Квантовое и классическое обучение для стратегий маркетмейкинга в DeFi

Сводка

В исследовании сравниваются квантовое и классическое машинное обучение, гибридные квантово-классические методы и модели-трансформеры в стратегиях автоматизированного маркетмейкера и децентрализованных финансов. Приводятся результаты бэктестинга на нескольких криптовалютных активах и десяти вариантах моделей, включая Random Forest, Gradient Boosting, Logistic Regression, несколько квантовых классификаторов и гибридные последовательностные модели. Заявленная цель — оценить, дают ли квантовые методы преимущество в этом контексте торговли.

Средние результаты по доходности лучше у гибридных квантовых методов, тогда как у классического машинного обучения средний коэффициент Шарпа немного выше. Среди описанных моделей гибридная последовательностная модель показывает наибольшие отдельные значения доходности и коэффициента Шарпа. Это результаты бэктестинга, а не свидетельство эффективности торговли на реальном счёте. В описании нет сведений о периодах данных, транзакционных издержках, выборе моделей, базовых моделях или оценках неопределенности; все это необходимо, чтобы судить об устойчивости и о том, сохранятся ли заявленные различия вне выборки.

Ключевые идеи

• В исследовании проведен бэктестинг десяти классических, квантовых, гибридных моделей и трансформеров для AMM и торговли в DeFi.
• Проверенные методы включают стандартные модели обучения с учителем и квантовые классификаторы.
• У гибридных квантовых моделей выше средняя доходность по заявленным результатам, а у классических моделей — немного выше средний коэффициент Шарпа.
• Гибридная последовательностная модель показала наилучшие отдельные результаты по доходности и коэффициенту Шарпа.
• В кратком описании нет данных об издержках, формировании выборки или проверках устойчивости, что ограничивает интерпретацию результатов бэктестинга.

Теги

# 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.

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.