Apr, 2023

基于量子神经网络和张量网络的横截面股票收益预测

PDF
TL;DR本文研究了使用量子和量子启发式机器学习算法对股票回报进行预测的应用，比较了量子神经网络和张量网络等算法与传统的线性回归和神经网络模型的表现，并基于它们的预测构建投资组合和测量了其表现。经实证研究，日本股票市场的张量网络模型在表现上优于传统的基准模型，包括线性回归和神经网络模型。尽管量子神经网络模型整个时间段内的降低风险调整超额回报高于传统的神经网络模型，但量子神经网络和张量网络模型在最新的市场环境下表现更优，这表明了模型捕捉输入特征之间非线性关系的能力。
quantummachine learningstock predictionstensor networkjapanese stock market
发现论文，激发创造
  • 使用张量网络实现量子机器学习

    本文提出一种基于张量网络的量子计算方法，用于解决当前在量子计算中机器学习所面临的挑战。在此方法下，经典计算和量子计算可共享同样的理论和算法基础，且张量网络电路在量子计算机模型的训练中具有高效节省的优势，并通过对手写识别模型的数值实验验证了其可行性。

    Mar, 2018

  • 高能物理数据上的量子启发式机器学习

    本文介绍如何应用张量网络作为量子启发机器学习技术，有效地分类来自 CERN 的大型强子对撞机数据，特别是分类所谓的 b - 喷注，并解释分类结果。同时，还认为张量网络在学习过程中根据所获取到的信息选择重要的特征并调整网络结构，在不需要重复学习过程的情况下实现精密分类或快速响应。这些结果为实现高频率实时应用奠定了基础，这是目前和未来 LHCb 事件分类的关键之一，能够触发每秒数千万个事件。

    Apr, 2020

  • 跨部门预测股票回报的深度学习

    本研究利用深度学习方法预测日本股市横截面中一个月的股票回报，并发现深度神经网络通常优于浅层神经网络，而且最佳网络也优于代表性的机器学习模型，这表明深度学习在预测横截面股票回报方面表现良好。

    Jan, 2018

  • 量子启发张量网络的监督学习

    本研究探讨了如何使用张量网络来优化矩阵积态，以用于分类图像的模型参数化，且在 MNIST 数据集上取得了不到 1% 的测试集分类误差。此外，我们讨论了张量网络形式如何为学习模型提供附加结构，并提出了可能的生成性解释。

    May, 2016

  • 量子增强预测：利用量子 Gramian 角场和 CNN 进行股票收益预测

    我们提出了一种名为量子格拉米安角场的时间序列预测方法（QGAF）。该方法将量子计算技术与深度学习相结合，旨在提高时间序列分类和预测的精度。通过设计特定的量子电路，我们成功地将股票回报时间序列数据转化成适合卷积神经网络（CNN）训练的二维图像。与经典的格拉米安角场（GAF）方法不同，QGAF 的独特之处在于消除了数据归一化和反余弦计算的需求，简化了从时间序列数据到二维图像的转化过程。通过在中国 A 股市场、香港股市和美国股市的数据集上进行实验证明了该方法的有效性。实验结果表明，与经典的 GAF 方法相比，QGAF 方法在时间序列预测准确性方面具有显著改进，平均减少了 25％的平均绝对误差（MAE）和 48％的均方误差（MSE）。这项研究证实了在金融时间序列预测中，将量子计算与深度学习技术相结合的潜力和有前景的前景。

    Oct, 2023

  • 量子启发的张量网络技术在工业环境中的应用

    本文研究了量子启发式算法和张量网络在工业环境和背景中的适用性和可行性，并通过对可用文献的编译和受其方法影响的使用案例分析，来分析这些技术的局限性以确定其潜在可扩展性。

    Apr, 2024

  • 源代码中软件供应链漏洞检测：传统和量子机器学习算法性能比较

    本文探讨了量子神经网络和传统神经网络在 ClaMP 软件供应链攻击数据集上的表现，结果表明，执行时间相对较慢的 QNN 的检测性能并不比 NN 弱。

    May, 2023

  • 应用量子张量网络进行蛋白质分类

    蛋白质序列可以被看作自然语言处理中的句子，并且可以使用现有的量子自然语言处理框架解析为合理量子比特的参数化量子电路，这些电路可以被训练用于解决各种与蛋白质相关的机器学习问题。论文提出了适应蛋白质数据需求的详细方法，通过全面的实验结果支持，展示了两种不同的量子张量网络（QTN），并使用经典循环神经网络（RNN）和卷积神经网络（CNN）的灵感来解决所提到的二元分类任务。我们的最佳量子模型的准确率达到 94%，与使用 ESM2 蛋白质语言模型嵌入的经典模型性能相媲美，而我们最好的量子模型仅需要约 800 个参数。研究表明，这些混合模型表现出有希望的性能，展示了它们与类似复杂度的经典模型竞争的潜力。

    Mar, 2024

  • 量子机器学习优化资金预测

    利用量子算法的机器学习方法可以用于提高金融预测的准确性，包括使用 DPP 提高 Ramdon Forest 模型的精度和设计量子神经网络架构降低经典性能所需的参数数量实现信用风险评估。

    May, 2023

  • 用于可解释和高效的量子启发式机器学习的张量网络

    用张量网络作为数学工具，基于量子信息和多体物理等理论实现了机器学习，提高了可解释性和效率，并预示了将来发展的 “量子人工智能” 方向。

    Nov, 2023