量子科技中心_量科网

量子生成对抗网络（QGANs）已被研究作为生成合成数据以扩充神经网络训练数据集的方法，这对金融时间序列尤为重要——因为我们只能观察到该过程的单一实现（即市场的历史演变），且受限于数据可获取性和市场存续时长。然而，经典生成对抗网络生成的数常常无法展现预期特性（即程式化事实），例如匹配特定分布或呈现特定时间相关性。该研究团队探究了量子启发QGAN模型中量子关联能否助力金融时间序列生成。通过训练由量子生成器与经典判别器构成的QGAN，研究人员比较了两种量子生成器模拟方法：量子电路的完整模拟与基于张量网络方法的近似模拟。测试表明，电路深度、键维度等超参数的选择会影响生成时间序列的质量。经训练的QGAN不仅能生成匹配目标分布的合成金融时间序列，还能展现预期的时间相关性，各项特性的质量则取决于超参数和模拟方法的选择。