QADQN: Quantum Attention Deep Q-Network for Financial Market Prediction

要約

市場の複雑さとボラティリティにより、金融市場の予測と最適な取引戦略の開発は依然として困難です。
量子金融と意思決定のための強化学習に関する私たちの研究は、現実世界の金融課題に取り組むための量子古典ハイブリッド アルゴリズムのアプローチを実証しています。
この点で、当社は厳密なバックテストでコンセプトを裏付け、取引ごとの固定取引コストを含めることで現実的な市場状況下でのフレームワークのパフォーマンスを検証します。
この論文では、量子強化学習を通じてこれらの課題に対処するための、量子アテンション ディープ Q ネットワーク (QADQN) アプローチを紹介します。
当社の QADQN アーキテクチャは、従来のディープ Q ラーニング フレームワーク内で変分量子回路を使用し、意思決定において可能な量子の利点を活用します。
S&P 500 などの主要市場指数の履歴データに基づいて QAD​​QN エージェントのパフォーマンスを測定します。報酬の蓄積とエクスペリエンス再生メカニズムの有効性を調べることで、エージェントの学習プロセスを評価します。
私たちの実証結果は、QADQN の優れたパフォーマンスを示しており、重複しないテスト期間と重複するテスト期間でそれぞれ Sortino 比率 1.28 と 1.19 でより良いリスク調整後リターンを達成しており、効果的な下方リスク管理を示しています。

要約(オリジナル)

Financial market prediction and optimal trading strategy development remain challenging due to market complexity and volatility. Our research in quantum finance and reinforcement learning for decision-making demonstrates the approach of quantum-classical hybrid algorithms to tackling real-world financial challenges. In this respect, we corroborate the concept with rigorous backtesting and validate the framework’s performance under realistic market conditions, by including fixed transaction cost per trade. This paper introduces a Quantum Attention Deep Q-Network (QADQN) approach to address these challenges through quantum-enhanced reinforcement learning. Our QADQN architecture uses a variational quantum circuit inside a traditional deep Q-learning framework to take advantage of possible quantum advantages in decision-making. We gauge the QADQN agent’s performance on historical data from major market indices, including the S&P 500. We evaluate the agent’s learning process by examining its reward accumulation and the effectiveness of its experience replay mechanism. Our empirical results demonstrate the QADQN’s superior performance, achieving better risk-adjusted returns with Sortino ratios of 1.28 and 1.19 for non-overlapping and overlapping test periods respectively, indicating effective downside risk management.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google