基于量子神经网络的金融市场自适应预测与异常检测框架构建

《IEEE Access》：A Variational Quantum Neural Network Framework for Learning Asymmetric Patterns and Anomaly Detection in High-Frequency Financial and Economic Systems

　　摘要：金融市场是复杂的非线性系统，具有高维度交互、时间依赖性以及时刻演变的非对称特征。由于市场不稳定性和动态不确定性，在高频金融数据中检测隐藏结构和异常行为仍然是一个具有挑战性的问题。本研究提出了一种基于量子神经网络（QNN）的创新框架，用于通过利用量子表示学习来实现针对复杂金融系统的自适应预测和异常检测。该架构在Qiskit环境中开发，采用基于变分量子电路（VQC）的混合经典-量子优化策略。研究设计了一种量子特征映射机制，将多维金融变量转化为量子态，从而从高维数据空间中提取潜在关系和结构模式。参数化量子电路在经典-量子学习循环中使用ADAM算法进行优化。该框架包含两个阶段：首先，使用来自土耳其共和国中央银行电子数据分发系统（EDDS）的市场微观结构、波动率相关指标和宏观经济指标对多元金融动态进行预测；其次，分析预测状态与观测状态之间的偏差以实现异常识别。针对BIST全100指数、交易量及货币指标的综合性实验表明，所提出的QNN模型与ANN、LSTM、Bi-LSTM、LSTM-GRU、CNN及基于Transformer的方法相比，表现更为优异。研究结果表明，量子增强学习为建模复杂非对称模式以及发现动态系统中的隐藏结构提供了一种有效的计算框架。