HQNN-FSP: A Hybrid Classical-Quantum Neural Network for Regression-Based Financial Stock Market Prediction

要約

金融の時系列予測は、複雑な時間的依存と市場の変動のために、依然として困難な作業です。
この研究では、機能表現と学習を改善するための量子リソースを活用することにより、金融動向の予測を支援するハイブリッド量子クラシックアプローチの可能性を調査します。
カスタムQuantum Neural Network（QNN）Regressorが導入され、金融アプリケーションに合わせた新しいAnsatzで設計されています。
2つのハイブリッド最適化戦略が提案されています。（1）古典的な再発モデル（RNN/LSTM）が量子処理前に時間依存性を抽出する連続的なアプローチ、および（2）同時に古典的および量子パラメーターを最適化する共同学習フレームワーク。
Timeeriessplit、K-fold Cross-validation、およびPredictive Error Analysisを使用した系統的評価は、これらのハイブリッドモデルが量子コンピューティングを財務予測ワークフローに統合する能力を強調しています。
調査結果は、量子支援学習が財務モデリングにどのように貢献できるかを示しており、時系列分析における量子資源の実用的な役割に関する洞察を提供します。

要約(オリジナル)

Financial time-series forecasting remains a challenging task due to complex temporal dependencies and market fluctuations. This study explores the potential of hybrid quantum-classical approaches to assist in financial trend prediction by leveraging quantum resources for improved feature representation and learning. A custom Quantum Neural Network (QNN) regressor is introduced, designed with a novel ansatz tailored for financial applications. Two hybrid optimization strategies are proposed: (1) a sequential approach where classical recurrent models (RNN/LSTM) extract temporal dependencies before quantum processing, and (2) a joint learning framework that optimizes classical and quantum parameters simultaneously. Systematic evaluation using TimeSeriesSplit, k-fold cross-validation, and predictive error analysis highlights the ability of these hybrid models to integrate quantum computing into financial forecasting workflows. The findings demonstrate how quantum-assisted learning can contribute to financial modeling, offering insights into the practical role of quantum resources in time-series analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google