Comparação entre aprendizado quântico e clássico em estratégias de market making DeFi

Resumo

Este estudo compara aprendizado de máquina quântico, aprendizado de máquina clássico, métodos híbridos quântico-clássicos e modelos Transformer em estratégias de negociação com formadores automatizados de mercado (AMMs) e finanças descentralizadas. Apresenta backtests em vários criptoativos e dez variantes de modelos, incluindo Random Forest, Gradient Boosting, Logistic Regression, vários classificadores quânticos e modelos híbridos sequenciais. O objetivo declarado é avaliar se os métodos quânticos agregam valor nesse contexto de negociação.

As médias relatadas favorecem as abordagens quânticas híbridas em retorno, enquanto o aprendizado de máquina clássico apresenta índice de Sharpe médio ligeiramente maior. Um modelo híbrido sequencial tem o maior retorno individual e o maior índice de Sharpe entre os modelos descritos. Esses resultados são de backtests, não evidências de desempenho em live trading. A descrição fornecida não informa períodos dos dados, custos de transação, seleção de modelos, referências ou estimativas de incerteza, todos necessários para avaliar a robustez e se as diferenças relatadas persistiriam fora da amostra.

Ideias principais

• O estudo faz backtest de dez modelos clássicos, quânticos, híbridos e Transformer para AMM e trading em DeFi.
• Os métodos testados incluem modelos padrão de aprendizado supervisionado e classificadores quânticos.
• Os modelos quânticos híbridos têm maior retorno médio relatado, enquanto os modelos clássicos têm índice de Sharpe médio marginalmente maior.
• Um modelo híbrido sequencial apresenta os melhores resultados individuais relatados de retorno e índice de Sharpe.
• O resumo não descreve custos, construção da amostra ou verificações de robustez, o que limita a interpretação dos resultados de backtest.

Tags

# 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.

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.