基于 LSTM 预测信号的量子增强强化学习用于金融科技交易决策优化
计算工程、金融与科学
2025-07-18 v1
摘要
金融交易环境高度波动，宏观经济信号众多且市场 regime 动态变化，传统强化学习方法往往难以实现突破性性能。本研究设计了针对金融系统的强化学习框架，通过集成量子电路实现。我们比较 (1) 经典 A3C 与量子 A3C 算法的性能，以及 (2) 融入对下周经济趋势的 LSTM 预测对学习结果的影响。实验框架采用自定义的 Gymnasium 兼容交易环境，模拟离散交易动作并基于投资组合反馈评估奖励。实验结果表明，量子模型——尤其是与预测信号结合使用后 —— 在噪声较大的金融环境下表现出优越的性能和稳定性，即使在浅层量子电路深度下也能实现。
引用
@article{arxiv.2507.12835,
title = {Quantum-Enhanced Reinforcement Learning with LSTM Forecasting Signals for Optimizing Fintech Trading Decisions},
author = {Yen-Ku Liu and Yun-Huei Pan and Pei-Fan Lu and Yun-Cheng Tsai and Samuel Yen-Chi Chen},
journal= {arXiv preprint arXiv:2507.12835},
year = {2025}
}