Quantum Deep Hedging

Genudgivet af Platon

Abonnenter: 0

Quantum Deep Hedging PlatoBlockchain Data Intelligence. Vertical Search. Ai.

El Amine Cherrat^1,2, Snehal Raj¹, Iordanis Kerenidis^1,2, Abhishek Shekhar³, Ben Wood³, Jon Dee³, Shouvanik Chakrabarti⁴, Richard Chen⁴, Dylan Herman⁴, Shaohan Hu⁴, Pierre Minssen⁴, Ruslan Shaydulin⁴, Yue Sun⁴, Romina Yalovetzky⁴og Marco Pistoia⁴

¹QC Ware
²Université de Paris, CNRS, IRIF
³Kvantitativ forskning, JPMorgan Chase
⁴Global Technology Applied Research, JPMorgan Chase

Finder du denne artikel interessant eller vil du diskutere? Scite eller efterlade en kommentar på SciRate.

Abstrakt

Kvantemaskinelæring har potentiale for en transformativ indvirkning på tværs af industrisektorer og især inden for finans. I vores arbejde ser vi på problemet med afdækning, hvor deep reinforcement learning tilbyder en kraftfuld ramme for virkelige markeder. Vi udvikler kvanteforstærkende læringsmetoder baseret på policy-søgning og distributionsaktørkritiske algoritmer, der bruger kvanteneurale netværksarkitekturer med ortogonale og sammensatte lag til politik- og værdifunktionerne. Vi beviser, at de kvanteneurale netværk, vi bruger, kan trænes, og vi udfører omfattende simuleringer, der viser, at kvantemodeller kan reducere antallet af oplærbare parametre, samtidig med at de opnår sammenlignelig ydeevne, og at fordelingstilgangen opnår bedre ydeevne end andre standardtilgange, både klassiske og kvantetilgange . Vi har succesfuldt implementeret de foreslåede modeller på en fanget-ion kvanteprocessor, ved at bruge kredsløb med op til $16$ qubits, og observere ydeevne, der stemmer godt overens med støjfri simulering. Vores kvanteteknikker er generelle og kan anvendes til andre forstærkningsindlæringsproblemer ud over afdækning.

► BibTeX-data

@article{Cherrat2023quantumdeephedging, doi = {10.22331/q-2023-11-29-1191}, url = {https://doi.org/10.22331/q-2023-11-29-1191}, title = {Quantum D}eep {H}edging}, forfatter = {Cherrat, El Amine og Raj, Snehal og Kerenidis, Iordanis og Shekhar, Abhishek og Wood, Ben og Dee, Jon og Chakrabarti, Shouvanik og Chen, Richard og Herman, Dylan og Hu , Shaohan og Minssen, Pierre og Shaydulin, Ruslan og Sun, Yue og Yalovetzky, Romina og Pistoia, Marco}, tidsskrift = {{Quantum}}, issn = {2521-327X}, udgiver = {{Verein zur F{“{ o}}rderung des Open Access Publizierens in den Quantenwissenschaften}}, bind = {7}, sider = {1191}, måned = nov, år = {2023} }

► Referencer

[1] Hans Buehler, Lukas Gonon, Joseph Teichmann og Ben Wood. "Dyb afdækning". Quantitative Finance 19, 1271–1291 (2019). url: https:///doi.org/10.1080/14697688.2019.1571683.
https:///doi.org/10.1080/14697688.2019.1571683

[2] Hans Buehler, Lukas Gonon, Josef Teichmann, Ben Wood, Baranidharan Mohan og Jonathan Kochems. "Dyb afdækning: Afdækning af derivater under generiske markedsfriktioner ved hjælp af forstærkningslæring". SSRN Electronic Journal (2019). url: http:///dx.doi.org/10.2139/ssrn.3355706.
https:///doi.org/10.2139/ssrn.3355706

[3] Shihao Gu, Bryan T. Kelly og Dacheng Xiu. "Empirisk prisfastsættelse af aktiver via maskinlæring". SSRN Electronic Journal (2018). url: http:///dx.doi.org/10.2139/ssrn.3159577.
https:///doi.org/10.2139/ssrn.3159577

[4] Hyeong Kyu Choi. "Forudsigelse af aktiekurskorrelationskoefficient med ARIMA-LSTM hybridmodel" (2018). url: https:///doi.org/10.48550/arXiv.1808.01560.
https:///doi.org/10.48550/arXiv.1808.01560

