本报告介绍了一种基于量子储层计算的实现波动率预测方法,利用全连接横场伊辛模型作为量子储层,在保持有限量子比特资源的情况下,结合前向特征选择和Shapley值解释性分析,实现了比传统线性模型和机器学习方法更优的预测性能。实证结果显示,该量子方法在多种误差指标和模型置信集测试中均优于经典模型,展示了量子计算在金融时间序列预测领域的潜力和应用前景。
| 序号 | 特征集(QR1) | 特征集(QR2) |
|---|---|---|
| 1 | RV, MKT, DP, IP, RVq, STR, DEF | RV, MKT, STR, RVq, EP, INF, DEF |
标题: Quantum Reservoir Computing for Realized Volatility Forecasting
作者及机构: Qingyu Li 等,主要来自中国电子科技大学量子物理与光子量子信息实验室,以及美国弗吉尼亚理工大学经济学及量化金融实验室
发布时间: 文中未明示具体发布日期,但最新参考文献至2024年,故应为2024年
研究内容及主题: 本文主要针对金融市场中的现实波动率(Realized Volatility)预测问题,探讨了量子储备计算(Quantum Reservoir Computing, QRC)方法在该领域的应用与表现。文中将量子计算与机器学习相结合,提出基于全连接横场伊辛模型的量子储备系统,用于时序数据的非线性建模。研究重点是验证QRC相较传统计量经济学模型及经典机器学习模型的预测性能优势,并通过多种误差指标与模型置信集(MCS)测试佐证。
核心论点: 量子储备计算由于其量子叠加、纠缠等特性,具备解决金融时序高维非线性问题的潜力。通过实证研究,QRC模型(QR1、QR2)在S&P500波动率预测任务中表现优于AR系列、HAR家庭、LSTM及经典储备计算等传统模型,且采用了包含宏观经济及市场微结构变量的特征选择和模型解释技术,展示了其在现实金融环境中的实用价值与可解释性。
关键论点: 波动率建模是金融风险管理、投资组合优化和衍生品定价中的核心问题。传统模型如GARCH、HAR及其变体(HAR-J、CHAR、SHAR、HARQ)虽广泛应用,但难以充分捕捉数据的非线性和高频特征。随着机器学习的兴起,特别是LSTM等循环神经网络在时序预测中展现潜力,研究关注点从经典计量模型转向结合深度学习和宏观经济变量的复杂非线性建模。量子计算近年发展突飞猛进,为金融量化及时序分析带来新契机。
支撑依据: 文中引用众多既有文献证实传统模型局限性及机器学习应用效果不一的现状,强调高频数据的价值和复杂特征捕捉重要性。
概述: 文中介绍了基于高频数据的实现波动率定义与计算,AR模型的局限性,以及Corsi提出的多时尺度HAR模型的优势。HAR通过考虑日、周、月三个不同时间平均的波动率来捕获不同投资者的行为特征。
关键模型及公式: HAR模型公式详述了多层次波动率的回归结构,HARX模型则引入宏观经济外生变量增强预测能力。
限制和发展: 线性模型对数据的非线性和非高斯特征捕捉不足,催生了结合神经网络和正则化手段提升模型灵活性的研究。
数据处理技术: 采用对数变换和稳态假设,结合Newey-West HAC标准误保障推断稳健性。
量子态及量子比特: 通过Dirac符号和希尔伯特空间表示量子态,强调了量子叠加和纠缠带来的信息表达能力远超经典比特。
多量子比特系统: 系统维度指数增长,为复杂时间序列建模提供格外大的状态空间。
动态演化: 量子态通过幺正演化operator U(t)=e−iHt 随时间演化,描述量子系统的时序变迁。
测量及概率解释: 测量导致态坍缩,测量结果依概率分布出现,体现量子态信息的不可克隆和有限可获取性,量子计算算法利用叠加平行性提高效率。
符号与模型对照: 附带经济学与量子符号对照表,便于跨学科理解。
前馈神经网络: 结构单向流动,无时序依赖能力,参数通过梯度下降优化。
LSTM网络: 针对时序数据引入细胞状态和门控机制,解决长期依赖问题,如图1(b)详细结构,包括遗忘门、输入门、输出门的公式定义。适合金融时序波动率捕获与预判。
传统储备计算: 不训练内部连接,仅训练输出权重,随机初始化隐层体现固定动力学,用以高效映射时序数据到高维表现空间。数学公式表达及适用场景介绍。优势是训练开销低,适合高维非线性动态数据。
