ڈیفائی مارکیٹ میکنگ اسٹریٹیجیز میں کوانٹم اور کلاسیکی لرننگ کا موازنہ

خلاصہ

یہ مطالعہ خودکار مارکیٹ میکرز اور ڈی سینٹرلائزڈ فنانس کی ٹریڈنگ اسٹریٹیجیز میں کوانٹم مشین لرننگ، کلاسیکی مشین لرننگ، ہائبرڈ کوانٹم-کلاسیکی طریقوں اور ٹرانسفارمر ماڈلز کا موازنہ کرتا ہے۔ یہ متعدد کرپٹو کرنسی اثاثوں اور ماڈلز کی دس صورتوں پر بیک ٹیسٹ رپورٹ کرتا ہے، جن میں رینڈم فاریسٹ، گریڈینٹ بوسٹنگ، لاجسٹک ریگریشن، متعدد کوانٹم درجہ بندی کے ماڈلز اور ہائبرڈ سیکوئنس ماڈلز شامل ہیں۔ بیان کردہ مقصد یہ جانچنا ہے کہ آیا اس ٹریڈنگ تناظر میں کوانٹم طریقے اضافی قدر دیتے ہیں۔

رپورٹ کردہ اوسط منافع کے لحاظ سے ہائبرڈ کوانٹم طریقوں کے حق میں ہیں، جبکہ کلاسیکی مشین لرننگ کا اوسط شارپ تناسب قدرے زیادہ ہے۔ بیان کردہ ماڈلز میں ہائبرڈ سیکوئنس ماڈل کا انفرادی منافع اور شارپ تناسب سب سے زیادہ ہے۔ یہ نتائج بیک ٹیسٹ کے ہیں، لائیو ٹریڈنگ کارکردگی کے ثبوت نہیں۔ فراہم کردہ بیان میں ڈیٹا کی مدت، لین دین کے اخراجات، ماڈل کے انتخاب، تقابلی معیار یا غیر یقینی کے تخمینوں کی معلومات نہیں، حالانکہ مضبوطی اور آؤٹ آف سیمپل مدت میں رپورٹ شدہ فرق برقرار رہنے کا فیصلہ کرنے کے لیے یہ سب درکار ہیں۔

اہم خیالات

• مطالعہ AMM اور ڈیفائی ٹریڈنگ کے لیے کلاسیکی، کوانٹم، ہائبرڈ اور ٹرانسفارمر ماڈلز کی دس صورتوں کا بیک ٹیسٹ کرتا ہے۔
• آزمودہ طریقوں میں معیاری زیرِ نگرانی لرننگ ماڈلز اور کوانٹم درجہ بند کرنے والے شامل ہیں۔
• رپورٹ کردہ اوسط منافع میں ہائبرڈ کوانٹم ماڈلز آگے ہیں، جبکہ کلاسیکی ماڈلز کا اوسط شارپ تناسب معمولی حد تک زیادہ ہے۔
• بیان کردہ ماڈلز میں ایک ہائبرڈ سیکوئنس ماڈل کا انفرادی منافع اور شارپ تناسب سب سے زیادہ رپورٹ ہوا ہے۔
• خلاصے میں اخراجات، نمونے کی تشکیل یا مضبوطی کے ٹیسٹس بیان نہیں، اس لیے بیک ٹیسٹ نتائج کی تشریح محدود ہے۔

ٹیگز

# 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.

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۔