量子科技中心_量科网

在该论文中，该研究团队提出了一个可复现的基准测试框架，系统性地比较了量子机器学习（QML）模型与架构匹配的经典模型在三个金融任务中的表现：（i）美国和土耳其股票的方向性收益预测，（ii）标普500指数上量子长短期记忆网络（QLSTM）与经典LSTM的实时交易模拟，（iii）使用量子支持向量回归（QSVR）实现波动率预测。通过标准化数据划分、特征工程和评估指标，该工作为当前QML模型在何时能媲美或超越经典方法提供了公正评估。研究结果表明，当数据结构与量子电路设计高度契合时，量子方法展现出性能优势：在方向性分类任务中，混合量子神经网络在苹果公司股票（AAPL）上以AUC提升3.8、准确率提升3.4个百分点，在土耳其股票（KCHOL）上以AUC提升4.9、准确率提升3.6个百分点的优势超越参数匹配的经典人工神经网络；在实时交易中，QLSTM在标普500指数四种市场状态下有两种实现了更高的风险调整收益；对于波动率预测，角度编码的QSVR在KCHOL股票上取得最低QLIKE值，在标普500和AAPL股票上QLIKE值与最优经典核方法的差距仅0.02-0.04。该基准框架清晰界定了当前QML架构能带来实质性改进的应用场景，以及经典方法仍占主导地位的领域。