量子科技中心_量科网

量子计算的最新进展已证明其在增强复杂经典数据分析和预测方面的巨大潜力。其中量子储层计算作为一种极具前景的方法脱颖而出，它将量子计算与机器学习相结合，用于建模高维时间序列中的非线性时序依赖关系。与许多数据驱动型学科类似，量化金融和计量经济学可从新兴量子技术中广泛受益。本研究中，研究团队探索了量子储层计算在实际波动率预测中的应用。该模型采用全连接横向场伊辛哈密顿量作为储层结构，通过独立的输入量子位与记忆量子位来捕获时序依赖性。研究将量子储层计算与多种计量经济学模型及标准机器学习算法进行了基准测试，采用多重误差指标和模型置信集程序进行评估。为提升可解释性并缓解当前量子硬件的局限性，该工作采用基于包装器的前向选择进行特征筛选，确定最优特征子集，并通过沙普利值量化特征重要性。研究结果表明，所提出的量子储层方法在各项指标上持续优于基准模型，凸显了其在现有量子硬件限制下仍具金融预测潜力。该成果为量子计算在计量经济学与金融分析中的适用性提供了概念验证，随着量子硬件性能的持续发展，为量子增强预测建模的深入研究开辟了道路。