[5] Yada Zhu, Giovanni Mariani og Jianbo Li. "Pagan: Porteføljeanalyse med generative kontradiktoriske netværk". SSRN Electronic Journal (2020). url: https:///dx.doi.org/10.2139/ssrn.3755355.
https:///doi.org/10.2139/ssrn.3755355

[6] Kang Zhang, Guoqiang Zhong, Junyu Dong, Shengke Wang og Yong Wang. "Børsmarkedsforudsigelse baseret på generativt modstridende netværk". Procedia Computer Science 147, 400-406 (2019). url: https:///doi.org/10.1016/j.procs.2019.01.256.
https:///doi.org/10.1016/j.procs.2019.01.256

[7] Álvaro Cartea, Sebastian Jaimungal og Leandro Sánchez-Betancourt. "Dyb forstærkningslæring til algoritmisk handel". SSRN Electronic Journal (2021). url: https:///dx.doi.org/10.2139/ssrn.3812473.
https:///doi.org/10.2139/ssrn.3812473

[8] Yue Deng, Feng Bao, Youyong Kong, Zhiquan Ren og Qionghai Dai. "Dyb direkte forstærkningslæring til finansiel signalrepræsentation og handel". IEEE Transactions on Neurale Networks and Learning Systems 28, 653–664 (2017). url: https:///doi.org/10.1109/TNNLS.2016.2522401.
https://doi.org/10.1109/TNNLS.2016.2522401

[9] Yunchao Liu, Srinivasan Arunachalam og Kristan Temme. "En stringent og robust kvantehastighed i overvåget maskinlæring". Naturfysik 2021 17:9 17, 1013–1017 (2021). url: https:///doi.org/10.1038/s41567-021-01287-z.
https:///doi.org/10.1038/s41567-021-01287-z

[10] Shantanav Chakraborty, András Gilyén og Stacey Jeffery. "Kraften ved blokkodede matrixkræfter: Forbedrede regressionsteknikker via hurtigere Hamilton-simulering". I Christel Baier, Ioannis Chatzigiannakis, Paola Flocchini og Stefano Leonardi, redaktører, 46th International Colloquium on Automata, Languages and Programming (ICALP 2019). Bind 132 af Leibniz International Proceedings in Informatics (LIPIcs), side 33:1–33:14. Dagstuhl, Tyskland (2019). Schloss Dagstuhl–Leibniz-Zentrum fuer Informatik. url: https:///doi.org/10.4230/LIPIcs.ICALP.2019.33.
https:///doi.org/10.4230/LIPIcs.ICALP.2019.33

[11] András Gilyén, Srinivasan Arunachalam og Nathan Wiebe. "Optimering af kvanteoptimeringsalgoritmer via hurtigere kvantegradientberegning". I forbindelse med det årlige ACM-SIAM-symposium 2019 om diskrete algoritmer (SODA). Side 1425–1444. (2019). url: https:///doi.org/10.1137/1.9781611975482.87.
https:///doi.org/10.1137/1.9781611975482.87

[12] Marco Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C. Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R. McClean, Kosuke Mitarai, Xiao Yuan, Lukasz Cincio og Patrick J. Coles. "Variationelle kvantealgoritmer". Nature Reviews Physics 3, 625-644 (2021). url: https:///doi.org/10.1038/s42254-021-00348-9.
https://doi.org/10.1038/s42254-021-00348-9

[13] Iordanis Kerenidis, Anupam Prakash og Dániel Szilágyi. "Kvantealgoritmer til porteføljeoptimering". I Proceedings of the 1st ACM Conference on Advances in Financial Technologies. Side 147–155. Zürich, Schweiz (2019). ACM. url: https://doi.org/10.1145/3318041.3355465.
https:///doi.org/10.1145/3318041.3355465

[14] Lucas Leclerc, Luis Ortiz-Guitierrez, Sebastian Grijalva, Boris Albrecht, Julia RK Cline, Vincent Elfving, Adrien Signoles, Loic Henriet, Gianni Del Bimbo, Usman Ayub Sheikh, Maitree Shah, Luc Andrea, Faysal Ishtiaq, Andoni Duarte, Samuel Mugel, Irene Caceres, Michel Kurek, Román Orús, Achraf Seddik, Oumaima Hammammi, Hacene Isselnane og Didier M'tamon. "Finansiel risikostyring på en neutral atomkvanteprocessor" (2022). url: https:///doi.org/10.48550/arXiv.2212.03223.
https:///doi.org/10.48550/arXiv.2212.03223

