[論文レビュー] Quantum Machine Learning in Finance: Time Series Forecasting

Dimitrios Emmanoulopoulos, Sofija Dimoska|arXiv (Cornell University)|Feb 1, 2022

Quantum Computing Algorithms and Architecture被引用数 32

ひとこと要約

要約: 論文は、パラメータ化された量子回路(PQC)ベースの量子ニューラルネットワーク(QNN)を時系列予測のBiLSTMと比較する。PQCは低ノイズ信号で同等の性能を示し、ノイズが高い場合にはより良い性能を示すが、パラメータははるかに少なく、量子ハードウェア上での訓練が高速化される可能性がある。

ABSTRACT

We explore the efficacy of the novel use of parametrised quantum circuits (PQCs) as quantum neural networks (QNNs) for forecasting time series signals with simulated quantum forward propagation. The temporal signals consist of several sinusoidal components (deterministic signal), blended together with trends and additive noise. The performance of the PQCs is compared against that of classical bidirectional long short-term memory (BiLSTM) neural networks. Our results show that for time series signals consisting of small amplitude noise variations (up to 40 per cent of the amplitude of the deterministic signal) PQCs, with only a few parameters, perform similar to classical BiLSTM networks, with thousands of parameters, and outperform them for signals with higher amplitude noise variations. Thus, QNNs can be used effectively to model time series having, at the same time, the significant advantage of being trained significantly faster than a classical machine learning model in a quantum computer.

研究の動機と目的

• PQCベースのQNNの予測性能を金融時系列で従来のBiLSTMsと比較評価する。
• 量子モデルと古典モデルの予測精度にノイズレベルが与える影響を分析する。
• データエンコーディング、PQC設計、訓練ダイナミクスを時系列タスクのためのシミュレート量子設定で探究する。

提案手法

• X^aエンコーディングを用いて16点の時系列セグメントをキュービットにエンコードする。
• 6層のPQCを、量子ニューラルネットワークとして層XX^xx1, ZZ^zz1, YY^yy1, XX^xx2, ZZ^zz2, YY^yy2を用いて訓練する。
• PQC/QNNの予測を約175kパラメータの4層BiLSTMと比較し、MSE、SESD、MR、SDR指標を用いて評価する。
• PQCの訓練には古典的なバックプロパゲーションを用い、順伝播は量子シミュレーションとする。
• MinMaxスケーリングと複数の合成・実データ系列に対して1ステップ先予測ホライゾンを適用する。

実験結果

リサーチクエスチョン

• RQ1 PQCベースのQNNは、現実的な正弦波/決定論的成分とノイズを含む時系列においてBiLSTMsと同等の予測精度を達成できるか。
• RQ2 ノイズ振幅の増加は、金融に類似した時系列におけるQNNとBiLSTMsの相対性能にどう影響するか。
• RQ3 金融データの逐次データに対するPQCとBiLSTMsのモデルサイズと訓練ダイナミクスのトレードオフは何か。
• RQ4 パラメータ数と構造のため、ノイズの多い時系列データに対して量子モデルは過剰適合に対してより頑健か。

主な発見

• PQCsは、決定論的振幅の40%までのノイズを伴う信号でBiLSTMsと同等の性能を達成する。
• 高ノイズ振幅の場合、PQCsはBiLSTMsより優れており、パラメータ数ははるかに少ない（96対175,648）。
• 試験された信号全体を通じて、PQCはパラメータ数が小さいためノイズへの過学習の傾向が低い。
• PQNsは量子設定での訓練を速く行える可能性を示し、順伝播は量子、バックプロパagationは古典的な組み合わせで、将来的にはエンドツーエンドの量子訓練が見込まれる。
• 本研究は大規模な量子モデルのデータ量に制限がある点を指摘し、完全量子最適化への道筋を示している。