Quanten-TCNN übertrifft klassische Modelle bei Aktienrenditen

Quanten‑Machine‑Learning eröffnet neue Wege, um Börsenkurse präziser vorherzusagen – besonders in komplexen, verrauschten und dynamischen Finanzumgebungen. Klassische Prognosemodelle stoßen hier oft an ihre Grenzen, weil sie mit Rauschen, regime‑wechselnden Marktbedingungen und begrenzter Generalisierungsfähigkeit kämpfen.

Um diese Herausforderungen zu meistern, wurde das Quantenzeitliche Faltungsneuronale Netzwerk (QTCNN) entwickelt. Das Modell kombiniert einen klassischen zeitlichen Encoder, der aus technischen Indikatoren multi‑skalige Muster extrahiert, mit quantenbasierten Faltungszirkulaten, die Superposition und Verschränkung nutzen, um die Merkmalrepräsentation zu verbessern und Überanpassung zu reduzieren.

In einer umfassenden Benchmark‑Studie auf dem Datensatz der JPX Tokyo Stock Exchange wurde die Vorhersagekraft von QTCNN anhand von Long‑Short‑Portfolios bewertet. Das Modell erzielte ein Out‑of‑Sample‑Sharpe‑Verhältnis von 0,538 – ein Anstieg von rund 72 % gegenüber dem besten klassischen Baseline‑Modell.

Diese Ergebnisse unterstreichen das praktische Potenzial von QTCNN für robuste Entscheidungsfindung in der quantitativen Finanzwelt und zeigen, dass Quanten‑Technologien bereits heute signifikante Mehrwerte in der Aktienrenditen‑Vorhersage liefern können.