[15] Dimitrios Emmanoulopoulos og Sofija Dimoska. "Quantum Machine Learning in Finance: Time Series Forecasting" (2022). url: https:///doi.org/10.48550/arXiv.2202.00599.
https:///doi.org/10.48550/arXiv.2202.00599

[16] Patrick Rebentrost, Brajesh Gupt og Thomas R. Bromley. "Kvanteberegningsfinansiering: Monte Carlo-prissætning af finansielle derivater". Fysisk anmeldelse A 98, 022321 (2018). url: https:///doi.org/10.1103/PhysRevA.98.022321.
https:///doi.org/10.1103/PhysRevA.98.022321

[17] João F. Doriguello, Alessandro Luongo, Jinge Bao, Patrick Rebentrost og Miklos Santha. "Kvantealgoritme for stokastiske optimale stopproblemer med applikationer i finans". I François Le Gall og Tomoyuki Morimae, redaktører, 17. konference om teorien om kvanteberegning, kommunikation og kryptografi (TQC 2022). Bind 232 af Leibniz International Proceedings in Informatics (LIPIcs), side 2:1–2:24. Dagstuhl, Tyskland (2022). Schloss Dagstuhl – Leibniz-Zentrum für Informatik. url: https:///doi.org/10.4230/LIPIcs.TQC.2022.2.
https:///doi.org/10.4230/LIPIcs.TQC.2022.2

[18] Pradeep Niroula, Ruslan Shaydulin, Romina Yalovetzky, Pierre Minssen, Dylan Herman, Shaohan Hu og Marco Pistoia. "Begrænset kvanteoptimering til ekstraktiv opsummering på en fanget-ion kvantecomputer". Scientific Reports 12 (2022). url: https:///doi.org/10.1038/s41598-022-20853-w.
https:///doi.org/10.1038/s41598-022-20853-w

[19] Alexandre Ménard, Ivan Ostojic, Mark Patel og Daniel Volz. "En spilplan for kvanteberegning". McKinsey Quarterly (2020). url: https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/a-game-plan-for-quantum-computing.
https:///www.mckinsey.com/capabilities/mckinsey-digital/our-insights/a-game-plan-for-quantum-computing

[20] Dylan Herman, Cody Googin, Xiaoyuan Liu, Alexey Galda, Ilya Safro, Yue Sun, Marco Pistoia og Yuri Alexeev. "En undersøgelse af kvanteberegning til finansiering" (2022). url: https:///doi.org/10.48550/arXiv.2201.02773.
https:///doi.org/10.48550/arXiv.2201.02773

[21] Jarrod R. McClean, Sergio Boixo, Vadim N. Smelyanskiy, Ryan Babbush og Hartmut Neven. "Ufrugtbare plateauer i quantum neurale netværk træningslandskaber". Nature Communications 9, 4812 (2018). url: https:///doi.org/10.1038/s41467-018-07090-4.
https://doi.org/10.1038/s41467-018-07090-4

[22] Iordanis Kerenidis, Jonas Landman og Natansh Mathur. "Klassiske og kvantealgoritmer til ortogonale neurale netværk" (2022). url: https:///doi.org/10.48550/arXiv.2106.07198.
https:///doi.org/10.48550/arXiv.2106.07198

[23] Zebin Yang, Aijun Zhang og Agus Sudjianto. "Forbedring af forklaringen af neurale netværk gennem arkitekturbegrænsninger". IEEE-transaktioner på neurale netværk og læringssystemer 32, 2610–2621 (2021). url: https:///doi.org/10.1109/TNNLS.2020.3007259.
https://doi.org/10.1109/TNNLS.2020.3007259

[24] Shuai Li, Kui Jia, Yuxin Wen, Tongliang Liu og Dacheng Tao. "Ortogonale dybe neurale netværk". IEEE Transactions on Pattern Analysis and Machine Intelligence 43, 1352–1368 (2021). url: https:///doi.org/10.1109/TPAMI.2019.2948352.
https:///doi.org/10.1109/TPAMI.2019.2948352

[25] Alhussein Fawzi, Matej Balog, Aja Huang, Thomas Hubert, Bernardino Romera-Paredes, Mohammadamin Barekatain, Alexander Novikov, Francisco JR Ruiz, Julian Schrittwieser, Grzegorz Swirszcz, David Silver, Demis Hassabis og Pushmeet Kohli. "Opdagelse af hurtigere matrixmultiplikationsalgoritmer med forstærkningslæring". Nature 610, 47-53 (2022). url: https://doi.org/10.1038/s41586-022-05172-4.
https://doi.org/10.1038/s41586-022-05172-4

