Học mạch lượng tử cho động lực biến động thực tế của Bitcoin

Tóm tắt

Nghiên cứu mô hình hóa biến động thực tế của Bitcoin bằng mạch lượng tử có tham số và xem xét liệu chuỗi được tạo ra có phản ánh những đặc điểm thống kê quan sát được trong dữ liệu thị trường hay không. Từ giá Bitcoin theo khoảng năm phút, các tác giả tính biến động thực tế hằng ngày, huấn luyện một mạch một qubit và dùng mạch này tạo ra chuỗi tổng hợp dài. Họ áp dụng Phân tích dao động loại bỏ xu hướng đa phân dạng để nghiên cứu hành vi tỷ lệ, bao gồm số mũ Hurst tổng quát, phổ đa phân dạng và số mũ tỷ lệ.

Chuỗi lợi suất dự báo có số mũ Hurst bậc hai gần một phần hai, phù hợp với động lực gần ngẫu nhiên. Cả lợi suất dự báo lẫn lợi suất thực nghiệm đều thể hiện tính đa phân dạng còn tồn tại một phần sau khi xáo trộn, trong khi mức tăng của biến động thực tế có tính phản dai dẳng mạnh, phù hợp với giả thuyết biến động thô. Kết quả gợi ý rằng mô hình nắm bắt định tính một số đặc tính biến động được chọn của Bitcoin. Tài liệu không báo cáo độ chính xác dự báo so với các mô hình thông thường hay bằng chứng về khả năng sinh lời từ giao dịch; kết luận chỉ liên quan đến một mạch đơn giản và một tài sản.

Ý chính

• Mạch lượng tử có tham số một qubit được huấn luyện để mô hình hóa biến động thực tế của Bitcoin.
• Biến động thực tế hằng ngày được tính từ giá Bitcoin theo khoảng năm phút.
• Phân tích dao động loại bỏ xu hướng đa phân dạng đánh giá các đặc tính của chuỗi được tạo ra.
• Theo số mũ Hurst bậc hai được báo cáo, lợi suất dự báo có vẻ gần ngẫu nhiên và vẫn giữ một phần tính đa phân dạng sau khi xáo trộn.
• Mức tăng của biến động thực tế thể hiện tính phản dai dẳng rõ rệt, phù hợp với biến động thô.

Thẻ

# 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.

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.