系统构建: 量子储备由全连接横场伊辛模型驱动,包含输入及隐含(记忆)两部分量子比特,数量合计10个,轻度满足当前量子硬件限制。
Hamiltonian: H=∑ijJijXiXj+ν∑iZi,Jij随机抽样,ν=1,Xi,Zi为保利矩阵。
操作流程:
Step I-III依次将时序特征的过往三个时间点[xt−3,xt−2,xt−1]编码为输入量子态,经系统幺正演化,隐态携带记忆传递。每步后丢弃输入qubits只保留隐态。最终对所有量子比特进行Z基测量,得到⟨Zj⟩构成特征向量。
读出与训练: 线性回归(岭回归)训练测量输出到波动率预测映射,权重解析表达形式明示。
增强策略: QR2模型使用“集成储备”思路,双时间尺度(τ与τ/2)分别演化两个储备系统,输出扩展特征向量,提升预测准确率。
图示解读: 图2和图3展示量子储备编码及测量架构,图示清晰描述输入编码、隐态更新和最终测量流程。
数据规模与周期: 1950年2月至2017年12月,共815个月的S&P 500月度实现波动率数据。数据来源为雅虎财经API,数据趋势如图4所示,反映重大市场周期波动与震荡。
辅助变量: 纳入宏观经济指标(工业生产增长、通胀率、利率)、金融因子(市盈率、股息率、Fama-French三因子及短期反转因子等),详见表II。参考前期研究验证其对波动率预测提升的贡献和代表性。
数据处理: 变量规模统一归一,符合量子门旋转角度取值范围,保证量子编码有效。
模型范围: 比较包括AR1/AR3/ARMAX/HAR/HARX经典模型,LSTM/LSTMX神经网络,经典储备计算RC/RCX与量子储备QR1/QR2。
训练方式: 滚动窗口技术,训练窗口从1950年2月扩展至1997年6月,后续逐月替换,预测1997年8月至2017年12月245个样本。窗口内模型重新拟合,保证滚动预测稳定性。
超参数调优: LSTM隐层规模60(LSTM)/50(LSTMX),学习率0.001;RC隐层50(无外生)/20(有外生),泄漏率0.6,谱半径0.9;量子储备10 qubits,3层时序数据。所有机器学习超参数通过时间序列交叉验证选择。
量子模型限制说明: 受限于当前量子硬件,编码特征数n1有限,隐状态量子比特数量n2=10−n1平衡记忆和输入维度。
需求分析: 10比特限制意味着所有宏观/市场变量不能全覆盖。需通过包装式搜索方法选择表现最佳的特征子集。
方法论: 采用前向逐步选择策略,初始空集,迭代加入对MSE贡献最大的变量,直到达到最大特征数10或性能不再提升。流程见图5。
结果:
QR1最佳特征集为{RV,MKT,DP,IP,RVq,STR,DEF},
QR2最佳集为{RV,MKT,STR,RVq,EP,INF,DEF},均选7个输入特征,3个隐态比特。
性能表现:
图6展示特征数量变化对MSE的影响,初期特征增加有明显提升,随后因隐态记忆比特减少造成性能爬坡。最优7特征下获得最佳结果。
图7对比了不同特征数量对应波动率预测曲线,明显看出7特征段预测在波动峰值附近拟合优越,且QR2整体优于QR1。
Shapley值介绍: 应用基于博弈论的Shapley值方法,对所有特征在所有组合中的边际贡献进行平均,定量评估各变量对预测结果的贡献度,提升量子模型“黑箱”性质的透明度。
分析策略: 分别考察单个滞后步特征贡献,特征族整体贡献,以及各时滞整体贡献。
观察结果:
单项贡献显示RVt−1最重要,表明最新实现波动率对未来预测主导影响。
特征家族贡献揭示RV族、市场因子MKT和短期反转STR等宏观金融变量贡献突出。
时间滞后贡献呈递减,近因显著优于远期特征。
QR1与QR2两模型均表现出类似贡献分布,但QR2整体重要性权重分布更集中。
指标介绍:
MSE(均方误差):经典衡量预测误差大小,符号无关惩罚。
QLIKE(准似然比损失):更适合波动率预测,特别关注预测的低估风险,对预测波动率低估施加更重惩罚,兼具对称与非对称误差的度量能力。
统计方法:
模型置信集(MCS): 循环剔除表现显著差于其他模型的候选模型,最终保留统计置信下与最佳模型性能无差异的模型集合,置信度设为95%。
Diebold-Mariano检验: 两模型预测准确率均等假设检验,考察时序相关下均方误差差异显著性。
实证结果(表III & 表IV):
