量子增强的基于 LSTM 预测信号的强化学习在金融科技交易决策优化中的应用-计算机科学-量子强化学习-金融科技优化-量子神经网络.pdfVIP

量子增强的基于LSTM预测信号的强化学习

在金融科技交易决策优化中的应用

Yen-KuLiu,Yun-HueiPan,Pei-FanLu,Yun-ChengTsai,SamuelYen-ChiChen

Email:pecu@.tw

WellsFargo,NewYork,USA

Email:yen-chi.chen@

摘要—金融交易环境的特点是高波动性、众多宏观经济信方法中的高方差问题。然而，传统的A3C代理可能缺

本号以及动态变化的市场制度，在这种环境下，传统强化学习方法乏表示复杂、高维金融时间序列依赖关系[6]的能力。

往往难以实现突破性的性能。在这项研究中，我们通过整合量子

译量子机器学习（QML）提供了强大的工具来应对

电路设计了一个专门针对金融系统的强化学习框架。我们将比较

中（1）经典A3C与量子A3C算法的性能，以及（2）结合基于这些挑战。量子神经网络（QNNs）和变分量子算法

1LSTM的下周经济趋势预测对学习结果的影响。实验框架采用（VQAs）利用叠加和纠缠进行非线性变换，将数据嵌入

v

5了自定义的Gymnasium兼容交易环境，模拟离散交易行为，到大型希尔伯特空间中以区分细微模式[7]–[9]。这些量

3并根据投资组合反馈来评估奖励。实验结果显示，在嘈杂的金融子特征映射揭示了经典方法所忽略的相关性，在区块链

8

2条件下，特别是与预测信号相结合时，量子模型表现出优越的性分析等应用中显示出潜力[10],[11]。量子算法在高维或

1能和稳定性，即使在浅层量子电路深度下也是如此。

.嘈杂的数据集方面也表现出优势[12]–[14]。

7IndexTerms—量子强化学习，金融科技优化，预测信号，

0LSTM预测，量子神经网络量子计算通过在广阔的希尔伯特空间中的变分量

5

2子电路（VQCs）增强了表示能力[7]。量子特征映射将输

:I.介绍入编码为状态，提供了类似核方法的非线性嵌入[14]。

v

i

x金融市场本质上是复杂、随机的，并且经常由于宏混合架构改善了真实硬件上的分类性能[15]。最近，陈

r

a观经济的发展、地缘政治事件和不断变化的投资情绪而等人提出了A3C算法的量子增强变体，并证明了其在

出现突然的制度转变[1]。传统的算法交易策略——从经验上优于经典基线[16]。后续进展包括循环策略的集

简单的技术规则系统到基于深度学习的预测器——难成[17]和在A3C框架内应用可微分量子架构搜索[18]。

以快速适应这种非平稳环境[2]。通过将交易定义为一然而，将量子RL应用于实际金融任务的研究仍然相对

个顺序决策问题，强化学习（RL）已经成为一种强大的较少。

框架，可以直接从市场数据中学习适应性策略[3],[4]。在这项工作中，我们引入了一个用于每周SP500

在RL算法中，异步优势演员-评论家（A3C）[5]因交易的金融科技量子A3C代理，并结合了基于LSTM

其采样效率和稳定性而脱颖而出。多个并行代理同时探的宏观经济预测。我们的主要贡献包括对经典的A3C

索，并与全局网络共享梯度以加速学习并减轻策略梯度和混合量子-经典A3C在SP500交易中的直接比较，

突出了它们在表示能力和学习动态方面的差异。我们还

Thev