去中心化金融中量子与经典机器学习：基于自动做市商的多资产回测比较研究
统计金融
2025-10-21 v1 机器学习
量子物理
摘要
本研究通过在多个加密资产上进行大规模回测，对自动做市商（AMM）和去中心化金融（DeFi）交易策略中的量子机器学习（QML）与经典机器学习（CML）方法进行了全面实证比较。我们的分析涵盖经典 ML 模型（随机森林、梯度提升、逻辑回归）、纯量子模型（VQE 分类器、QNN、QSVM）、混合量子-经典模型（QASA Hybrid、QASA Sequence、QuantumRWKV）以及变压器模型。结果表明，混合量子模型实现了平均 11.2% 的收益和 1.42 的平均盈亏比（Sharpe Ratio），而经典 ML 模型实现了 9.8% 的平均收益和 1.47 的平均盈亏比。QASA Sequence 混合模型实现了最高的单笔收益 13.99% 和最佳盈亏比 1.76，展示了量子-经典混合方法在 AMM 和 DeFi 交易策略中的潜力。
引用
@article{arxiv.2510.15903,
title = {Quantum and Classical Machine Learning in Decentralized Finance: Comparative Evidence from Multi-Asset Backtesting of Automated Market Makers},
author = {Chi-Sheng Chen and Aidan Hung-Wen Tsai},
journal= {arXiv preprint arXiv:2510.15903},
year = {2025}
}