[26] Clare Lyle, Marc G. Bellemare og Pablo Samuel Castro. "En sammenlignende analyse af forventet og distribueret forstærkningslæring". Proceedings of the AAAI Conference on Artificial Intelligence 33, 4504–4511 (2019). url: https:///doi.org/10.1609/aaai.v33i01.33014504.
https:///doi.org/10.1609/aaai.v33i01.33014504

[27] "Quantinuum H1-1, H1-2". https:///www.quantinuum.com/ (2022). Tilgået: 15.-22. november 2022; 7.-12. december 2022.
https://www.quantinuum.com/

[28] Daniel J. Brod. "Effektiv klassisk simulering af matchgate-kredsløb med generaliserede input og målinger". Fysisk gennemgang A 93 (2016). url: https:///doi.org/10.1103/physreva.93.062332.
https:///doi.org/10.1103/physreva.93.062332

[29] Matthew L. Goh, Martin Larocca, Lukasz Cincio, M. Cerezo og Frédéric Sauvage. "Lie-algebraiske klassiske simuleringer til variationel kvanteberegning" (2023). url: https:///doi.org/10.48550/arXiv.2308.01432.
https:///doi.org/10.48550/arXiv.2308.01432

[30] Michał Oszmaniec, Ninnat Dangniam, Mauro ES Morales og Zoltán Zimborás. "Fermion-sampling: En robust kvanteberegningsfordelsplan ved hjælp af fermion lineær optik og magiske inputtilstande". PRX Quantum 3 (2022). url: https:///doi.org/10.1103/PRXQuantum.3.020328.
https:///doi.org/10.1103/PRXQuantum.3.020328

[31] Michael A. Nielsen og Isaac L. Chuang. "Kvanteberegning og kvanteinformation: 10th Anniversary Edition". Cambridge University Press. (2012). 1 udgave. url: https:///doi.org/10.1017/CBO9780511976667.
https:///doi.org/10.1017/CBO9780511976667

[32] RS Sutton og AG Barto. "Forstærkende læring: en introduktion". IEEE Transactions on Neural Networks 9, 1054-1054 (1998). url: https:///doi.org/10.1109/TNN.1998.712192.
https:///doi.org/10.1109/TNN.1998.712192

[33] Kai Arulkumaran, Marc Peter Deisenroth, Miles Brundage og Anil Anthony Bharath. "Deep Reinforcement Learning: A Brief Survey". IEEE Signal Processing Magazine 34, 26-38 (2017). url: https:///doi.org/10.1109/MSP.2017.2743240.
https:///doi.org/10.1109/MSP.2017.2743240

[34] Magnus Wiese, Lianjun Bai, Ben Wood og Hans Buehler. "Deep hedging: Lær at simulere aktieoptionsmarkeder". SSRN Electronic Journal (2019). url: https:///dx.doi.org/10.2139/ssrn.3470756.
https:///doi.org/10.2139/ssrn.3470756

[35] Hans Buehler, Phillip Murray, Mikko S. Pakkanen og Ben Wood. "Deep hedging: Learning to Remove the Drift under Trading Frictions with Minimal Equivalent Near-Martingale Measures" (2022). url: https:///doi.org/10.48550/arXiv.2111.07844.
https:///doi.org/10.48550/arXiv.2111.07844

[36] Magnus Wiese, Ben Wood, Alexandre Pachoud, Ralf Korn, Hans Buehler, Murray Phillip og Lianjun Bai. "Multi-asset spot og option markedssimulering". SSRN Electronic Journal (2021). url: https:///dx.doi.org/10.2139/ssrn.3980817.
https:///doi.org/10.2139/ssrn.3980817

[37] Phillip Murray, Ben Wood, Hans Buehler, Magnus Wiese og Mikko Pakkanen. "Deep hedging: Kontinuerlig forstærkende læring til afdækning af generelle porteføljer på tværs af flere risikoaversioner". I Proceedings of the Third ACM International Conference on AI in Finance. Side 361–368. ICAIF '22New York, NY, USA (2022). Foreningen for Datamaskiner. url: https:///doi.org/10.1145/3533271.3561731.
https:///doi.org/10.1145/3533271.3561731

[38] Kosuke Mitarai, Makoto Negoro, Masahiro Kitagawa og Keisuke Fujii. "Kvantekredsløbslæring". Fysisk anmeldelse A 98, 032309 (2018). url: https:///doi.org/10.1103/PhysRevA.98.032309.
https:///doi.org/10.1103/PhysRevA.98.032309

