Quantum-LSTM-Prognosen und Reinforcement Learning für den FX-Handel

Zusammenfassung

Das Dokument beschreibt einen Long-only-USD/TWD-Trading-Agenten, der Prognosen kurzfristiger Trends mit Quantum Long Short-Term Memory (QLSTM) und Quantum Asynchronous Advantage Actor-Critic (QA3C) kombiniert. Sein Zustand nutzt QLSTM-Merkmale und technische Indikatoren, während die Belohnungsfunktion Trendfolge und Risikokontrolle unterstützen soll. Das beschriebene Setup verwendet eine Sequenzlänge von vier und acht QA3C-Workern. Die Daten reichen von 2000 bis 2025 und sind in Trainings- und Testdaten aufgeteilt.

Die Autoren berichten für einen Zeitraum von etwa fünf Jahren eine Rendite von 11.87% und einen maximalen Drawdown von 0.92% und geben an, dass der Agent mehrere Währungs-ETFs übertraf. Diese Ergebnisse werden als Hinweis darauf präsentiert, dass sich der hybride Ansatz für Trades mit kleinen Gewinnen und engen Risikolimits eignen könnte. Das Dokument bietet nur einen kurzen Überblick über das Experiment, ohne detaillierte Vergleiche, statistische Unsicherheit oder ausreichende Angaben zur Beurteilung der Robustheit. Es hält außerdem fest, dass die Quantenmethoden durch klassische Simulation ausgeführt und die Strategie vereinfacht wurden. Die Ergebnisse belegen daher weder einen Vorteil durch Quantenhardware noch lassen sie sich automatisch auf andere Märkte übertragen.

Kernaussagen

• Der Agent kombiniert kurzfristige Trendprognosen von QLSTM mit bestärkendem Lernen durch QA3C für den Handel mit USD/TWD.
• Sein Zustand umfasst Prognosemerkmale und technische Indikatoren; die Belohnung berücksichtigt Trendfolge und Risikokontrolle.
• Zu den berichteten Long-only-Ergebnissen zählen eine Rendite von 11.87% über etwa fünf Jahre und ein maximaler Drawdown von 0.92%.
• Die Quantenkomponenten wurden klassisch simuliert, und die Autoren beschreiben die Strategie als vereinfacht.

Schlagwörter

# Quantum-Enhanced Forecasting for Deep Reinforcement Learning in Algorithmic Trading


# Quantum-Enhanced Forecasting for Deep Reinforcement Learning in Algorithmic Trading









The convergence of quantum-inspired neural networks and deep reinforcement learning offers a promising avenue for financial trading. We implemented a trading agent for USD/TWD by integrating Quantum Long Short-Term Memory (QLSTM) for short-term trend prediction with Quantum Asynchronous Advantage Actor-Critic (QA3C), a quantum-enhanced variant of the classical A3C. Trained on data from 2000-01-01 to 2025-04-30 (80\% training, 20\% testing), the long-only agent achieves 11.87\% return over around 5 years with 0.92\% max drawdown, outperforming several currency ETFs. We detail state design (QLSTM features and indicators), reward function for trend-following/risk control, and multi-core training. Results show hybrid models yield competitive FX trading performance. Implications include QLSTM's effectiveness for small-profit trades with tight risk and future enhancements. Key hyperparameters: QLSTM sequence length$=$4, QA3C workers$=$8. Limitations: classical quantum simulation and simplified strategy. \footnote{The views expressed in this article are those of the authors and do not represent the views of Wells Fargo. This article is for informational purposes only. Nothing contained in this article should be construed as investment advice. Wells Fargo makes no express or implied warranties and expressly disclaims all legal, tax, and accounting implications related to this article.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.