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

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

该论文介绍了一种新颖的自回归模型 VQ-AR，使用离散表示来预测未来，并在多个时间序列数据集上展示了其能够取得先进的性能。

May, 2022

本文介绍了一种概率时间序列预测的一般方法，通过结合自回归循环神经网络和隐含量子网络来建模时间动态并学习一系列时间序列预测模型，在真实数据和模拟数据上得出的结果表明，该方法在预测准确性和估计潜在时间分布方面具有优势。

Jul, 2021

机器学习和深度学习在金融预测中越来越普遍，但是这些复杂模型缺乏透明度和可解释性，在金融等敏感领域使用具有挑战性。本文探讨了在金融领域中应用可解释性人工智能的好方法，强调数据质量、面向特定人群的方法、数据属性的考虑以及解释的稳定性的重要性。这些实践旨在应对金融行业的独特挑战和要求，并指导有效的可解释性人工智能工具的开发。

Nov, 2023

本文提出了一种基于大量非结构化文本数据的事件预测方法，即将其转化为一种限定领域的问答任务。特意构建了 ForecastQA 问答数据集用于测试，采用 BERT-based 模型，最终精度达到 60.1%，但还落后于人类表现约 19%。

May, 2020

本研究探讨了利用量子机器学习改进洪水预测的潜力。我们针对 2023 年德国魏珀河的日常洪水事件，将传统机器学习技术与量子机器学习技术相结合，利用量子的叠加和纠缠等特性实现更高的准确性和效率。通过对比传统和量子机器学习模型的训练时间、准确性和可扩展性，结果表明量子机器学习模型在训练时间和预测准确性上具有竞争力。本研究是利用量子技术应对气候变化适应性的一步，我们强调合作和持续创新，将该模型应用于真实世界的洪水管理，最终增强全球抵御洪水的能力。

Jul, 2024

提出一种概率多步时间序列回归的框架，使用序列到序列神经网络（如递归和卷积结构）的表达力和时间特性，量化回归的非参数特性以及直接多视角预测的有效性；并通过针对连续网络的分支序列新训练方案来提高稳定性和性能。通过预测亚马逊销售的商品未来需求和公共概率预测竞赛来展示该框架的性能。

Nov, 2017

使用多元分位函数预测器（MQF $^2$），结合输入凸神经网络，提出全局概率预测方法，能准确地预测多种时间跨度的数据，并且能够有效地捕捉到时间依赖结构和避免分位数交叉。

Feb, 2022

使用深度学习工具来发现数据中的结构以预测未来事件，但能否进行此类预测受到可用数据中结构的限制，该限制可以通过可用数据的算法复杂度来模拟。

Apr, 2023