Combinação de previsões quânticas de LSTM com aprendizado por reforço para trading de FX

Resumo

O documento descreve um agente de trading apenas comprado em USD/TWD, que combina previsões de tendências de curto prazo do Quantum Long Short-Term Memory (QLSTM) com o Quantum Asynchronous Advantage Actor-Critic (QA3C). Seu estado usa características de QLSTM e indicadores técnicos, enquanto a recompensa é projetada para apoiar o acompanhamento de tendências e o controle de risco. A configuração relatada usa um comprimento de sequência de quatro e oito agentes QA3C, com dados de 2000 a 2025 divididos entre conjuntos de treino e teste.

Os autores relatam um retorno de 11.87% em cerca de cinco anos e drawdown máximo de 0.92%, e dizem que o agente superou vários ETFs de moedas. Esses resultados são apresentados como evidência de que a abordagem híbrida pode ser adequada a operações com pequenos lucros e limites de risco estreitos. O documento apresenta apenas um relato breve do experimento, sem comparações detalhadas, incerteza estatística ou informações suficientes para avaliar a robustez. Também observa que os métodos quânticos foram executados por simulação clássica e que a estratégia foi simplificada; portanto, os resultados não demonstram uma vantagem do hardware quântico nem se generalizam automaticamente para outros mercados.

Ideias principais

• O agente combina previsões de tendências de curto prazo de QLSTM com aprendizado por reforço de QA3C para trading de USD/TWD.
• O estado inclui características das previsões e indicadores técnicos, e a recompensa considera o acompanhamento de tendências e o controle de risco.
• Os resultados relatados para posições apenas compradas incluem retorno de 11.87% em cerca de cinco anos e drawdown máximo de 0.92%.
• Os componentes quânticos foram simulados classicamente, e os autores descrevem a estratégia como simplificada.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.