[39] Dylan Herman, Rudy Raymond, Muyuan Li, Nicolas Robles, Antonio Mezzacapo og Marco Pistoia. "Expressivity of Variational Quantum Machine Learning on the Boolean Cube" (2022). url: https:///doi.org/10.1109/TQE.2023.3255206.
https:///doi.org/10.1109/TQE.2023.3255206

[40] Edward Farhi og Hartmut Neven. "Klassificering med kvanteneurale netværk på nærtidsprocessorer". Teknisk rapport. Web of Open Science (2020). url: https:///doi.org/10.48550/arXiv.1802.06002.
https:///doi.org/10.48550/arXiv.1802.06002

[41] Adrián Pérez-Salinas, Alba Cervera-Lierta, Elies Gil-Fuster og José I. Latorre. "Data re-upload til en universel kvanteklassifikator". Quantum 4, 226 (2020). url: https:///doi.org/10.22331/q-2020-02-06-226.
https://doi.org/10.22331/q-2020-02-06-226

[42] Jonas Landman, Natansh Mathur, Yun Yvonna Li, Martin Strahm, Skander Kazdaghli, Anupam Prakash og Iordanis Kerenidis. "Kvantemetoder til neurale netværk og anvendelse til medicinsk billedklassificering". Quantum 6, 881 (2022). url: https:///doi.org/10.22331/q-2022-12-22-881.
https://doi.org/10.22331/q-2022-12-22-881

[43] Marcello Benedetti, Delfina Garcia-Pintos, Oscar Perdomo, Vicente Leyton-Ortega, Yunseong Nam og Alejandro Perdomo-Ortiz. "En generativ modelleringstilgang til benchmarking og træning af lavvandede kvantekredsløb". npj Quantum Information 5, 45 (2019). url: https:///doi.org/10.1038/s41534-019-0157-8.
https://doi.org/10.1038/s41534-019-0157-8

[44] Marcello Benedetti, Brian Coyle, Mattia Fiorentini, Michael Lubasch og Matthias Rosenkranz. "Variationel inferens med en kvantecomputer". Fysisk gennemgang anvendt 16, 044057 (2021). url: https:///doi.org/10.1103/PhysRevApplied.16.044057.
https:///doi.org/10.1103/PhysRevApplied.16.044057

[45] Nico Meyer, Christian Ufrecht, Maniraman Periyasamy, Daniel D. Scherer, Axel Plinge og Christopher Mutschler. "A Survey on Quantum Reinforcement Learning" (2022). url: https:///doi.org/10.48550/arXiv.2211.03464.
https:///doi.org/10.48550/arXiv.2211.03464

[46] Vojtěch Havlíček, Antonio D. Córcoles, Kristan Temme, Aram W. Harrow, Abhinav Kandala, Jerry M. Chow og Jay M. Gambetta. "Superviseret læring med kvanteforstærkede funktionsrum". Nature 567, 209-212 (2019). url: https:///doi.org/10.1038/s41586-019-0980-2.
https://doi.org/10.1038/s41586-019-0980-2

[47] Maria Schuld, Ryan Sweke og Johannes Jakob Meyer. "Effekt af datakodning på den ekspressive kraft af variationsrige kvante-maskine-læringsmodeller". Physical Review A 103, 032430 (2021). url: https:///doi.org/10.1103/PhysRevA.103.032430.
https:///doi.org/10.1103/PhysRevA.103.032430

[48] Francisco Javier Gil Vidal og Dirk Oliver Theis. "Input redundans for parametriserede kvantekredsløb". Frontiers in Physics 8, 297 (2020). url: https:///doi.org/10.3389/fphy.2020.00297.
https:///doi.org/10.3389/fphy.2020.00297

[49] El Amine Cherrat, Iordanis Kerenidis, Natansh Mathur, Jonas Landman, Martin Strahm og Yun Yvonna Li. "Quantum Vision Transformers" (2022). url: https:///doi.org/10.48550/arXiv.2209.08167.
https:///doi.org/10.48550/arXiv.2209.08167

[50] Maria Schuld, Ville Bergholm, Christian Gogolin, Josh Izaac og Nathan Killoran. "Evaluering af analytiske gradienter på kvantehardware". Fysisk anmeldelse A 99, 032331 (2019). url: https:///doi.org/10.1103/PhysRevA.99.032331.
https:///doi.org/10.1103/PhysRevA.99.032331

[51] Iordanis Kerenidis. "En metode til at indlæse klassiske data i kvantetilstande til applikationer inden for maskinlæring og optimering". US patentansøgning (2020). url: https:///patents.google.com/patent/US20210319350A1.
https:///patents.google.com/patent/US20210319350A1

