So sánh học máy lượng tử và cổ điển cho chiến lược tạo lập thị trường DeFi

Bài viết arXiv papers · Tác giả: Chi-Sheng Chen et al.

Tóm tắt

Nghiên cứu này so sánh học máy lượng tử, học máy cổ điển, phương pháp lai lượng tử-cổ điển và mô hình Transformer trong chiến lược tạo lập thị trường tự động và giao dịch tài chính phi tập trung. Nghiên cứu báo cáo kết quả kiểm thử lịch sử trên nhiều tài sản tiền mã hóa và mười biến thể mô hình, gồm Random Forest, Gradient Boosting, Logistic Regression, một số bộ phân loại lượng tử và mô hình chuỗi lai. Mục tiêu được nêu là đánh giá liệu phương pháp lượng tử có tạo thêm giá trị trong bối cảnh giao dịch này hay không.

Các mức trung bình được báo cáo nghiêng về phương pháp lai lượng tử xét theo lợi suất, trong khi học máy cổ điển có tỷ lệ Sharpe trung bình cao hơn một chút. Trong số các mô hình được mô tả, mô hình chuỗi lai có lợi suất và tỷ lệ Sharpe riêng lẻ cao nhất. Đây là kết quả kiểm thử lịch sử, không phải bằng chứng về hiệu quả giao dịch thực. Mô tả được cung cấp không có thông tin về giai đoạn dữ liệu, chi phí giao dịch, cách chọn mô hình, chuẩn cơ sở hoặc ước tính độ bất định; tất cả đều cần thiết để đánh giá độ vững và liệu các khác biệt được báo cáo có duy trì ngoài mẫu hay không.

Ý chính

Nghiên cứu kiểm thử lịch sử mười mô hình cổ điển, lượng tử, lai và Transformer cho giao dịch AMM và DeFi.
Các phương pháp được kiểm tra gồm mô hình học có giám sát thông thường và bộ phân loại lượng tử.
Các mô hình lai lượng tử có lợi suất trung bình được báo cáo cao hơn, còn mô hình cổ điển có tỷ lệ Sharpe trung bình nhỉnh hơn đôi chút.
Mô hình chuỗi lai có lợi suất và tỷ lệ Sharpe riêng lẻ cao nhất được báo cáo.
Bản tóm tắt không mô tả chi phí, cách xây dựng mẫu hoặc các kiểm tra độ vững, khiến việc diễn giải kết quả kiểm thử lịch sử bị hạn chế.

Thẻ

Tiền mã hóa Tài chính phi tập trung (DeFi)Học máy Kiểm định quá khứ Xây dựng danh mục

Toàn văn

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.