DOI: https://doi.org/10.1088/2632-2153/ae39a2
تاريخ النشر: 2026-01-16
المؤلف: David Dechant وآخرون
الموضوع الرئيسي: خوارزميات وهندسة الحوسبة الكمومية
نظرة عامة
تبحث هذه الدراسة في تطبيق الشبكات التنافسية التوليدية الكمومية (QGANs) لتوليد بيانات سلسلة زمنية مالية اصطناعية، مع معالجة قيود النماذج الكلاسيكية في التقاط الخصائص الإحصائية المرغوبة، المعروفة بالحقائق المصممة. تستخدم الدراسة بنية QGAN تتكون من مولد كمومي ومميز كلاسيكي، مستكشفة نهجين لمحاكاة: محاكاة كاملة للدارات الكمومية ومحاكاة تقريبية باستخدام طرق الشبكة التنسورية. تشير النتائج إلى أن QGANs تولد بنجاح سلاسل زمنية اصطناعية تتماشى مع التوزيعات المستهدفة وتظهر ارتباطات زمنية تتميز بها البيانات المالية، مع تأثر الأداء بالمعلمات الفائقة مثل عمق الدائرة وأبعاد الروابط.
قام المؤلفون ببناء QGAN من نوع Wasserstein للاستفادة من التحيزات الاستقرائية للهياكل الكمومية لتوليد سلاسل زمنية مالية معقدة. قاموا بمحاكاة دوائر كمومية معلمة (PQC) مع عدد مختلف من الكيوبتات والطبقات، مقارنةً بين السلاسل الزمنية المولدة نوعيًا مقابل مؤشر S&P 500. تشير النتائج إلى أن كلا طريقتي المحاكاة تعطيان نتائج مختلفة، مما يبرز إمكانية الأجهزة الكمومية في إنتاج بيانات تحتوي على حقائق مصممة. يُقترح العمل المستقبلي لتعزيز تدريب QGAN من خلال معالجة ضوضاء اللقطات، واستكشاف تصاميم مميزة بديلة، وتكييف عملية التدريب لتأخذ في الاعتبار التأثيرات الزمنية بشكل أفضل. كما تشير الدراسة إلى إمكانية توسيع النموذج لتكرار الأسهم المرتبطة واستخدام الكوديت لتحسين الأداء في توليد سلاسل زمنية مالية.
مقدمة
في مقدمة هذه الورقة البحثية، يناقش المؤلفون التطبيق المتزايد لتعلم الآلة، وخاصة الشبكات العصبية، عبر مجالات مختلفة، مع التركيز على الشبكات التنافسية التوليدية (GANs). تتكون GANs من مولد يتعلم توزيع البيانات الأساسي ومميز يميز بين البيانات الحقيقية والمولدة. بينما تُستخدم GANs بشكل أساسي لتوليد الصور، يتم تسليط الضوء على إمكانياتها في زيادة البيانات في مجالات مثل المالية، حيث تمثل ندرة البيانات عالية الجودة تحديات كبيرة بسبب الطبيعة غير المتكررة للأحداث المالية. يؤكد المؤلفون على أهمية التقاط الارتباطات الزمنية، مثل تجمع التقلبات، في سلاسل الزمن المالية لتعزيز قدرات التعميم لنماذج تعلم الآلة.
تقدم الورقة أيضًا مفهوم GANs الكمومية (QGANs)، التي تستفيد من الدارات الكمومية لأخذ عينات من توزيعات معقدة يصعب على النماذج الكلاسيكية الوصول إليها. أشارت الدراسات السابقة إلى أن QGANs يمكن أن تتفوق على الطرق الكلاسيكية في توليد بيانات مالية اصطناعية. يقترح المؤلفون إطار عمل QGAN جديد يهدف إلى توليد سلاسل زمنية اصطناعية تكرر مؤشر S&P 500، ملتقطةً كل من توزيعه والارتباطات الزمنية. يستخدمون كل من المحاكاة الكاملة والحالة الناتجة عن المنتج (MPS) لنمذجة الدارات الكمومية، حيث تسمح محاكاة MPS بالتعامل بكفاءة مع سلاسل زمنية أطول. تظهر النتائج أن النموذج المقترح يتعلم بفعالية التوزيع الأساسي للسلسلة الزمنية ويظهر ارتباطات زمنية مشابهة لتلك الموجودة في البيانات الواقعية، مما يبرز إمكانيات QGANs في التطبيقات المالية.
