Combinación de predicciones cuánticas LSTM y aprendizaje por refuerzo para el trading de FX

Resumen

El documento describe un agente de trading solo en largo para USD/TWD que combina predicciones de tendencias a corto plazo de Quantum Long Short-Term Memory (QLSTM) con Quantum Asynchronous Advantage Actor-Critic (QA3C). Su estado utiliza características de QLSTM e indicadores técnicos, mientras que su recompensa está diseñada para favorecer el seguimiento de tendencias y el control del riesgo. La configuración presentada emplea una longitud de secuencia de cuatro y ocho agentes de QA3C, con datos de 2000 a 2025 divididos en conjuntos de entrenamiento y prueba.

Los autores informan de un rendimiento de 11.87% durante unos cinco años y un drawdown máximo de 0.92%, y afirman que el agente superó a varios ETF de divisas. Presentan estos resultados como prueba de que el enfoque híbrido podría servir para operaciones de pequeño beneficio con límites de riesgo estrictos. El documento ofrece solo una descripción breve del experimento, sin comparaciones detalladas, incertidumbre estadística ni información suficiente para evaluar su robustez. También señala que los métodos cuánticos se ejecutaron mediante simulación clásica y que la estrategia se simplificó; por tanto, los hallazgos no demuestran una ventaja del hardware cuántico ni se generalizan automáticamente a otros mercados.

Ideas clave

• El agente combina predicciones de tendencias a corto plazo de QLSTM con aprendizaje por refuerzo de QA3C para hacer trading de USD/TWD.
• Su estado incluye características predictivas e indicadores técnicos, y su recompensa tiene en cuenta el seguimiento de tendencias y el control del riesgo.
• Los resultados solo en largo presentados incluyen un rendimiento de 11.87% durante unos cinco años y un drawdown máximo de 0.92%.
• Los componentes cuánticos se simularon de forma clásica y los autores describen la estrategia como simplificada.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.