Large-Scale Benchmarking of Quantum Neural Network Configurations for Financial Time Series Forecasting
本研究对用于 GBP/USD 金融时间序列预测的 1,368 种量子神经网络配置进行了大规模基准测试，指出特定的门选择和电路架构对于实现高精度（超越经典的 BiLSTM）比参数数量更为关键，同时也强调了门误差和退相干是当前近期待用量子硬件实现实际部署的主要障碍。
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
金融世界在很大程度上依赖于对未来的预测，特别是货币价值、股票价格和经济指标的走势。几十年来，科学家们一直使用经典计算机来寻找这些数字中的模式，将其视为一种复杂的拼图，即通过过去的数据来暗示接下来的变化。然而，随着数据变得更加错综复杂且关系更加纠缠，传统计算机有时难以洞察全貌。这促使研究人员开始探索一种不同类型的机器：量子计算机。与处理简单“开或关”开关信息的标准计算机不同，量子机器利用物理学的奇特规则来处理信息，使其能够同时存在于多种状态之中。当这些机器被编程为从数据中学习时，它们就变成了量子神经网络。这些不仅仅是旧模型的快速版本；它们是本质上不同的工具，为处理高维数据提供了新的路径。当今科学家面临的问题不仅是这些机器是否有效，而是如何正确地构建它们，以解决像预测货币价格这样的现实世界问题。
金斯顿大学伦敦分校和布鲁内尔大学伦敦分校的一个研究小组致力于通过将量子神经网络的设计视为一个庞大的建筑工程来回答这个问题。他们想知道在尝试预测英镑与美元之间的汇率时，机器的哪些特定部件效果最好。为此，他们不仅仅构建了一个模型；他们构建并测试了1,368个不同的版本。每个版本都是由不同的构建模块组成的独特组合，例如数据如何输入机器、内部逻辑门的特定排列、使用的量子比特数量以及衡量成功的数学规则。通过运行这种网格搜索，研究人员可以清楚地看到改变拼图中的一个小部件如何影响最终结果，从而提供一张关于什么有效、什么无效的清晰地图。
该研究专注于一组涵盖近二十年（从2005年到2025年）的每日汇率特定数据集。研究人员将此数据分为三部分：一部分用于训练模型，一部分用于调整模型，另一部分用于测试其最终性能。他们将这些量子创造物与一种被称为BiLSTM的标准、高度复杂的经典计算机模型进行了对比，该模型目前被认为是此类基于时间预测的顶尖模型。目标是观察量子模型是否不仅能匹配这一经典基准，甚至可能超越它。结果令人震惊。表现最好的单一量子配置在预测数据方面的得分达到了0.985。虽然这略微超过了一个受限经典模型的得分，但值得注意的是，拥有更长回顾窗口和完全重叠数据的非受限经典基准达到了0.9805的得分。尽管如此，最佳量子配置展示了与在同等数据约束下的经典模型相比具有竞争力的、在某些情况下甚至更优的预测准确性，这为量子神经网络在金融预测方面的潜力提供了令人鼓舞的证据。
然而，通往成功的道路并非坦途，研究人员发现规模大并不总是意味着更好。领域内的一个普遍假设是，增加量子比特的数量或增加层数复杂度会自动带来更好的结果。研究发现事实恰恰相反。最成功的模型使用了相对较少的量子比特和适中的层数。当研究人员将模型的规模增加得过多时，性能往往会下降。这是因为较大的模型变得难以训练，并且更容易陷入无法有效学习的状态。此外，研究人员发现，特定门（即机器执行的基本操作）的选择比参数的总量或电路的规模重要得多。这不在于拥有最强大的引擎，而在于拥有适合这项工作的引擎。
另一个关键发现涉及机器如何处理其部件的“纠缠”。在量子物理学中，纠缠是一种粒子相互连接的现象，无论距离多远，一个粒子的状态都会瞬间影响另一个。研究小组发现，这种连接不一定只发生在机器的主处理部分。相反，它是整个系统的属性。如果用于向机器输入数据的方法能够产生足够的纠缠，那么主处理单元就可以更简单且依然表现良好。反之，如果数据输入方法没有产生这种联系，那么复杂的处理单元也无法弥补这一点。这意味着，模型的成功取决于整个系统的和谐统一，而不仅仅是其核心组件的复杂程度。
研究人员还测试了这些模型在真实的物理量子硬件上而非仅仅在计算机模拟上的表现。他们在一个名为IQM Emerald的真实量子设备上运行了一系列最佳设计。结果令人清醒。虽然模型在模拟中运行完美，但真实设备引入了由机器物理特性引起的误差，例如噪声和量子态随时间流逝而丢失。这些误差导致预测准确度显著下降。研究表明，电路的深度（即机器必须执行的步骤数）是噪声如何损害性能的一个主要因素。更深的电路受到的影响更大。有趣的是，最重要的误差类型并不是最终结果的读取误差，而是在计算步骤过程中发生的误差。这表明，对于目前的量子计算机要在现实世界中发挥作用，设计必须保持浅层和简单，以在嘈称的硬件环境中生存。
尽管面临着现实世界硬件带来的挑战，这项研究仍为未来提供了清晰的蓝图。研究人员证明，只要精心选择架构，构建一个能够与经典模型竞争、并在特定配置下超越经典模型的量子神经网络是可能的。最佳设计平衡了组件的数量、连接的类型以及数据输入的方法，从而创造出既强大又具韧性的机器。研究结果表明，尽管这项技术仍处于早期阶段，并面临着与硬件噪声相关的重大障碍，但其潜力是真实的。这项工作为如何构建这些机器建立了基准，为试图将量子理论转化为预测金钱未来工具的工程师提供了实践指导。随着量子硬件的持续改进，减少目前限制性能的噪声，本研究中确定的配置可以成为下一代金融预测工具的基础。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。