量子科技中心_量科网

量子机器学习为增强股市预测提供了一条前景广阔的路径，尤其在复杂、高噪声且动态多变的金融环境中。传统预测模型往往难以应对输入噪声、市场状态转换和泛化能力有限等挑战。为此，该研究团队提出了一种量子时序卷积神经网络（QTCNN），通过将经典时序编码器与参数高效的量子卷积电路相结合，实现横截面股票收益率预测。时序编码器从序列化技术指标中提取多尺度模式，而量子处理则利用叠加态和纠缠态来增强特征表征并抑制过拟合。基于JPX东京证券交易所数据集的全面基准测试表明，通过以样本外夏普比率作为核心绩效指标构建多空投资组合进行评估时，QTCNN的夏普比率达到0.538，较最佳经典基准模型提升约72%。这些成果凸显了量子增强预测模型QTCNN在量化金融领域实现稳健决策的实际潜力。