Associer prévisions quantiques LSTM et apprentissage par renforcement pour le trading FX

Résumé

Le document décrit un agent de trading exclusivement à l’achat USD/TWD qui associe des prévisions de tendances à court terme par mémoire quantique à long et court terme (QLSTM) à l’algorithme d’acteur-critique asynchrone à avantage quantique (QA3C). Son état utilise des caractéristiques QLSTM et des indicateurs techniques, tandis que sa récompense vise à favoriser le suivi de tendance et le contrôle du risque. La configuration rapportée utilise une longueur de séquence de quatre et huit agents QA3C, avec des données couvrant la période de 2000 à 2025, réparties entre ensembles d’entraînement et de test.

Les auteurs rapportent un rendement de 11.87% sur environ cinq ans et un drawdown maximal de 0.92%, et indiquent que l’agent a surperformé plusieurs FNB de devises. Ces résultats sont présentés comme un indice que l’approche hybride pourrait convenir à des opérations à faibles gains et à limites de risque strictes. Le document ne donne qu’un bref compte rendu de l’expérience, sans comparaisons détaillées, incertitude statistique ni informations suffisantes pour évaluer la robustesse. Il précise aussi que les méthodes quantiques ont été exécutées par simulation classique et que la stratégie a été simplifiée ; les résultats n’établissent donc pas d’avantage lié au matériel quantique et ne se généralisent pas automatiquement à d’autres marchés.

Idées clés

• L’agent associe des prévisions de tendance à court terme QLSTM à l’apprentissage par renforcement QA3C pour le trading USD/TWD.
• Son état comprend des caractéristiques de prévision et des indicateurs techniques, et sa récompense tient compte du suivi de tendance et du contrôle du risque.
• Les résultats rapportés pour une position longue uniquement comprennent un rendement de 11.87% sur environ cinq ans et un drawdown maximal de 0.92%.
• Les composantes quantiques ont été simulées de manière classique, et les auteurs décrivent la stratégie comme simplifiée.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.