[52] Sonika Johri, Shantanu Debnath, Avinash Mocherla, Alexandros Singk, Anupam Prakash, Jungsang Kim og Iordanis Kerenidis. "Nærmeste tyngdepunktsklassifikation på en fanget ion kvantecomputer". npj Quantum Information 7, 122 (2021). url: https://doi.org/10.1038/s41534-021-00456-5.
https://doi.org/10.1038/s41534-021-00456-5

[53] Iordanis Kerenidis og Anupam Prakash. "Kvantemaskinelæring med underrumstilstande" (2022). url: https:///doi.org/10.48550/arXiv.2202.00054.
https:///doi.org/10.48550/arXiv.2202.00054

[54] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Lukasz Kaiser og Illia Polosukhin. "Opmærksomhed er alt hvad du behøver". I I. Guyon, U. Von Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan og R. Garnett, redaktører, Advances in Neural Information Processing Systems. Bind 30. Curran Associates, Inc. (2017). url: https:///doi.org/10.48550/arXiv.1706.03762.
https:///doi.org/10.48550/arXiv.1706.03762

[55] Martin Larocca, Frédéric Sauvage, Faris M. Sbahi, Guillaume Verdon, Patrick J. Coles og M. Cerezo. "Gruppe-invariant kvantemaskinelæring". PRX Quantum 3, 030341 (2022). url: https:///doi.org/10.1103/PRXQuantum.3.030341.
https:///doi.org/10.1103/PRXQuantum.3.030341

[56] Jiayao Zhang, Guangxu Zhu, Robert W. Heath Jr. og Kaibin Huang. "Grassmannian Learning: Embedding Geometry Awareness in Shallow and Deep Learning" (2018). url: https://doi.org/10.48550/arXiv.1808.02229.
https:///doi.org/10.48550/arXiv.1808.02229

[57] Xuchen You, Shouvanik Chakrabarti og Xiaodi Wu. "En konvergensteori for overparameteriserede variationskvante-egenopløsere" (2022). url: https:///doi.org/10.48550/arXiv.2205.12481.
https:///doi.org/10.48550/arXiv.2205.12481

[58] Martin Larocca, Nathan Ju, Diego García-Martin, Patrick J. Coles og M. Cerezo. "Teori om overparametrisering i kvanteneurale netværk" (2021). url: https:///doi.org/10.1038/s43588-023-00467-6.
https://doi.org/10.1038/s43588-023-00467-6

[59] Martin Larocca, Piotr Czarnik, Kunal Sharma, Gopikrishnan Muraleedharan, Patrick J. Coles og Marco Cerezo. "Diagnosticering af golde plateauer med værktøjer fra Quantum Optimal Control". Quantum 6, 824 (2022). url: https:///doi.org/10.22331/q-2022-09-29-824.
https://doi.org/10.22331/q-2022-09-29-824

[60] Benoît Collins og Piotr Śniady. "Integration med respekt for Haar-foranstaltningen om enheds-, ortogonal og symplektisk gruppe". Communications in Mathematical Physics 264, 773–795 (2006). url: https:///doi.org/10.1007/s00220-006-1554-3.
https://doi.org/10.1007/s00220-006-1554-3

[61] Enrico Fontana, Dylan Herman, Shouvanik Chakrabarti, Niraj Kumar, Romina Yalovetzky, Jamie Heredge, Shree Hari Sureshbabu og Marco Pistoia. "The Adjoint Is All You Need: Karakterisering af golde plateauer i Quantum Ansätze" (2023). url: https:///doi.org/10.48550/arXiv.2309.07902.
https:///doi.org/10.48550/arXiv.2309.07902

[62] Michael Ragone, Bojko N. Bakalov, Frédéric Sauvage, Alexander F. Kemper, Carlos Ortiz Marrero, Martin Larocca og M. Cerezo. "En samlet teori om golde plateauer for dybe parametriserede kvantekredsløb" (2023). url: https:///doi.org/10.48550/arXiv.2309.09342.
https:///doi.org/10.48550/arXiv.2309.09342

[63] Léo Monbroussou, Jonas Landman, Alex B. Grilo, Romain Kukla og Elham Kashefi. "Trænbarhed og udtryksevne af Hamming-Weight Conserving Quantum Circuits for Machine Learning" (2023). url: https:///doi.org/10.48550/arXiv.2309.15547.
https:///doi.org/10.48550/arXiv.2309.15547

