ترجمه فارسی مقاله QADQN: شبکه عمیق Q با توجه کوانتومی برای پیش‌بینی بازار مالی

چکیده

Financial market prediction and optimal trading strategy development remain challenging due to market complexity and volatility. Our research in quantum finance and reinforcement learning for decision-making demonstrates the approach of quantum-classical hybrid algorithms to tackling real-world financial challenges. In this respect, we corroborate the concept with rigorous backtesting and validate the framework’s performance under realistic market conditions, by including fixed transaction cost per trade. This paper introduces a Quantum Attention Deep Q-Network (QADQN) approach to address these challenges through quantum-enhanced reinforcement learning. Our QADQN architecture uses a variational quantum circuit inside a traditional deep Q-learning framework to take advantage of possible quantum advantages in decision-making. We gauge the QADQN agent’s performance on historical data from major market indices, including the S&P 500. We evaluate the agent’s learning process by examining its reward accumulation and the effectiveness of its experience replay mechanism. Our empirical results demonstrate the QADQN’s superior performance, achieving better risk-adjusted returns with Sortino ratios of 1.28 and 1.19 for non-overlapping and overlapping test periods respectively, indicating effective downside risk management.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی بازار مالی و توسعه استراتژی بهینه تجارت به دلیل پیچیدگی و نوسانات بازار همچنان چالش برانگیز است.تحقیقات ما در زمینه مالی کوانتومی و یادگیری تقویت برای تصمیم گیری ، رویکرد الگوریتم های ترکیبی کلاسیک کلاسیک برای مقابله با چالش های مالی در دنیای واقعی را نشان می دهد.از این نظر ، ما این مفهوم را با پشتوانه دقیق تأیید می کنیم و عملکرد چارچوب را در شرایط واقعی بازار ، با استفاده از هزینه معاملات ثابت در هر تجارت ، تأیید می کنیم.در این مقاله یک رویکرد q-network q (QADQN) توجه کوانتومی به منظور پرداختن به این چالش ها از طریق یادگیری تقویت شده کوانتومی ارائه شده است.معماری QADQN ما از یک مدار کوانتومی متنوع در یک چارچوب سنتی یادگیری Q استفاده می کند تا از مزایای کوانتومی احتمالی در تصمیم گیری استفاده کند.ما عملکرد عامل QADQN را در مورد داده های تاریخی از شاخص های اصلی بازار ، از جمله S&P 500 ارزیابی می کنیم. ما فرایند یادگیری عامل را با بررسی تجمع پاداش آن و اثربخشی مکانیسم پخش مجدد آن ارزیابی می کنیم.نتایج تجربی ما عملکرد برتر QADQN را نشان می دهد ، و به بازده بهتر تنظیم ریسک با نسبت های Sortino از 1.28 و 1.19 برای دوره های آزمایش غیر همپوشانی و همپوشانی ، نشان می دهد که نشانگر مدیریت ریسک نزولی مؤثر است.