May, 2024

时间序列量子生成模型在金融数据中的应用

PDF
TL;DR该研究将时间序列生成模型应用为量子生成模型，以实际的金融数据为基础，生成了两个相关时间序列的未来数据，并与长短期记忆和向量自回归等经典方法进行比较；此外，进行了数值实验来完成缺失值，评估了时间序列量子生成模型的实际应用性，结果表明与经典方法相比，该模型需要更少的参数值，并且对于平稳和非平稳数据都是可行的，这些结果表明多个参数可以应用于各种类型的时间序列数据。
quantum generative modeltime seriesfinancial datalong short-term memoryvector autoregression
发现论文，激发创造
  • Quant GANs: 金融时间序列的深度生成

    使用数据驱动的 Quant GANs 模型结合具有长期依赖性的时间卷积网络 (TCNs) 成功地捕捉金融时间序列中的波动集群、杠杆效应和序列自相关性，并在小、大滞后的分布性质方面表现出色。

    Jul, 2019

  • 应用基于量子启发式生成模型于小分子数据集

    本研究探讨了利用基于张量网络的生成模型在分子发现问题上的应用，并将其与其他模型进行了比较和评估，结果表明通过模型的组合可以取得更好的结果，提高了经典和量子 (- 启发式) 生成学习的统一性。

    Apr, 2023

  • 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

  • 一种受量子机器学习启发的新型随机 LSTM 模型

    分析经典、随机和量子方法的表现，研究在长短期记忆模型中利用量子变分算法启发的随机方法，以取得量子机器学习在经典机器上的一些好处。

    May, 2023

  • 量子计算机上基于张量网络的期权定价时间序列生成

    使用矩阵乘积状态（MPS）作为时间序列生成的生成模型的一种新方法，可以在量子计算机上生成 Heston 模型中的路径，并突出了它在路径依赖期权定价中的潜力。

    Feb, 2024

  • 傅立叶级数引导的量子卷积神经网络设计，用于增强时间序列预测

    应用 1D 量子卷积解决时间序列预测任务，通过将多个点编码到量子电路中预测后续数据，每个点转化为一个特征，将问题转化为多维问题。基于之前研究中 Variational Quantum Circuits (VQCs) 可以表示为多维傅里叶级数的理论基础，我们探索了不同架构和 ansatz 的能力。通过傅里叶级数的框架分析问题，设计了一种包含数据重新上传的架构，提高了性能，并发现即使有限数量的参数也能产生更高阶的傅里叶函数，凸显了量子电路的表达能力。表达能力更强和非零傅里叶系数更多的 ansatz 在不同的场景中始终提供有利结果，随着量子比特数量的增加，性能指标逐渐改善。

    Apr, 2024

  • 量子长期短记忆（QLSTM）与传统 LSTM 在时间序列预测中的比较研究：以太阳能预测为例

    准确预测太阳能发电对于可持续能源系统的全球发展至关重要。本研究比较了量子长短期记忆（QLSTM）和经典长短期记忆（LSTM）模型在太阳能发电预测中的表现，结果显示 QLSTM 具有训练收敛加速和测试损失显著降低等优点。然而，要充分发挥 QLSTM 的潜力，需要进一步研究模型验证、系统超参数优化、硬件噪声韧性和相关可再生能源预测应用。通过严格基于真实数据的基准测试，本研究揭示了量子学习在可再生能源预测中的一个有前景的轨迹。进一步的研究和开发可以进一步实现该潜力，实现对全球太阳能发电的前所未有的准确性和可靠性预测。

    Oct, 2023

  • 学习随机过程的条件生成模型

    提出了一种学习多模态分布的框架 —— 条件量子生成对抗网络（C-qGAN），该神经网络结构严格在量子电路内，因此显示出比当前方法更有效的状态准备程序。将这一方法应用于定价亚式期权衍生品，为进一步研究其他路径依赖期权打下了基础。

    Apr, 2023

  • 量子神经网络自主选择频率

    参数化量子电路作为机器学习模型通常通过输入特征的部分傅里叶级数来描述，其频率由特征映射的生成哈密顿量唯一确定。本文提出了一个可训练频率 (TF) 的量子模型的泛化方法，演示了 TF 模型如何学习具有理想特性的生成器，并且可以在频谱中包含非常规间距的频率和灵活的谱丰度。最后，通过仅向每个编码操作添加单个参数的 TF 模型，在解决 Navier-Stokes 方程时展示了我们方法的真实效果和提高的准确性。由于 TF 模型包含传统的固定频率模型，它们可能是变分量子机器学习的合理默认选择。

    Sep, 2023

  • 金融领域中的量子生成对抗网络（qGAN）和量子混合密度矩阵（QCBM）的实施

    量子机器学习在金融领域的新研究领域是本文重点讨论的内容，包括应用于金融的量子生成对抗网络 (qGAN)、量子电路 Born machine (QCBM) 等模型，并通过仿真环境展示了量子机器学习在金融领域的未来潜力。

    Aug, 2023