بٹ کوائن کے حقیقی اتار چڑھاؤ کی حرکیات کے لیے کوانٹم سرکٹ لرننگ

خلاصہ

یہ مطالعہ بٹ کوائن کے حقیقی اتار چڑھاؤ کو پیرامیٹر والے کوانٹم سرکٹ سے ماڈل کرتا ہے اور دیکھتا ہے کہ پیدا کردہ سلسلے میں بازاری ڈیٹا کی شماریاتی خصوصیات ظاہر ہوتی ہیں یا نہیں۔ مصنفین بٹ کوائن کی پانچ منٹ کی قیمتوں سے روزانہ کا حقیقی اتار چڑھاؤ شمار کرتے ہیں، ایک کیوبٹ سرکٹ کو تربیت دیتے ہیں اور اس سے ایک طویل مصنوعی سلسلہ بناتے ہیں۔ وہ پیمانے کے رویے کا جائزہ لینے کے لیے ملٹی فریکٹل ڈیٹرینڈڈ فلوکچوایشن اینالیسس استعمال کرتے ہیں، جس میں عمومی ہرسٹ ایکسپوننٹس، ملٹی فریکٹل اسپیکٹرا اور اسکیلنگ ایکسپوننٹس شامل ہیں۔

پیش گوئی شدہ ریٹرنز کے سلسلے کا دوسرے درجے کا ہرسٹ ایکسپوننٹ نصف کے قریب ہے، جو قریباً بے ترتیب حرکیات سے مطابقت رکھتا ہے۔ پیش گوئی شدہ اور تجرباتی، دونوں ریٹرنز میں ملٹی فریکٹل ساخت دکھائی دیتی ہے جو شفل کرنے کے بعد بھی جزوی طور پر برقرار رہتی ہے، جبکہ تحقق شدہ اتار چڑھاؤ کے اضافوں میں مضبوط مخالف تسلسل پایا جاتا ہے، جو روف وولیٹیلٹی کے مفروضے سے میل کھاتا ہے۔ نتائج منتخب بٹ کوائن اتار چڑھاؤ کی خصوصیات کو کیفی طور پر سمیٹنے کی طرف اشارہ کرتے ہیں۔ دستاویز روایتی ماڈلز کے مقابلے میں پیش گوئی کی درستگی یا ٹریڈنگ کے منافع کا ثبوت نہیں دیتی، اور اس کے نتائج ایک سادہ سرکٹ اور ایک اثاثے سے متعلق ہیں۔

اہم خیالات

• بٹ کوائن کے مشاہدہ شدہ اتار چڑھاؤ کو ماڈل کرنے کے لیے ایک کیوبٹ کے پیرامیٹرائزڈ کوانٹم سرکٹ کو تربیت دی جاتی ہے۔
• روزانہ حقیقی اتار چڑھاؤ پانچ منٹ کی بٹ کوائن قیمتوں سے بنایا گیا ہے۔
• پیدا کردہ سلسلے کی خصوصیات جانچنے کے لیے ملٹی فریکٹل ڈیٹرینڈڈ فلوکچوایشن اینالیسس استعمال ہوتا ہے۔
• رپورٹ کردہ دوسرے درجے کے ہرسٹ ایکسپوننٹ کے مطابق پیش گوئی شدہ ریٹرنز قریباً بے ترتیب دکھائی دیتے ہیں اور شفل کرنے کے بعد بھی جزوی ملٹی فریکٹل ساخت برقرار رکھتے ہیں۔
• حقیقی اتار چڑھاؤ کے اضافوں میں نمایاں مخالف تسلسل ہے، جو کھردرے اتار چڑھاؤ سے مطابقت رکھتا ہے۔

ٹیگز

# Quantum Circuit Learning for Volatility Modeling: Multifractal Analysis of Realized Volatility Time Series


# Quantum Circuit Learning for Volatility Modeling: Multifractal Analysis of Realized Volatility Time Series









Herein, we propose a quantum circuit learning framework for modeling the realized volatility (RV) of Bitcoin and investigate the statistical properties of the predicted time series through multifractal analysis. Unlike conventional GARCH-type models, which require a pre-specified functional form for the volatility process, a parameterized quantum circuit directly approximates the volatility function from empirical data, eliminating the need for explicit model selection. Using five-minute Bitcoin price data, we construct daily RV, train a single-qubit parameterized quantum circuit, and generate a long synthetic time series from the optimized quantum circuit. Multifractal Detrended Fluctuation Analysis is applied to calculate the generalized Hurst exponent $h(q)$, the singularity spectrum $f(α)$, and the multifractal scaling exponent $τ(q)$. The predicted return series exhibits $h(2)\approx 0.5$, consistent with near-random dynamics, and both the predicted and the empirical return series display multifractality that partially persists after random shuffling. The increment series of RV shows pronounced anti-persistence with $h(2)\approx 0.05$--$0.1$, consistent with the rough volatility hypothesis. These results demonstrate that a simple single-qubit parameterized quantum circuit captures qualitatively some observed properties in Bitcoin volatility dynamics.

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۔