Quanten- und klassisches Lernen für DeFi-Market-Making

Zusammenfassung

Diese Studie vergleicht Quanten-Maschinelles-Lernen, klassisches Maschinelles-Lernen, hybride Quanten-Klassik-Verfahren und Transformer-Modelle in Strategien für Automated Market Maker und den Handel im dezentralen Finanzwesen. Sie berichtet Backtests über mehrere Kryptowährungen und zehn Modellvarianten, darunter Random Forest, Gradient Boosting, Logistische Regression, mehrere Quantenklassifikatoren und hybride Sequenzmodelle. Ziel ist es laut Studie, zu bewerten, ob Quantenverfahren in diesem Trading-Kontext einen Mehrwert bieten.

Bei den berichteten Durchschnittswerten schneiden hybride Quantenansätze bei der Rendite besser ab, während klassisches Maschinelles-Lernen ein geringfügig höheres durchschnittliches Sharpe Ratio erzielt. Ein hybrides Sequenzmodell weist unter den beschriebenen Modellen die höchste Einzelrendite und das höchste Sharpe Ratio auf. Diese Ergebnisse stammen aus Backtests und belegen keine Performance im Live-Trading. Die vorliegende Beschreibung enthält keine Angaben zu Datenzeiträumen, Transaktionskosten, Modellauswahl, Vergleichsmodellen oder Unsicherheitsschätzungen. All dies ist nötig, um die Robustheit zu beurteilen und einzuschätzen, ob die berichteten Unterschiede außerhalb der Stichprobe bestehen bleiben.

Kernaussagen

• Die Studie backtestet zehn klassische, Quanten-, hybride und Transformer-Modelle für AMM und den DeFi-Handel.
• Zu den getesteten Verfahren gehören herkömmliche überwachte Lernmodelle und Quantenklassifikatoren.
• Hybride Quantenmodelle erzielen im Durchschnitt die höhere berichtete Rendite, klassische Modelle ein geringfügig höheres durchschnittliches Sharpe Ratio.
• Ein hybrides Sequenzmodell weist die beste berichtete Einzelrendite und das höchste Sharpe Ratio auf.
• Die Zusammenfassung beschreibt weder Kosten noch Stichprobenbildung oder Robustheitsprüfungen, was die Interpretation der Backtest-Ergebnisse einschränkt.

Schlagwörter

# 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.

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.