使用的数据集也存在局限性；数据的采样和标注方式可能会引入偏差，从而影响模型在现实交易中的泛化能力。研究人员指出，现有的数据集往往缺乏充分测试量子算法潜力的细粒度，且当前一代的硬件尚不足以处理实时市场中海量的、细粒度的数据流。

论文总结道，虽然量子计算机彻底改变股票交易的梦想尚未成为现实，但前进的道路已变得更加清晰。量子加权移动平均模型作为一个敲门砖，证明了量子方法可以经过定制，以处理金融市场中复杂的多元时间序列。它表明，通过正确的预处理和周密的逻辑设计，量子机器可以像经典计算机一样学会解读市场的低语。作者建议，下一步的工作包括在真实的量子硬件上测试这些模型，并优化数据准备过程，以更好地适应这些新机器的独特约束。目前，这项工作作为一个坚实的证明，展示了量子计算不仅仅是金融领域的理论好奇心，它正是一个开始在嘈激、高风险的交易世界中站稳脚跟的实用工具。

技术摘要：用于预测限价订单簿趋势的量子加权移动平均模型

问题陈述
本文旨在解决预测多元金融时间序列（特别是从限价订单簿（LOB）数据中预测价格趋势）的挑战。虽然经典的机器学习架构（如神经网络、时间注意力机制）在该领域已得到广泛应用，但将量子计算应用于 LOB 趋势预测的研究仍处于起步阶段。作者旨在通过开发一种针对 LOB 数据特定结构定制的量子机器学习（QML）模型来填补这一空白，因为 LOB 数据由跨多个层级的买/卖价格和成交量的多元时间序列组成。

方法论
提出的解决方案是**量子加权移动平均（QWMA）模型，这是一种基于算符线性组合（LCU）**框架的混合经典-量子架构。该方法通过以下阶段进行：

经典预处理：
- 输入： 原始 LOB 数据表示为 $T$ 个特征向量序列，每个向量包含前 10 层（40 个特征）的买/卖价格和成交量，或包括中间价及其导数在内的扩展 144 个特征。
- 归一化： 作者强调了**双线性归一化（bilinear normalization）**的关键作用，该方法在时间维度和特征维度上同时对数据进行归一化。他们还利用 z-score 归一化来防止训练集与测试集之间的数据泄露。
- 参数映射： 归一化后的向量通过可训练的线性变换映射为旋转角度，以此作为量子电路的输入。
量子核心（LCU 实现）：
- 酉嵌入： 输入序列中的每个时间步 $t$ 通过使用角度编码的参数化量子电路（PQC）被编码为酉算符 $U_t$ 。
- 线性组合： 核心操作是这些酉算符的加权和： $W = \sum_{t=0}^{T-1} c_t U_t$ 。
- 状态制备： 为了在量子计算机上实现这种非酉操作，模型使用了一个辅助寄存器（ancilla register）。状态制备酉算符 $B$ 在辅助寄存器中创建系数 $\sqrt{c_t}$ 的叠加态，随后通过受控选择操作将相应的 $U_t$ 应用于系统寄存器。
- 后选择： 通过测量辅助寄存器并后选择对应于成功应用 LCU 的结果，从而获得目标状态。
模型变体：
- QWMA： 系数 $c_t$ 是可训练参数，使模型能够动态学习不同时间步的重要性。
- QSMA（量子简单移动平均）： 系数固定为均匀权重（ $c_t = 1/T$ ）。
- QEMA（量子指数移动平均）： 系数遵循指数衰减模式（ $c_t \propto (1-\alpha)^t$ ），侧重于近期的观测值。作者证明，QEMA 的状态制备可以通过一系列单比特旋转高效实现，而不会增加相对于均匀情况的电路深度。
后处理：
- 所得量子态在泡利基（Pauli basis）下进行测量。测量结果被输入到经典的感知器多层感知机（MLP）中，以输出三个趋势类别（上升、平稳、下降）的概率。

主要贡献

新颖架构： 引入了 QWMA 模型，它利用 LCU 技术将经典的移动平均概念适配到量子领域。
预处理分析： 对输入归一化技术进行了系统性评估，确定双线性归一化（特别是时间归一化）是模型性能的关键因素，其重要性往往超过了经典基准模型中复杂的注意力机制。
高效变体： 开发了 QEMA 模型，它通过使用固定的、指数衰减的权重提供了一种硬件高效的替代方案，这些权重可以通过浅层电路进行制备。
基准测试： 在标准 FI-2010 数据集和第二个 中国 A 股数据集上进行了全面评估，将量子模型与最先进的经典基准（BiNTABL 和 MLP）进行了对比。

结果

性能： 在 FI-2010 数据集上，QWMA 模型实现了与最佳经典模型（BiNTABL）相当的性能，特别是在较长预测周期（ $K=5, 10$ ）下。在较短周期（ $K=1, 2, 3$ ）下，其表现略逊一筹，但仍具有竞争力。
归一化敏感性： 研究证实，如果没有适当的输入归一化（特别是时间或双线性归一化），无论是经典模型还是量子模型都无法可靠地预测趋势。研究发现，仅进行特征归一化反而会降低性能。
权重方案：
- 对于短周期（ $K \in \{1, 2, 3\}$ ），QEMA 模型的表现始终优于 QSMA 模型，这验证了“近期数据对短期趋势更具预测性”的假设。
- 对于较长周期，只要酉嵌入电路具有足够的表达能力，QEMA 与可训练的 QWMA 之间的性能差距就会缩小。
电路表达能力： 增加量子比特数或电路深度对可训练的 QWMA 带来的提升微乎其微，这表明该数据集的简单性使得低维希尔伯特空间足以捕捉相关信息。然而，对于固定权重模型（QSMA/QEMA），则需要更具表达能力的电路来补偿次优的权重分布。
泛化能力： QWMA 模型在中国 A 股数据集上也表现出类似的特性，证实了其跨市场数据的鲁棒性。

意义与主张
本文将 QWMA 模型定位为应用量子技术于市场交易的“敲门砖”。作者明确指出，他们并未展示出量子优势（无论是理论上的还是数值上的）。目前的结果表明，量子模型可以达到接近最佳经典模型的性能，但并未超越它们。

这项工作的意义在于：

证明了量子算法可以有效地针对 LOB 数据的特定结构进行定制。
强调了模型的“量子部分”具有足够的表达能力，能够聚焦于时间序列的预测部分，即使在没有证明加速比的情况下也是如此。
指出对于当前的 NISQ（含噪声中等规模量子）硬件，像 QEMA 这样的固定权重变体是极具前景的实现候选方案，因为它们具有高效的状态制备过程且无需复杂的训练参数。
强调需要更好的经典基准和改进的数据集（例如，动态标签、更好的采样策略），以正确评估未来的量子金融算法。

作者总结道，虽然目前的硬件限制了处理精细化 LOB 尺度的能力，但所提出的将多元时间序列映射为量子态线性组合的方法非常适合该领域，并且随着硬件的成熟，可能为超越经典算法提供路径。

类似论文