量子时序卷积神经网络用于横截面股票回报预测：比较基准研究
机器学习
2026-02-16 v2 量子物理
摘要
量子机器学习为在复杂、嘈杂且高度动态的金融环境中提升股票市场预测提供了可行之路。然而，许多经典预测模型在面对噪声输入、结构转移及有限的泛化能力时表现不佳。为此，本文提出量子时序卷积神经网络 (QTCNN)，其融合经典时序编码器与参数高效的量子卷积电路，用于横截面股票回报预测。时序编码器从序列技术指标中提取多尺度模式，而量子处理器利用叠加与纠缠来增强特征表示并抑制过拟合。我们对 JPX 东京证券交易所数据集进行全面基准测试，并通过构建多空组合进行评估，以年化夏普比率作为主要绩效指标。QTCNN 实现了 0.538 的夏普比率，超越最佳经典基线约 72%。这些结果凸显了量子增强预测模型 QTCNN 在量化金融决策中的实际潜力。
引用
@article{arxiv.2512.06630,
title = {Quantum Temporal Convolutional Neural Networks for Cross-Sectional Equity Return Prediction: A Comparative Benchmark Study},
author = {Chi-Sheng Chen and Xinyu Zhang and En-Jui Kuo and Rong Fu and Qiuzhe Xie and Fan Zhang},
journal= {arXiv preprint arXiv:2512.06630},
year = {2026}
}