본문으로 건너뛰기
라이브러리 문서 전체

디파이 마켓 메이킹 전략의 양자·고전 학습 비교

기사 arXiv papers · 저자: Chi-Sheng Chen et al.
원문 읽기

요약

이 연구는 자동화 마켓 메이커와 탈중앙 금융 트레이딩 전략에서 양자 머신러닝, 고전 머신러닝, 양자-고전 혼합 방법, 트랜스포머 모델을 비교합니다. 여러 암호화폐 자산과 10가지 모델 변형에 대한 백테스트 결과를 보고합니다. 여기에는 랜덤 포레스트, 그래디언트 부스팅, 로지스틱 회귀, 여러 양자 분류기와 혼합 시퀀스 모델이 포함됩니다. 연구의 목적은 이 트레이딩 맥락에서 양자 방법이 가치를 더하는지 평가하는 것입니다.

보고된 평균 수익률은 양자 혼합 접근법이 앞섰지만, 평균 샤프 비율은 고전 머신러닝이 약간 높았습니다. 설명된 모델 가운데 혼합 시퀀스 모델이 개별 수익률과 샤프 비율 모두 가장 높았습니다. 이 결과는 백테스트 성과일 뿐 실거래 성과의 근거는 아닙니다. 제공된 설명에는 데이터 기간과 거래 비용, 모델 선택, 기준선, 불확실성 추정치가 없습니다. 결과의 견고성과 보고된 차이가 표본 외에서도 유지될지를 판단하려면 이 정보가 필요합니다.

핵심 아이디어

  • 이 연구는 AMM 및 디파이 트레이딩을 위한 고전·양자·혼합·트랜스포머 모델 10가지를 백테스트합니다.
  • 테스트한 방법에는 일반적인 지도 학습 모델과 양자 분류기가 포함됩니다.
  • 보고된 평균 수익률은 양자 혼합 모델이 높고, 평균 샤프 비율은 고전 모델이 약간 높습니다.
  • 혼합 시퀀스 모델은 보고된 개별 수익률과 샤프 비율이 가장 높습니다.
  • 요약에는 비용과 표본 구성, 강건성 검증이 설명되지 않아 백테스트 결과를 해석하는 데 한계가 있습니다.

태그

가상자산탈중앙화 금융(DeFi)머신러닝백테스트포트폴리오 구성
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.