去中心化金融收益预测的经典与量子模型基准测试：基于 Curve Finance
统计金融
2025-08-06 v1 机器学习
交易与市场微观结构
摘要
去中心化金融 (DeFi) 的兴起催生了对准确收益和绩效预测的日益增长的需求，以指导流动性分配策略。本研究对 Curve Finance 28 个资金池的一年历史数据进行基准测试，评估六种模型：XGBoost、随机森林、LSTM、Transformer、量子神经网络 (QNN) 和基于量子特征图的量子支持向量机 (QSVM-QNN)。我们依据测试 MAE、RMSE 和方向准确率评估模型性能。结果表明，经典集成模型尤其是 XGBoost 和随机森林，持续领先于深度学习和量子模型。XGBoost 以 71.57% 的最高方向准确率实现测试 MAE 为 1.80，而随机森林则获得最低的测试 MAE 为 1.77 和 71.36% 的准确率。相比之下，量子模型的方向准确率低于 50%，且误差更高，凸显当前将量子机器学习应用于真实世界 DeFi 时间序列数据存在的局限性。这项工作提供了可复现的基准测试，并为 DeFi 应用提供了实用见解，突出经典方法在该领域的稳健性优于新兴的量子方法。
引用
@article{arxiv.2508.02685,
title = {Benchmarking Classical and Quantum Models for DeFi Yield Prediction on Curve Finance},
author = {Chi-Sheng Chen and Aidan Hung-Wen Tsai},
journal= {arXiv preprint arXiv:2508.02685},
year = {2025}
}