השוואת למידה קוונטית וקלאסית לאסטרטגיות עשיית שוק ב־DeFi

סיכום

מחקר זה משווה בין למידת מכונה קוונטית, למידת מכונה קלאסית, שיטות היברידיות קוונטיות־קלאסיות ומודלי Transformer באסטרטגיות מסחר של עושי שוק אוטומטיים ובמימון מבוזר. הוא מדווח על בקטסטים בכמה נכסי קריפטו ובעשר גרסאות מודל, ובהן Random Forest, Gradient Boosting, Logistic Regression, כמה מסווגים קוונטיים ומודלי רצפים היברידיים. המטרה המוצהרת היא לבדוק אם שיטות קוונטיות מוסיפות ערך בהקשר מסחר זה.

הממוצעים המדווחים מעדיפים גישות קוונטיות היברידיות מבחינת תשואה, בעוד שללמידת מכונה קלאסית יחס שארפ ממוצע מעט גבוה יותר. למודל רצפים היברידי התשואה ויחס השארפ האישיים הגבוהים ביותר מבין המודלים המתוארים. אלה תוצאות בקטסט, ולא ראיה לביצועים במסחר חי. התיאור שסופק אינו כולל מידע על תקופות הנתונים, עלויות עסקה, בחירת מודלים, אמות מידה או אומדני אי־ודאות; כל אלה נחוצים כדי להעריך חוסן ואם ההבדלים המדווחים יישמרו מחוץ למדגם.

רעיונות מרכזיים

• המחקר מבצע בקטסט לעשרה מודלים קלאסיים, קוונטיים, היברידיים ומבוססי Transformer למסחר ב־AMM וב־DeFi.
• השיטות שנבדקו כוללות מודלים סטנדרטיים של למידה מפוקחת ומסווגים קוונטיים.
• למודלים קוונטיים היברידיים תשואה ממוצעת גבוהה יותר לפי הדיווח, בעוד שלמודלים קלאסיים יחס שארפ ממוצע מעט גבוה יותר.
• למודל רצפים היברידי התשואה ויחס השארפ האישיים הטובים ביותר לפי הדיווח.
• הסיכום אינו מתאר עלויות, בניית מדגם או בדיקות חוסן, ולכן קשה לפרש את תוצאות הבקטסט.

תגיות

# 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.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.