Comparación del aprendizaje cuántico y clásico en estrategias DeFi de creación de mercado

Resumen

Este estudio compara el aprendizaje automático cuántico, el aprendizaje automático clásico, los métodos híbridos cuántico-clásicos y los modelos Transformer en estrategias de creación de mercado automatizado y de trading en finanzas descentralizadas (DeFi). Presenta backtests con varios criptoactivos y diez variantes de modelos, incluidos Random Forest, Gradient Boosting, Logistic Regression, varios clasificadores cuánticos y modelos híbridos de secuencia. El objetivo declarado es evaluar si los métodos cuánticos aportan valor en este contexto de trading.

Los promedios reportados favorecen a los enfoques cuánticos híbridos en cuanto a rendimiento, mientras que el aprendizaje automático clásico tiene un ratio de Sharpe medio ligeramente superior. Un modelo híbrido de secuencia obtiene el mayor rendimiento individual y el ratio de Sharpe más alto entre los modelos descritos. Estos resultados son de backtests y no constituyen evidencia del rendimiento en trading real. La descripción proporcionada no informa de los períodos de los datos, los costes de transacción, la selección de modelos, las referencias ni las estimaciones de incertidumbre; todos esos elementos son necesarios para evaluar la robustez y si las diferencias reportadas persistirían fuera de muestra.

Ideas clave

• El estudio realiza backtests de diez modelos clásicos, cuánticos, híbridos y Transformer para AMM y el trading DeFi.
• Los métodos probados incluyen modelos estándar de aprendizaje supervisado y clasificadores cuánticos.
• Los modelos cuánticos híbridos presentan un rendimiento medio reportado más alto, mientras que los modelos clásicos tienen un ratio de Sharpe medio ligeramente superior.
• Un modelo híbrido de secuencia obtiene el mejor rendimiento individual y ratio de Sharpe reportados.
• El resumen no describe costes, la construcción de la muestra ni pruebas de robustez, lo que limita la interpretación de los resultados del backtest.

Etiquetas

# 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.

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.