Modello Ibrido Quantistico-Classico Migliora la Previsione della Volatilità Finanziaria

I ricercatori propongono un framework ibrido che combina reti Long Short-Term Memory (LSTM) con Quantum Circuit Born Machines (QCBM) per la previsione della volatilità finanziaria. L'LSTM estrae caratteristiche temporali, mentre il QCBM apprende distribuzioni di mercato complesse come prior generativo. Testato su dati ad alta frequenza di 5 minuti degli indici SSE Composite e CSI 300, il modello supera i baselines classici LSTM nelle metriche MSE, RMSE e QLIKE. Viene introdotto un meccanismo stocastico 'Drop-Prior' per migliorare la robustezza. Lo studio evidenzia il potenziale del calcolo quantistico nei problemi di campionamento ad alta dimensione per la finanza.