یادگیری مدار کوانتومی برای پویایی نوسان تحقق‌یافته بیت‌کوین

خلاصه

این پژوهش نوسان تحقق‌یافته بیت‌کوین را با مداری کوانتومی دارای پارامتر مدل‌سازی می‌کند و بررسی می‌کند که آیا سری تولیدشده ویژگی‌های آماری مشاهده‌شده در داده‌های بازار را بازتاب می‌دهد یا نه. نویسندگان از قیمت‌های پنج‌دقیقه‌ای بیت‌کوین، نوسان تحقق‌یافته روزانه را محاسبه می‌کنند، مداری تک‌کیوبیتی را آموزش می‌دهند و از آن برای تولید سری مصنوعی بلندی استفاده می‌کنند. آن‌ها برای بررسی رفتار مقیاس‌بندی، از جمله نماهای تعمیم‌یافته هِرست، طیف‌های چندفراکتالی و نماهای مقیاس‌بندی، تحلیل نوسان حذف‌روند چندفراکتالی را به کار می‌برند.

نمای هِرست مرتبه دوم سری بازده پیش‌بینی‌شده نزدیک به یک‌دوم است که با پویایی تقریباً تصادفی سازگار است. بازده‌های پیش‌بینی‌شده و تجربی هر دو چندفراکتالی‌اند و این ویژگی پس از درهم‌ریزی تا حدی باقی می‌ماند؛ درحالی‌که افزایش‌های نوسان تحقق‌یافته به‌شدت پادپایدارند و با فرضیه نوسان زبر همخوانی دارند. نتایج نشان می‌دهند که برخی ویژگی‌های منتخب نوسان بیت‌کوین به‌صورت کیفی بازتولید شده‌اند. سند دقت پیش‌بینی را در برابر مدل‌های متعارف یا شواهدی از سودآوری معاملات گزارش نمی‌کند و نتیجه‌گیری‌هایش به مداری ساده و یک دارایی محدود است.

ایده‌های کلیدی

• یک مدار کوانتومی تک‌کیوبیتیِ پارامتردار برای مدل‌سازی نوسان تحقق‌یافته بیت‌کوین آموزش داده می‌شود.
• نوسان تحقق‌یافته روزانه از قیمت‌های پنج‌دقیقه‌ای بیت‌کوین محاسبه می‌شود.
• تحلیل نوسان حذف‌روند چندفراکتالی ویژگی‌های سری تولیدشده را ارزیابی می‌کند.
• بر پایه نمای هِرست مرتبه دوم گزارش‌شده، بازده پیش‌بینی‌شده تقریباً تصادفی به‌نظر می‌رسد و پس از درهم‌ریزی چندفراکتالی‌بودن نسبی خود را حفظ می‌کند.
• افزایش‌های نوسان تحقق‌یافته پادپایداری چشمگیری نشان می‌دهند که با نوسان زبر سازگار است.

برچسب‌ها

# 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.

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.