Aprendizaje con circuitos cuánticos para la dinámica de la volatilidad realizada de Bitcoin

Resumen

Este estudio modeliza la volatilidad realizada de Bitcoin con un circuito cuántico parametrizado y examina si la serie generada refleja características estadísticas observadas en los datos de mercado. A partir de precios de Bitcoin de cinco minutos, los autores calculan la volatilidad realizada diaria, entrenan un circuito de un solo cúbit y lo utilizan para generar una serie sintética larga. Aplican el análisis de fluctuaciones sin tendencia multifractal para estudiar el comportamiento de escala, incluidos los exponentes de Hurst generalizados, los espectros multifractales y los exponentes de escala.

La serie de rentabilidades prevista tiene un exponente de Hurst de segundo orden cercano a un medio, coherente con una dinámica casi aleatoria. Tanto las rentabilidades previstas como las empíricas muestran multifractalidad que persiste parcialmente tras barajarlas, mientras que los incrementos de la volatilidad realizada son marcadamente antipersistentes, en consonancia con la hipótesis de volatilidad rugosa. Los resultados sugieren que el modelo capta cualitativamente ciertas propiedades de la volatilidad de Bitcoin. El documento no informa de la precisión del pronóstico frente a modelos convencionales ni aporta evidencia de rentabilidad en el trading, y sus conclusiones se refieren a un circuito sencillo y un solo activo.

Ideas clave

• Se entrena un circuito cuántico parametrizado de un solo cúbit para modelizar la volatilidad realizada de Bitcoin.
• La volatilidad realizada diaria se calcula a partir de precios de Bitcoin de cinco minutos.
• El análisis de fluctuaciones sin tendencia multifractal evalúa las propiedades de la serie generada.
• Según el exponente de Hurst de segundo orden comunicado, las rentabilidades previstas parecen casi aleatorias y conservan parte de su multifractalidad tras barajarlas.
• Los incrementos de la volatilidad realizada muestran una marcada antipersistencia, coherente con la volatilidad rugosa.

Etiquetas

# Quantum Circuit Learning for Volatility Modeling: Multifractal Analysis of Realized Volatility Time Series


# Quantum Circuit Learning for Volatility Modeling: Multifractal Analysis of Realized Volatility Time Series









Herein, we propose a quantum circuit learning framework for modeling the realized volatility (RV) of Bitcoin and investigate the statistical properties of the predicted time series through multifractal analysis. Unlike conventional GARCH-type models, which require a pre-specified functional form for the volatility process, a parameterized quantum circuit directly approximates the volatility function from empirical data, eliminating the need for explicit model selection. Using five-minute Bitcoin price data, we construct daily RV, train a single-qubit parameterized quantum circuit, and generate a long synthetic time series from the optimized quantum circuit. Multifractal Detrended Fluctuation Analysis is applied to calculate the generalized Hurst exponent $h(q)$, the singularity spectrum $f(α)$, and the multifractal scaling exponent $τ(q)$. The predicted return series exhibits $h(2)\approx 0.5$, consistent with near-random dynamics, and both the predicted and the empirical return series display multifractality that partially persists after random shuffling. The increment series of RV shows pronounced anti-persistence with $h(2)\approx 0.05$--$0.1$, consistent with the rough volatility hypothesis. These results demonstrate that a simple single-qubit parameterized quantum circuit captures qualitatively some observed properties in Bitcoin volatility dynamics.

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.