量子科技中心_量科网

该论文提出了一种基于变分量子电路的动态投资组合优化量子强化学习（QRL）解决方案。所实现的QRL方法是经典神经网络算法——深度确定性策略梯度与深度Q网络的量子类比版本。通过对真实金融数据的实证评估，研究表明该团队的量子智能体实现了与经典深度强化学习模型相当的风险调整后性能，某些情况下甚至超越参数规模大数个数量级的经典模型。除参数效率提升外，量子智能体在不同市场周期中表现出更低的波动性，表明其在变化条件下具有稳健行为。不过，尽管量子电路在硬件层面具有天然快速执行特性，但在基于云的量子系统上实际部署时会产生显著延迟，使得当前端到端运行时间主要受基础设施开销支配，限制了实际应用价值。综合来看，研究结果表明QRL在理论上与最先进的经典强化学习具有竞争力，随着部署开销的降低可能显现实际优势。这使QRL成为金融市场等复杂、高维且非平稳环境中动态决策的有前景范式。完整代码库已开源发布：https://github.com/VincentGurgul/qrl-dpo-public