量子增强预测：利用量子 Gramian 角场与 CNN 进行股票收益预测
机器学习
2023-12-12 v3 计算金融
摘要
我们提出一种称为量子 Gramian 角场（QGAF）的时间序列预测方法。该方法融合了量子计算技术与深度学习的优势，旨在提升时间序列分类与预测的精度。我们通过设计特定的量子电路，成功将股票收益时间序列数据转换为适用于卷积神经网络（CNN）训练的二维图像。与经典 Gramian 角场（GAF）方法不同，QGAF 的独特性在于无需数据归一化与反余弦计算，简化了从时间序列数据到二维图像的转换过程。为验证该方法的有效性，我们在中国 A 股市场、香港股市和美股市场三个主要股票数据集上进行了实验。实验结果显示，与经典 GAF 方法相比，QGAF 方法显著提高了时间序列预测精度，平均绝对误差（MAE）预测误差平均降低 25%，均方误差（MSE）降低 48%。本研究证实了量子计算与深度学习技术融合在金融时间序列预测中的潜力与广阔前景。
引用
@article{arxiv.2310.07427,
title = {Quantum-Enhanced Forecasting: Leveraging Quantum Gramian Angular Field and CNNs for Stock Return Predictions},
author = {Zhengmeng Xu and Yujie Wang and Xiaotong Feng and Yilin Wang and Yanli Li and Hai Lin},
journal= {arXiv preprint arXiv:2310.07427},
year = {2023}
}