Comparaison de l’apprentissage quantique et classique pour les stratégies DeFi de tenue de marché

Résumé

Cette étude compare l’apprentissage automatique quantique, l’apprentissage automatique classique, les méthodes hybrides quantiques-classiques et les modèles Transformer dans des stratégies de trading pour les teneurs de marché automatisés (AMM) et la finance décentralisée. Elle présente des backtests sur plusieurs actifs crypto et dix variantes de modèles, notamment Random Forest, Gradient Boosting, Logistic Regression, plusieurs classificateurs quantiques et des modèles séquentiels hybrides. L’objectif annoncé est d’évaluer si les méthodes quantiques apportent une valeur ajoutée dans ce contexte de trading.

Les moyennes rapportées favorisent les approches quantiques hybrides en matière de rendement, tandis que l’apprentissage automatique classique affiche un ratio de Sharpe moyen légèrement supérieur. Un modèle séquentiel hybride présente le rendement individuel et le ratio de Sharpe les plus élevés parmi les modèles décrits. Ces résultats proviennent de backtests et ne constituent pas une preuve de performance en trading réel. La description fournie ne précise ni les périodes de données, ni les coûts de transaction, ni la sélection des modèles, ni les références de comparaison, ni les estimations d’incertitude ; ces éléments sont nécessaires pour évaluer la robustesse et déterminer si les différences rapportées persisteraient hors échantillon.

Idées clés

• L’étude réalise des backtests de dix modèles classiques, quantiques, hybrides et Transformer pour AMM et le trading DeFi.
• Les méthodes testées comprennent des modèles classiques d’apprentissage supervisé et des classificateurs quantiques.
• Les modèles quantiques hybrides affichent un rendement moyen rapporté supérieur, tandis que les modèles classiques présentent un ratio de Sharpe moyen légèrement supérieur.
• Un modèle séquentiel hybride affiche le meilleur rendement individuel et le meilleur ratio de Sharpe rapportés.
• Le résumé ne décrit ni les coûts, ni la construction de l’échantillon, ni les vérifications de robustesse, ce qui limite l’interprétation des résultats des backtests.

Étiquettes

# 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.

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.