[64] Kaining Zhang, Liu Liu, Min-Hsiu Hsieh og Dacheng Tao. "At flygte fra det golde plateau via Gaussiske initialiseringer i dybe variationskvantekredsløb" (2022). url: https:///doi.org/10.48550/arXiv.2203.09376.
https:///doi.org/10.48550/arXiv.2203.09376

[65] Owen Lockwood og Mei Si. "At spille Atari med hybrid kvante-klassisk forstærkningslæring" (2021). url: https:///doi.org/10.48550/arXiv.2107.04114.
https:///doi.org/10.48550/arXiv.2107.04114

[66] Samuel Yen-Chi Chen, Chao-Han Huck Yang, Jun Qi, Pin-Yu Chen, Xiaoli Ma og Hsi-Sheng Goan. "Variational Quantum Circuits for Deep Reinforcement Learning". IEEE Access 8, 141007–141024 (2020). url: https:///doi.org/10.1109/ACCESS.2020.3010470.
https:///doi.org/10.1109/ACCESS.2020.3010470

[67] Owen Lockwood og Mei Si. "Forstærkende læring med kvantevariationskredsløb". Proceedings of the AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment 16, 245-251 (2020). url: https:///doi.org/10.1609/aiide.v16i1.7437.
https:///doi.org/10.1609/aiide.v16i1.7437

[68] Yunseok Kwak, Won Joon Yun, Soyi Jung, Jong-Kook Kim og Joongheon Kim. "Introduktion til Quantum Reinforcement Learning: Teori og PennyLane-baseret implementering". I 2021 International Conference on Information and Communication Technology Convergence (ICTC). Side 416–420. Jeju Island, Korea, Republikken (2021). IEEE. url: https:///doi.org/10.1109/ICTC52510.2021.9620885.
https:///doi.org/10.1109/ICTC52510.2021.9620885

[69] Sofiene Jerbi, Casper Gyurik, Simon Marshall, Hans Briegel og Vedran Dunjko. "Parametriserede kvantepolitikker for forstærkende læring". I M. Ranzato, A. Beygelzimer, Y. Dauphin, PS Liang og J. Wortman Vaughan, redaktører, Advances in Neural Information Processing Systems. Bind 34, side 28362–28375. Curran Associates, Inc. (2021). url: https:///doi.org/10.48550/arXiv.2103.05577.
https:///doi.org/10.48550/arXiv.2103.05577

[70] Jen-Yueh Hsiao, Yuxuan Du, Wei-Yin Chiang, Min-Hsiu Hsieh og Hsi-Sheng Goan. "Usammenfiltrede kvanteforstærkende læringsmidler i OpenAI Gym" (2022). url: https:///doi.org/10.48550/arXiv.2203.14348.
https:///doi.org/10.48550/arXiv.2203.14348

[71] El Amine Cherrat, Iordanis Kerenidis og Anupam Prakash. "Kvanteforstærkende læring via politikiteration". Quantum Machine Intelligence 5, 30 (2023). url: https://doi.org/10.1007/s42484-023-00116-1.
https://doi.org/10.1007/s42484-023-00116-1

[72] Daochen Wang, Aarthi Sundaram, Robin Kothari, Ashish Kapoor og Martin Roetteler. "Kvantealgoritmer til forstærkende læring med en generativ model". I international konference om maskinlæring. Side 10916–10926. PMLR (2021). url: https:///doi.org/10.48550/arXiv.2112.08451.
https:///doi.org/10.48550/arXiv.2112.08451

[73] Sofiene Jerbi, Arjan Cornelissen, Māris Ozols og Vedran Dunjko. "Quantepolitik gradient algoritmer" (2022). url: https:///doi.org/10.48550/arXiv.2212.09328.
https:///doi.org/10.48550/arXiv.2212.09328

[74] Arjan Cornelissen. "Kvantegradientestimering og dens anvendelse på kvanteforstærkningslæring". Speciale (2018). url: http:///resolver.tudelft.nl/uuid:26fe945f-f02e-4ef7-bdcb-0a2369eb867e.
http://resolver.tudelft.nl/uuid:26fe945f-f02e-4ef7-bdcb-0a2369eb867e

[75] Hansheng Jiang, Zuo-Jun Max Shen og Junyu Liu. "Quantum Computing Methods for Supply Chain Management". I 2022 IEEE/ACM 7th Symposium on Edge Computing (SEC). Side 400-405. Seattle, WA, USA (2022). IEEE. url: https://doi.org/10.1109/SEC54971.2022.00059.
https:///doi.org/10.1109/SEC54971.2022.00059

