量子科技中心_量科网

本研究探索了面向金融时间序列预测的量子与经典混合架构，重点聚焦于量子长短期记忆（QLSTM）网络和量子储层计算（QRC），并在真实金融数据上采用了单变量与多变量的滞后结构。该工作评估了滞后嵌入对预测准确性和鲁棒性的影响。数据通过振幅编码方式映射到量子态，从而在现实的量子比特约束下高效表示归一化的滞后观测值。QLSTM的循环动态特性与QRC的储层机制均通过参数化量子电路实现，而经典优化器则负责训练读出层以及（如适用）变分电路参数。该团队使用常见的误差指标将量子模型与经典LSTM和储层计算进行了基准对比。研究结果表明，通过合理的滞后选择与振幅编码，量子增强架构在单变量场景中能够达到经典基线的水平，并在输入具有相关性的多变量场景中（此时表达性编码优势最为显著）可适度超越经典模型。