مقارنة التعلم الكمي والكلاسيكي لاستراتيجيات صناعة السوق في التمويل اللامركزي

الملخص

تقارن هذه الدراسة بين التعلم الآلي الكمي والتعلم الآلي الكلاسيكي والأساليب الهجينة الكمية والكلاسيكية ونماذج المحولات في استراتيجيات صانع السوق الآلي والتداول في التمويل اللامركزي. وتعرض اختبارات تاريخية عبر أصول متعددة من العملات المشفرة وعشرة نماذج، منها الغابة العشوائية وتعزيز التدرج والانحدار اللوجستي وعدة مصنفات كمية ونماذج تسلسلية هجينة. والهدف المعلن هو تقييم ما إذا كانت الأساليب الكمية تضيف قيمة في سياق التداول هذا.

ترجح المتوسطات المعلنة الأساليب الكمية الهجينة من حيث العائد، بينما يحقق التعلم الآلي الكلاسيكي نسبة شارب متوسطة أعلى قليلًا. ويحقق نموذج تسلسلي هجين أعلى عائد ونسبة شارب بين النماذج المذكورة. وهذه نتائج اختبار تاريخي، وليست دليلًا على أداء التداول الفعلي. ولا يقدم الوصف المتاح معلومات عن فترات البيانات أو تكاليف المعاملات أو اختيار النموذج أو خطوط الأساس أو تقديرات عدم اليقين؛ وكلها لازمة للحكم على المتانة وما إذا كانت الفروق المعلنة ستستمر خارج العينة.

الأفكار الرئيسية

• تختبر الدراسة تاريخيًا عشرة نماذج كلاسيكية وكمية وهجينة ومحولات لتداول AMM والتمويل اللامركزي.
• تشمل الأساليب المختبرة نماذج تعلم خاضعة للإشراف شائعة ومصنفات كمية.
• تحقق النماذج الكمية الهجينة متوسط عائد أعلى معلنًا، بينما تحقق النماذج الكلاسيكية نسبة شارب متوسطة أعلى قليلًا.
• يحقق نموذج تسلسلي هجين أعلى عائد ونسبة شارب فرديين معلنين.
• لا يصف الملخص التكاليف أو بناء العينة أو اختبارات المتانة، ما يحد من تفسير نتائج الاختبار التاريخي.

الوسوم

# 2510.15903


# Quantum and Classical Machine Learning in Decentralized Finance: Comparative Evidence from Multi-Asset Backtesting of Automated Market Makers









This study presents a comprehensive empirical comparison between quantum machine learning (QML) and classical machine learning (CML) approaches in Automated Market Makers (AMM) and Decentralized Finance (DeFi) trading strategies through extensive backtesting on 10 models across multiple cryptocurrency assets. Our analysis encompasses classical ML models (Random Forest, Gradient Boosting, Logistic Regression), pure quantum models (VQE Classifier, QNN, QSVM), hybrid quantum-classical models (QASA Hybrid, QASA Sequence, QuantumRWKV), and transformer models. The results demonstrate that hybrid quantum models achieve superior overall performance with 11.2\% average return and 1.42 average Sharpe ratio, while classical ML models show 9.8\% average return and 1.47 average Sharpe ratio. The QASA Sequence hybrid model achieves the highest individual return of 13.99\% with the best Sharpe ratio of 1.76, demonstrating the potential of quantum-classical hybrid approaches in AMM and DeFi trading strategies.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.