[76] Marc G. Bellemare, Will Dabney og Rémi Munos. "Et fordelingsperspektiv på forstærkende læring". I Proceedings of the 34th International Conference on Machine Learning – bind 70. Side 449–458. ICML'17Sydney, NSW, Australien (2017). JMLR.org. url: https:///doi.org/10.48550/arXiv.1707.06887.
https:///doi.org/10.48550/arXiv.1707.06887

[77] Will Dabney, Mark Rowland, Marc Bellemare og Rémi Munos. "Distributionsforstærkende læring med kvantilregression". Proceedings of the AAAI Conference on Artificial Intelligence 32 (2018). url: https://doi.org/10.1609/aaai.v32i1.11791.
https:///doi.org/10.1609/aaai.v32i1.11791

[78] Matthias C. Caro og Ishaun Datta. "Pseudo-dimension af kvantekredsløb". Quantum Machine Intelligence 2 (2020). url: https://doi.org/10.1007/s42484-020-00027-5.
https://doi.org/10.1007/s42484-020-00027-5

[79] Hans Buehler, Murray Phillip og Ben Wood. "Deep Bellman Hedging". SSRN Electronic Journal (2022). url: https:///dx.doi.org/10.2139/ssrn.4151026.
https:///doi.org/10.2139/ssrn.4151026

[80] Thanh Nguyen-Tang, Sunil Gupta og Svetha Venkatesh. "Distributional Reinforcement Learning via Moment Matching". Proceedings of the AAAI Conference on Artificial Intelligence 35, 9144–9152 (2021). url: https:///doi.org/10.1609/aaai.v35i10.17104.
https:///doi.org/10.1609/aaai.v35i10.17104

Citeret af

[1] Enrico Fontana, Dylan Herman, Shouvanik Chakrabarti, Niraj Kumar, Romina Yalovetzky, Jamie Heredge, Shree Hari Sureshbabu og Marco Pistoia, "The Adjoint Is All You Need: Characterizing Barren Plateaus in Quantum Ansätze", arXiv: 2309.07902, (2023).

[2] Dylan Herman, Cody Googin, Xiaoyuan Liu, Yue Sun, Alexey Galda, Ilya Safro, Marco Pistoia og Yuri Alexeev, "Quantum computing for finance", Nature Reviews Physics 5 8, 450 (2023).

[3] Alexandr Sedykh, Maninadh Podapaka, Asel Sagingalieva, Karan Pinto, Markus Pflitsch og Alexey Melnikov, "Hybride kvantefysik-informerede neurale netværk til simulering af beregningsvæskedynamik i komplekse former", arXiv: 2304.11247, (2023).

Ovenstående citater er fra SAO/NASA ADS (sidst opdateret 2023-11-30 01:36:35). Listen kan være ufuldstændig, da ikke alle udgivere leverer passende og fuldstændige citatdata.

On Crossrefs citeret af tjeneste ingen data om at citere værker blev fundet (sidste forsøg 2023-11-30 01:36:34).

Dette papir er udgivet i Quantum under Creative Commons Attribution 4.0 International (CC BY 4.0) licens. Ophavsretten forbliver hos de originale copyright-indehavere, såsom forfatterne eller deres institutioner.

SEO Powered Content & PR Distribution. Bliv forstærket i dag.
PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
Kilde: https://quantum-journal.org/papers/q-2023-11-29-1191/

Tidsstempel: November 29, 2023

Tidsstempel: Februar 29, 2024

Quantum Deep Hedging

Genudgivet af Platon

Abstrakt

► BibTeX-data

► Referencer

Citeret af

Mere fra Quantum Journal

En kvantelogisk port for frie elektroner

Fejltolerant kvanteberegning af molekylære observerbare

Adaptivt målefilter: effektiv strategi til optimal estimering af kvante Markov-kæder

En hybrid kvantealgoritme til at detektere koniske skæringspunkter

Adaptiv kvantestatstomografi med aktiv læring

Virkningen af betinget modellering for en universel autoregressiv kvantetilstand

Næsten frustrationsfri forberedelse af grundtilstand

Test af identitet af samlinger af kvantetilstande: prøvekompleksitetsanalyse

Mod Quantum Advantage i finansiel markedsrisiko ved hjælp af Quantum Gradient Algorithms

Quantum Fejlkorrektion med Quantum Autoencoders

Ergodicitet bryde under indeslutning i Cold-Atom kvantesimulatorer

Om os

Vertikal søgning & Ai

perron

Stay Connected

Konto