用量子自注意力模型优化加密货币自动做市，提升收益与稳定性。
Quantum Adaptive Self-Attention for Financial Rebalancing: An Empirical Study on Automated Market Makers in Decentralized Finance
- 将做市再平衡建模为二分类问题，设计量子-经典混合自注意力模块。
- 在比特币/稳定币交易数据上，单模型实现13.99%回报率与1.76夏普比率。
- 相比纯量子或传统模型，兼具性能、稳定性和计算成本优势，适合量化交易研究者。
我们将自动做市商（AMM）的再平衡问题建模为二分类任务，并研究一种混合量子-经典自注意力块——量子自适应自注意力（QASA）。QASA通过变分量子电路（VQC）构建量子查询/键/值，并在泡利-Z期望向量上应用标准softmax注意力，形成可直接嵌入金融时序决策的注意力模块。基于2024年1月至2025年1月的每日比特币/稳定币（BTCUSDC）数据，采用70/15/15时间序列划分，对比了QASA与经典集成模型、Transformer及纯量子基线在回报率、夏普比率和最大回撤指标下的表现。其中，QASA-Sequence变体达到最优单模型风险调整后表现（13.99%回报率；夏普比1.76），而混合模型平均回报率为11.2%（经典模型为9.8%，纯量子为4.4%），显示出有利的性能-稳定性-成本权衡。
原文摘要 · Abstract (English)
We formulate automated market maker (AMM) \emph{rebalancing} as a binary detection problem and study a hybrid quantum--classical self-attention block, \textbf{Quantum Adaptive Self-Attention (QASA)}. QASA constructs quantum queries/keys/values via variational quantum circuits (VQCs) and applies standard softmax attention over Pauli-$Z$ expectation vectors, yielding a drop-in attention module for financial time-series decision making. Using daily data for \textbf{BTCUSDC} over \textbf{Jan-2024--Jan-2025} with a 70/15/15 time-series split, we compare QASA against classical ensembles, a transformer, and pure quantum baselines under Return, Sharpe, and Max Drawdown. The \textbf{QASA-Sequence} variant attains the \emph{best single-model risk-adjusted performance} (\textbf{13.99\%} return; \textbf{Sharpe 1.76}), while hybrid models average \textbf{11.2\%} return (vs.\ 9.8\% classical; 4.4\% pure quantum), indicating a favorable performance--stability--cost trade-off.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。