量子模型QR2 MSE最低(0.103),QLIKE也最低(1.4004),MCS p-值达1.0,稳居最佳模型。QR1表现亦较经典模型优越。
经典机器学习模型中,ARMAX、LSTMX、RCX入选MCS集,但性能均明显逊色于QR2。
DM检验显示QR2显著优于绝大多数经典模型,QR1与QR2间表现无显著差别。
特征扩展在某些模型(如LSTMX、ARMAX)提高性能,但如HARX未必,强调特征选择依赖模型结构和业务相关性。
量子硬件限制: 当前量子计算机保持较短相干时间和有限位数,限制了系统规模和记忆深度,限制输入特征数量及模型复杂度。
模型假设与泛化: 量子系统中量子噪声和误差未详细说明严重性,噪声可能影响预测稳定性。模型基于离线历史数据,实时市场非平稳特性可能带来挑战。
特征依赖风险: 特征选择依赖性能表现,存在潜在过拟合,特别是在高维、动态变化环境中。
可解释性限制: 虽采用Shapley值提升透明度,但深度量子模型本质上仍具复杂“黑箱”特性,需进一步研究提升信任度。
缓解策略: 通过采用岭回归减少过拟合,限制特征数平衡计算资源,利用集成量子储备增加泛化能力,采用MCS和DM测试确保统计显著性,对模型稳健性有所保护。
创新与实用性: 本文率先系统将量子储备计算应用于金融实现波动率预测,结合了高维时间序列复杂特征,显示了量子算法的潜力和可行路径。
硬件限制显著: 10-qubit系统规模虽符合现阶段可实现量子硬件,仍远低于未来理想规模,导致特征输入数量受限及记忆容量不足,长期依赖捕获受限。
模型对比偏向及参数调优: 经典机器学习模型超参数不详尽,可能影响公正比较。经典储备计算与量子储备算法的参数优化方法、训练细节未充分展开,可能影响结果可靠性。
数据与时间窗口固定: 研究区间长,数据丰富,但未对不同市场周期下模型表现进行分组分析,也未考察市场极端时段下预测表现。
解释性方法局限: Shapley值依赖模型本身,可能无法揭示更深层因果关系,且计算开销高,需权衡可行性。
未来展望提示: 作者建议该框架可移植至离子阱等量子硬件,虽说目前性能无严格量子优势证明,展示了量子机器学习未来应用的潜力。
本报告深入探讨了量子储备计算在金融领域实现波动率预测的创新应用,尤其针对S&P 500指数的月度实现波动率进行了系统建模和预测分析。基于全量子系统的动态演化和测量反馈机制,文中提出的两种模型(QR1与QR2)均表现出显著优于传统AR、HAR及LSTM等经典模型的预测能力,尤其是QR2利用集成储备扩展了模型容量,实现了更好的预测精度。
量子储备计算利用10个量子比特的系统,通过合理的特征选择方法,平衡了输入特征数与隐态记忆资源,融合宏观经济和市场微观结构数据,实现对于非线性、非高斯时间序列的有效捕获。Shapley值方法赋予了模型一定的可解释性,揭示了历史实现波动率与市场因子在预测中的关键作用,这对于传统黑箱模型是重要补充。
从统计评测角度,MSE和QLIKE指标两方面均强调了量子模型在准确性及风险低估防范上的全面优势。模型置信集和Diebold-Mariano检验充分验证了量子模型的统计显著性和稳健性。报告也充分考虑了当前量子硬件的局限,提出了合理的模型规模约束和未来扩展方向。
整体而言,本研究不仅为量子机器学习在经济金融领域的实际应用提供了首个系统实例,也为量子计算技术突破金融预测任务瓶颈开辟了新道路。虽然硬件限制暂时限制了量子模型规模和功能,但随着量子技术进步,量子储备计算有望成为复杂金融时序数据分析的强有力工具。
该报告系统阐述了量子储备计算在实现波动率预测领域的创新应用,详细介绍了模型设计、数学基础、数据与变量、实验设计、特征选择、模型解释与性能测评等全过程。通过严谨的实证分析,展示了量子模型的竞争力和潜在优势,为未来量子金融计算和量子机器学习研究奠定了坚实基础。各种图表及数据详细解读充分支持了研究结论,体现了作者全面且专业的工作。报告虽受制于当前硬件条件,但专业的绩效测试和解释性分析增强了结论说服力,具有重要的学术价值和应用前景。,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17]
Quantum Reservoir Computing for Realized Volatility Forecasting.pdf