量子与经典机器学习：金融预测基准研究
机器学习
2026-01-08 v1 量子物理
摘要
本文提出了一个可复现的基准框架，系统比较 QML 模型与架构匹配的经典方法，在三个金融任务中进行评估：(i) 对美国和土耳其股票的方向性收益预测，(ii) 在 S&P 500 上进行量子 LSTM 与经典 LSTM 的实时交易模拟，以及 (iii) 使用量子支持向量回归进行实现波动性预测。通过标准化数据划分、特征和评估指标，我们的研究提供了对当前 QML 模型何时能够匹配或超越经典方法的公平评估。我们的结果表明，量子方法在数据结构和电路设计良好匹配时表现出性能提升。在方向分类任务中，混合量子神经网络在 AAPL 股票上以 +3.8 AUC 和 +3.4 正确率点优于参数匹配的 ANN，在土耳其股票 KCHOL 上以 +4.9 AUC 和 +3.6 正确率点优势。在实时交易中，QLSTM 在两个四个 S&P 500 regime 中实现更高的风险调整收益。在波动性预测中，角度编码的 QSVR 在 KCHOL 上实现最低的 QLIKE，在 S&P 500 和 AAPL 上分别在约 0.02-0.04 QLIKE 范围内紧随最佳经典核方法。我们的基准框架清晰地识别了当前 QML 架构提供实质性改进的场景以及 established 经典方法仍占优势的场景。
引用
@article{arxiv.2601.03802,
title = {Quantum vs. Classical Machine Learning: A Benchmark Study for Financial Prediction},
author = {Rehan Ahmad and Muhammad Kashif and Nouhaila Innan and Muhammad Shafique},
journal= {arXiv preprint arXiv:2601.03802},
year = {2026}
}