Quantum Reservoir Computing for Realized Volatility Forecasting¶
书目记录。出版内容请通过原始来源链接查看。
| 字段 | 内容 |
|---|---|
| 主领域 | 波动率、曲面动态与方差风险 |
| 其他领域 | — |
| 方法 | 金融机器学习 |
| 检索标签 | — |
| 作者 | Qingyu Li, Chiranjib Mukhopadhyay, Abolfazl Bayat, Ali Habibnia |
| 发布时间 | 2026-04-09 |
| 来源 | arXiv Quantitative Finance History |
| 外部标识 | arxiv:2505.13933 |
| URL | 打开原始来源 |
编辑综合¶
为什么值得关注¶
该研究把 quantum reservoir computing 用于 realized-volatility forecasting，并同时采用 econometric、machine-learning benchmarks 与 model-confidence-set procedures 进行比较。 (abstract:S4, abstract:S5, abstract:S6, abstract:S7)
作者主要主张¶
- 作者使用 fully connected transverse-field Ising Hamiltonian 作为 reservoir，并设置不同的 input 与 memory qubits 以捕捉时间依赖。 (
abstract:S4,abstract:S5) - 作者将该方法与多种 econometric models 和 standard machine-learning algorithms 比较，采用多个误差指标与 model confidence set procedures。 (
abstract:S6,abstract:S7) - 论文摘要声称 quantum reservoir 在多项指标上持续优于 benchmarks，并把研究定位为受当前 quantum-hardware constraints 约束的 proof of concept。 (
abstract:S8,abstract:S9,abstract:S10)
数据、方法或讨论范围¶
摘要覆盖 quantum-reservoir architecture、benchmarking protocol、model confidence set、forward feature selection 与 Shapley-value interpretation，但未指出资产样本或样本期。 (abstract:S4, abstract:S5, abstract:S6, abstract:S7, abstract:S8)
主要限制¶
作者把结果定位为 proof of concept，并承认当前 quantum-hardware constraints；摘要没有给出资产范围、时间窗口、计算成本或真实硬件执行证据，因此其 broad outperformance claim 不能视为独立验证的 quantum advantage。 (abstract:S8, abstract:S9, abstract:S10)
研究关系¶
- 暂无已记录关系。