Contextual Quantum Neural Networks for Stock Price Prediction
Created by
- Haebom
Category
Empty
저자
Sharan Mourya, Hannes Leipold, Bibhas Adhikari
개요
본 논문은 문맥을 고려하는 양자 신경망을 이용하여 다중 자산의 주가를 예측하는 양자 기계 학습(QML) 방법을 제시합니다. 기존 모델이 전체 과거 데이터에 집중하는 것과 달리, 최근 추세를 포착하여 미래 주가 분포를 예측함으로써 적응성과 정확성을 향상시킵니다. 양자 중첩 원리를 이용한 새로운 훈련 기법인 양자 배치 경사 업데이트(QBGU)를 도입하여 양자 애플리케이션에서 표준 확률적 경사 하강법(SGD)을 가속화하고 수렴성을 개선합니다. 특히, 작업별 연산자를 양자 라벨로 제어하는 share-and-specify ansatz를 사용하는 양자 다중 작업 학습(QMTL) 아키텍처를 제안하여, 동일한 양자 회로에서 여러 자산을 동시에 효율적으로 훈련하고 로그 오버헤드로 포트폴리오를 효율적으로 표현할 수 있도록 합니다. 이 아키텍처는 양자 금융 분야에서 최초로, 다중 자산 주가 예측에 우수한 예측력과 계산 효율성을 제공합니다. S&P 500 데이터(애플, 구글, 마이크로소프트, 아마존 주식)를 이용한 광범위한 실험을 통해 제안된 방법이 양자 단일 작업 학습(QSTL) 모델보다 성능이 우수하고 자산 간 상관관계를 효과적으로 포착하여 예측 정확도를 향상시킴을 보여줍니다. 본 연구 결과는 금융 응용 분야에서 QML의 혁신적인 잠재력을 강조하며, 주가 예측 및 기타 복잡한 금융 모델링 작업에 더욱 발전되고 자원 효율적인 양자 알고리즘을 위한 길을 열어줍니다.
시사점, 한계점
•
시사점:
◦
양자 기계 학습을 이용한 다중 자산 주가 예측 모델의 새로운 아키텍처 제시 (QMTL, share-and-specify ansatz)
◦
양자 배치 경사 업데이트(QBGU)를 통한 훈련 속도 및 수렴성 향상
◦
기존 모델 대비 향상된 예측 정확도 및 효율성
◦
자산 간 상관관계 효과적으로 포착
◦
양자 컴퓨팅을 활용한 금융 모델링의 가능성 제시
•
한계점:
◦
실험 데이터가 S&P 500의 일부 종목에 국한됨. 더 다양한 자산 및 시장 데이터에 대한 추가 연구 필요.
◦
양자 컴퓨터의 실제 구현 및 확장성에 대한 고려 필요. 현재 알고리즘의 실제 양자 컴퓨터 상에서의 성능 평가 부족.
◦
QBGU의 일반적인 성능 및 다른 양자 알고리즘에 대한 적용 가능성에 대한 추가 연구 필요.
◦
모델의 장기 예측 성능에 대한 추가적인 검증 필요.
