Сочетание квантовых прогнозов LSTM с обучением с подкреплением для торговли FX

Сводка

В документе описан торговый агент, работающий только в длинную сторону на рынке USD/TWD. Он сочетает прогнозы краткосрочных трендов с помощью Quantum Long Short-Term Memory (QLSTM) с методом Quantum Asynchronous Advantage Actor-Critic (QA3C). В состоянии агента используются признаки QLSTM и технические индикаторы, а функция вознаграждения рассчитана на следование за трендом и контроль риска. В описанной конфигурации длина последовательности равна четырем, используются восемь рабочих процессов QA3C, а данные за период с 2000 по 2025 разделены на обучающую и тестовую выборки.

Авторы сообщают о доходности 11.87% примерно за пять лет и максимальной просадке 0.92%, а также утверждают, что агент превзошел несколько валютных ETF. Эти результаты приводятся как свидетельство того, что гибридный подход может подойти для сделок с небольшой прибылью и строгими ограничениями риска. Описание эксперимента краткое: в нем нет подробных сравнений, статистической неопределенности или достаточной информации для оценки устойчивости. Также отмечается, что квантовые методы запускались посредством классической симуляции, а стратегия была упрощена, поэтому результаты не подтверждают преимущество квантового оборудования и не распространяются автоматически на другие рынки.

Ключевые идеи

• Агент сочетает краткосрочные прогнозы тренда QLSTM с обучением с подкреплением QA3C для торговли USD/TWD.
• В состояние агента входят прогнозные признаки и технические индикаторы, а функция вознаграждения учитывает следование за трендом и контроль риска.
• В описанных результатах стратегии только с длинными позициями указана доходность 11.87% примерно за пять лет и максимальная просадка 0.92%.
• Квантовые компоненты моделировались классическими средствами, а авторы характеризуют стратегию как упрощенную.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.