النتائج
في هذا القسم، تُعرض نتائج المحاكاة التي أجريت على دائرة كمومية معلمة (PQC). تم استخدام طريقتين للمحاكاة: محاكاة الحالة الكاملة للأنظمة التي تحتوي على ما يصل إلى 10 كيوبتات و6 طبقات، ومحاكاة الحالة الناتجة عن المنتج (MPS) للأنظمة التي تحتوي على 10 و20 كيوبت عبر 1 إلى 18 طبقة. تم تشغيل كل محاكاة خمس مرات، مع الإشارة إلى أن توزيعات الاحتمالات للسلاسل الزمنية المولدة تشبه إلى حد كبير تلك الخاصة بمؤشر S&P 500. من الجدير بالذكر أنه بينما أظهرت جميع المحاكاة نقصًا في الارتباط الذاتي الخطي، كانت التأثيرات المطلقة للاعتماد والرفع تختلف في الجودة، حيث أظهرت المحاكاة الكاملة ارتباطًا ذاتيًا مطلقًا وضعيفًا مقارنةً بمؤشر S&P 500.
كشفت التحليلات أن إضافة بوابة CNOT بين الكيوبت الأول والأخير في المحاكاة الكاملة عززت ارتباط الكيوبت، مما أدى إلى زيادة الارتباط الذاتي المطلق عند تأخيرات زمنية أكبر. علاوة على ذلك، أظهرت محاكاة MPS القدرة على التعامل مع QGANs الأكثر تعقيدًا، على الرغم من أن هذه التعقيد أدى إلى زيادة أوقات التدريب وزيادة عدد الدورات المطلوبة للتقارب. اختلفت مشاهد الخسارة بين المحاكاة الكاملة ومحاكاة MPS بشكل كبير، مما أثر على جودة السلاسل الزمنية المولدة. بشكل عام، تفوقت كلا طريقتي المحاكاة الكمومية على نهج GAN الكلاسيكي من حيث مسافة Wasserstein وتجمع التقلبات، على الرغم من الاختلافات في أحجام النوافذ المستخدمة للمقارنات.
المناقشة
في هذا القسم، يناقش المؤلفون تعقيدات سلاسل الزمن المالية، مع التركيز بشكل خاص على مؤشر S&P 500، ويبرزون عدم كفاية النماذج التقليدية مثل نموذج بلاك-شولز، الذي يفترض عوائد لوغاريتمية موزعة بشكل طبيعي. يحددون أربع حقائق مصممة رئيسية لسلاسل الزمن المالية: عدم Gaussianity، غياب الارتباط الذاتي الخطي، تجمع التقلبات، وتأثير الرفع. هذه الخصائص ضرورية لتطوير نماذج أكثر دقة، ويقترح المؤلفون مقاييس كمية لتقييم مدى جودة تكرار السلاسل الزمنية الاصطناعية التي تم إنشاؤها بواسطة شبكة QGAN التنافسية الكمومية (Wasserstein) لهذه الحقائق المصممة.
توضح الورقة بنية وتدريب QGAN، الذي يستخدم دائرة كمومية معلمة (PQC) كمولد وشبكة عصبية كلاسيكية كمميز. يؤكد المؤلفون على مزايا استخدام مسافة Wasserstein من حيث استقرار التدريب وكفاءته مقارنةً بـ GANs التقليدية. كما يوضحون خطوات معالجة البيانات اللازمة لتكييف بيانات سلاسل الزمن المالية مع إطار عمل QGAN، بما في ذلك التطبيع والتحولات لإدارة التوزيعات ذات الذيل الثقيل. تشير النتائج إلى أن السلاسل الزمنية المولدة تظهر خصائص مشابهة لتلك الخاصة بمؤشر S&P 500، مما يشير إلى أن QGAN تلتقط بفعالية الديناميات الأساسية للأسواق المالية.
DOI: https://doi.org/10.1088/2632-2153/ae39a2
Publication Date: 2026-01-16
Author(s): David Dechant et al.
Primary Topic: Quantum Computing Algorithms and Architecture
Overview
This research investigates the application of Quantum Generative Adversarial Networks (QGANs) for generating synthetic financial time series data, addressing the limitations of classical models in capturing desired statistical properties, known as stylized facts. The study employs a QGAN architecture consisting of a quantum generator and a classical discriminator, exploring two simulation approaches: a full simulation of quantum circuits and an approximate simulation using tensor network methods. The results indicate that the QGANs successfully generate synthetic time series that align with target distributions and exhibit temporal correlations characteristic of financial data, with performance influenced by hyperparameters such as circuit depth and bond dimensions.
