مقایسه یادگیری کوانتومی و کلاسیک برای راهبردهای بازارسازی دیفای

خلاصه

این پژوهش یادگیری ماشین کوانتومی، یادگیری ماشین کلاسیک، روش‌های ترکیبی کوانتومی‌ـ‌کلاسیک و مدل‌های ترنسفورمر را در راهبردهای بازارساز خودکار و امور مالی غیرمتمرکز مقایسه می‌کند. از بک‌تست‌ها روی چندین دارایی رمزارزی و ده گونه مدل، از جمله جنگل تصادفی، گرادیان‌بوستینگ، رگرسیون لجستیک، چند طبقه‌بند کوانتومی و مدل‌های دنباله‌ای ترکیبی گزارش می‌دهد. هدف اعلام‌شده سنجش این است که آیا روش‌های کوانتومی در این بافت معاملاتی ارزش افزوده دارند یا نه.

میانگین‌های گزارش‌شده از نظر بازده به روش‌های ترکیبی کوانتومی برتری می‌دهند، درحالی‌که یادگیری ماشین کلاسیک میانگین نسبت شارپ اندکی بالاتری دارد. یک مدل دنباله‌ای ترکیبی بالاترین بازده منفرد و نسبت شارپ را در میان مدل‌های توصیف‌شده دارد. این یافته‌ها نتایج بک‌تست‌اند و شاهدی بر عملکرد در معامله زنده نیستند. توضیحات موجود درباره دوره‌های داده، هزینه‌های تراکنش، انتخاب مدل، مبناهای مقایسه یا برآورد عدم‌قطعیت اطلاعاتی نمی‌دهند؛ همه این موارد برای داوری درباره استحکام و ماندگاری تفاوت‌های گزارش‌شده خارج از نمونه لازم‌اند.

ایده‌های کلیدی

• این پژوهش ده مدل کلاسیک، کوانتومی، ترکیبی و ترنسفورمر را برای AMM و معاملات دیفای بک‌تست می‌کند.
• روش‌های آزموده‌شده شامل مدل‌های یادگیری نظارت‌شده استاندارد و طبقه‌بندهای کوانتومی‌اند.
• مدل‌های ترکیبی کوانتومی میانگین بازده بالاتری گزارش می‌کنند، درحالی‌که میانگین نسبت شارپ مدل‌های کلاسیک اندکی بالاتر است.
• یک مدل دنباله‌ای ترکیبی بهترین بازده منفرد و نسبت شارپ گزارش‌شده را دارد.
• خلاصه هزینه‌ها، ساخت نمونه یا بررسی‌های استحکام را شرح نمی‌دهد و تفسیر نتایج بک‌تست را محدود می‌کند.

برچسب‌ها

# 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.

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.