ترکیب پیش‌بینی‌های کوانتومی LSTM با یادگیری تقویتی برای معامله FX

خلاصه

این سند یک عامل معاملاتی فقط خرید USD/TWD را توصیف می‌کند که پیش‌بینی روندهای کوتاه‌مدت حافظه کوتاه‌مدت بلند کوانتومی (QLSTM) را با روش کوانتومی کنشگرـمنتقدِ مزیت ناهمگام (QA3C) ترکیب می‌کند. حالت عامل از ویژگی‌های QLSTM و شاخص‌های تکنیکال استفاده می‌کند و پاداش آن برای پشتیبانی از پیروی از روند و کنترل ریسک طراحی شده است. تنظیم گزارش‌شده از طول دنباله چهار و هشت عامل اجرایی QA3C استفاده می‌کند و داده‌های 2000 تا 2025 را به مجموعه‌های آموزش و آزمون تقسیم می‌کند.

نویسندگان بازده 11.87% طی حدود پنج سال و حداکثر افت سرمایه 0.92% را گزارش می‌کنند و می‌گویند عامل از چند صندوق قابل معامله ارزی بهتر عمل کرده است. این نتایج به‌عنوان شواهدی مطرح می‌شوند که رویکرد ترکیبی ممکن است برای معاملات با سود کم و محدودیت‌های سخت‌گیرانه ریسک مناسب باشد. سند شرح کوتاهی از آزمایش ارائه می‌کند، بی‌آنکه مقایسه‌های تفصیلی، عدم‌قطعیت آماری یا اطلاعات کافی برای ارزیابی استحکام داشته باشد. همچنین اشاره می‌کند که روش‌های کوانتومی از طریق شبیه‌سازی کلاسیک اجرا شده‌اند و راهبرد ساده‌سازی شده است؛ بنابراین یافته‌ها برتری سخت‌افزار کوانتومی را ثابت نمی‌کنند و خودبه‌خود به بازارهای دیگر تعمیم نمی‌یابند.

ایده‌های کلیدی

• این عامل پیش‌بینی‌های کوتاه‌مدت روند QLSTM را با یادگیری تقویتی QA3C برای معامله USD/TWD ترکیب می‌کند.
• حالت عامل شامل ویژگی‌های پیش‌بینی و شاخص‌های تکنیکال است و پاداش آن پیروی از روند و کنترل ریسک را لحاظ می‌کند.
• نتایج گزارش‌شده برای راهبرد فقط خرید شامل بازده 11.87% طی حدود پنج سال و حداکثر افت سرمایه 0.92% است.
• اجزای کوانتومی به‌صورت کلاسیک شبیه‌سازی شدند و نویسندگان راهبرد را ساده‌شده توصیف می‌کنند.

برچسب‌ها

# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.