The authors constructed a Wasserstein QGAN to leverage the inductive biases of quantum architectures for generating complex financial time series. They simulated parameterized quantum circuits (PQC) with varying qubit counts and layers, comparing the generated time series qualitatively against the S&P 500 index. The findings suggest that both simulation methods yield different results, highlighting the potential of quantum hardware in producing data with stylized facts. Future work is proposed to enhance the QGAN’s training by addressing shot noise, exploring alternative discriminator designs, and adapting the training process to better account for temporal effects. The study also suggests the possibility of extending the model to replicate correlated stocks and utilizing qudits for improved performance in generating financial time series.
Introduction
In the introduction of this research paper, the authors discuss the growing application of machine learning, particularly neural networks, across various domains, with a focus on generative adversarial networks (GANs). GANs consist of a generator that learns the underlying data distribution and a discriminator that distinguishes between real and generated data. While GANs are predominantly used for image generation, their potential for data augmentation in fields like finance is highlighted, where the scarcity of high-quality data poses significant challenges due to the non-repetitive nature of financial events. The authors emphasize the importance of capturing temporal correlations, such as volatility clustering, in financial time series to enhance the generalization capabilities of machine learning models.
The paper also introduces the concept of quantum GANs (QGANs), which leverage quantum circuits to sample from complex distributions that are difficult for classical models to access. Previous studies have indicated that QGANs can outperform classical methods in generating synthetic financial data. The authors propose a novel QGAN framework aimed at generating synthetic time series that replicate the S&P 500 index, capturing both its distribution and temporal correlations. They utilize both full-state and matrix product state (MPS) simulations to model the quantum circuits, with MPS simulations allowing for the efficient handling of longer time series. The results demonstrate that the proposed model effectively learns the underlying distribution of the time series and exhibits temporal correlations similar to those found in real-world data, showcasing the potential of QGANs in financial applications.
Results
In this section, the results of simulations conducted on a parameterized quantum circuit (PQC) are presented. Two simulation methods were employed: full-state simulations for systems with up to 10 qubits and 6 layers, and matrix product state (MPS) simulations for systems with 10 and 20 qubits across 1 to 18 layers. Each simulation was run five times, with findings indicating that the probability distributions of the generated time series closely resemble those of the S&P 500 index. Notably, while all simulations exhibited a lack of linear autocorrelations, the absolute autocorrelation and leverage effects varied in quality, with the full-state simulation showing weaker absolute autocorrelation and leverage compared to the S&P 500.
The analysis revealed that adding a CNOT gate between the first and last qubit in the full-state simulation enhanced qubit correlation, leading to increased absolute autocorrelation at larger time lags. Furthermore, the MPS simulation demonstrated the capability to handle more complex QGANs, although this complexity resulted in longer training times and increased epochs needed for convergence. The loss landscapes of the full-state and MPS simulations differed significantly, impacting the quality of the generated time series. Overall, both quantum simulation methods outperformed classical GAN approaches in terms of Wasserstein distance and volatility clustering, despite differences in window sizes used for comparisons.
Discussion
In this section, the authors discuss the complexities of financial time series, particularly focusing on the S&P 500 index, and highlight the inadequacies of traditional models like the Black-Scholes model, which assumes normally distributed log returns. They identify four key stylized facts of financial time series: non-Gaussianity, absence of linear autocorrelation, volatility clustering, and the leverage effect. These properties are crucial for developing more accurate models, and the authors propose quantitative metrics to evaluate how well synthetic time series generated by a Wasserstein Quantum Generative Adversarial Network (QGAN) replicate these stylized facts.
The paper outlines the architecture and training of the QGAN, which employs a parameterized quantum circuit (PQC) as a generator and a classical neural network as a discriminator. The authors emphasize the advantages of using Wasserstein distance for training stability and efficiency compared to traditional GANs. They also detail the data preprocessing steps necessary for adapting financial time series data to the QGAN framework, including normalization and transformations to manage heavy-tailed distributions. The results indicate that the generated time series exhibit properties similar to those of the S&P 500 index, suggesting that the QGAN effectively captures the underlying dynamics of financial markets.