用于算法交易中深度强化学习的量子增强预测
机器学习
2025-09-15 v2 计算机与社会
摘要
量子启发神经网络与深度强化学习的融合为金融交易提供了有前景的途径。我们通过将量子长短期记忆(QLSTM)用于短期趋势预测与量子异步优势演员-评论家(QA3C)——一种经典A3C的量子增强变体——相结合，为USD/TWD实现了交易代理。基于2000-01-01至2025-04-30的数据训练（80%训练，20%测试），仅做多代理在约5年内实现了11.87%的回报率，最大回撤为0.92%，优于多种货币ETF。我们详细说明了状态设计（QLSTM特征和指标）、趋势跟踪/风险控制的奖励函数以及多核训练。结果表明混合模型产生了有竞争力的外汇交易性能。含义包括QLSTM在微利交易和严格控制风险方面的有效性以及未来增强。主要超参数：QLSTM序列长度=4，QA3C工作线程数=8。局限性：经典量子模拟和简化策略。\footnote{本文所表达的观点仅为作者观点，不代表Wells Fargo的观点。本文仅供信息参考，不应被理解为投资建议。Wells Fargo不对本文相关的法律、税务和会计影响作任何明示或暗示的担保，并明确否认所有相关责任。}
引用
@article{arxiv.2509.09176,
title = {Quantum-Enhanced Forecasting for Deep Reinforcement Learning in Algorithmic Trading},
author = {Jun-Hao Chen and Yu-Chien Huang and Yun-Cheng Tsai and Samuel Yen-Chi Chen},
journal= {arXiv preprint arXiv:2509.09176},
year = {2025}
}