کوانٹم LSTM کی پیش گوئیوں کو تقویتی لرننگ کے ساتھ ملا کر FX ٹریڈنگ

خلاصہ

دستاویز ایک صرف لانگ پوزیشن لینے والا USD/TWD ٹریڈنگ ایجنٹ بیان کرتی ہے، جو قلیل مدتی رجحانات کی کوانٹم لانگ شارٹ ٹرم میموری (QLSTM) پیش گوئیوں کو کوانٹم ایسیئنکرونس ایڈوانٹیج ایکٹر کریٹک (QA3C) کے ساتھ ملاتا ہے۔ اس کی حالت میں QLSTM خصوصیات اور تکنیکی اشاریے شامل ہیں، جبکہ انعام کو رجحان کے ساتھ چلنے اور رسک کنٹرول کی مدد کے لیے ڈیزائن کیا گیا ہے۔ رپورٹ کردہ ترتیب میں سلسلے کی لمبائی چار اور آٹھ QA3C ورکرز ہیں، اور 2000 سے 2025 تک کے ڈیٹا کو تربیتی اور آزمائشی حصوں میں تقسیم کیا گیا ہے۔

مصنفین تقریباً پانچ سال کے دوران 11.87% ریٹرن اور 0.92% کے زیادہ سے زیادہ ڈرا ڈاؤن کی اطلاع دیتے ہیں، اور کہتے ہیں کہ ایجنٹ نے کئی کرنسی ETF سے بہتر کارکردگی دکھائی۔ یہ نتائج اس امکان کے ثبوت کے طور پر پیش کیے گئے ہیں کہ مخلوط طریقہ سخت رسک حدود کے ساتھ چھوٹے ریٹرن والی ٹریڈز کے لیے موزوں ہو سکتا ہے۔ دستاویز تجربے کا مختصر بیان دیتی ہے؛ اس میں تفصیلی موازنے، شماریاتی غیر یقینی یا مضبوطی جانچنے کے لیے کافی معلومات نہیں۔ یہ بھی بتایا گیا ہے کہ کوانٹم طریقے کلاسیکی نقلی تجربے کے ذریعے چلائے گئے اور حکمتِ عملی کو سادہ بنایا گیا؛ اس لیے نتائج کوانٹم ہارڈویئر کا فائدہ ثابت نہیں کرتے اور نہ ہی خودکار طور پر دوسری مارکیٹوں پر لاگو ہوتے ہیں۔

اہم خیالات

• ایجنٹ QLSTM کے قلیل مدتی رجحان کی پیش گوئیوں کو QA3C تقویتی لرننگ کے ساتھ USD/TWD ٹریڈنگ کے لیے ملاتا ہے۔
• اس کی حالت میں پیش گوئی کی خصوصیات اور تکنیکی اشاریے شامل ہیں، جبکہ انعام رجحان کے ساتھ چلنے اور رسک کنٹرول کو ملحوظ رکھتا ہے۔
• صرف لانگ پوزیشن کے رپورٹ کردہ نتائج میں تقریباً پانچ سال کے دوران 11.87% ریٹرن اور 0.92% کا زیادہ سے زیادہ ڈرا ڈاؤن شامل ہیں۔
• کوانٹم اجزا کی کلاسیکی نقل کی گئی، اور مصنفین حکمتِ عملی کو سادہ کردہ قرار دیتے ہیں۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