Гибридный квантово-классический ИИ предсказывает обвалы сырьевых рынков

Исследователи разработали гибридный квантово-классический алгоритм машинного обучения, который предсказывает обвалы цен на сырьевых рынках с точностью до 87%. Метод сочетает квантовые вычисления с классическими нейросетями и может стать новым инструментом для трейдеров и аналитиков.

Ученые предложили новый подход к прогнозированию кризисов на сырьевых рынках: гибридная система, объединяющая квантовые вычисления и классическое машинное обучение, предсказывает обвалы цен с точностью до 87%. Исследование опубликовано в журнале Nature Scientific Reports и описывает алгоритм, который анализирует рыночные данные и выявляет ранние сигналы надвигающегося падения цен на нефть, золото и другие commodities.

Гибридный алгоритм: как он работает

Разработанная модель использует квантовую нейронную сеть, которая обрабатывает данные о ценах и объемах торгов, а затем передает результаты классическому алгоритму градиентного бустинга для финальной классификации. Такой гибридный подход позволяет учесть сложные нелинейные зависимости, которые упускают традиционные модели. В тестах на исторических данных за 20 лет система правильно определила 87% случаев обвалов, а также дала лишь 12% ложных срабатываний — то есть реже ошибалась, чем стандартные методы.

Ключевая особенность — использование квантового ядра для преобразования признаков. Это позволяет представить данные в многомерном пространстве, где закономерности становятся более очевидными. Авторы подчеркивают, что их модель не требует квантового компьютера: симуляция квантовых операций выполнялась на обычном оборудовании, что делает метод доступным для широкого применения.

Предыстория: почему это важно

Сырьевые рынки крайне волатильны: обвалы цен на нефть, металлы или сельхозпродукцию могут вызвать цепную реакцию в мировой экономике. Традиционные модели прогнозирования, основанные на линейной регрессии или нейросетях, часто не справляются с резкими изменениями, вызванными геополитическими событиями или спекуляциями. Квантовые вычисления давно рассматриваются как перспективный инструмент для финансов, но до сих пор их применение ограничивалось лабораторными экспериментами.

В последние годы появилось несколько работ, использующих квантовые алгоритмы для анализа рынков, но большинство из них фокусировалось на фондовых индексах или криптовалютах. Данное исследование впервые системно применяет гибридный подход к сырьевым товарам, которые имеют свою специфику: сезонность, зависимость от погоды и политических решений. Авторы учли эти факторы, включив в модель данные о запасах, объемах добычи и макроэкономических индикаторах.

Чем эта модель отличается от предыдущих?

Главное отличие — в архитектуре. Вместо того чтобы использовать квантовые вычисления для всей обработки, как это делали раньше, авторы выделили только этап извлечения признаков. Это снижает вычислительную сложность и делает модель более устойчивой к шуму, который неизбежен в реальных квантовых устройствах. Кроме того, классический бустинг позволяет интерпретировать результаты, что важно для трейдеров, которым нужно понимать, почему модель дает тот или иной сигнал.

Технические детали: что внутри

Модель включает несколько слоев: сначала данные нормализуются и очищаются от выбросов, затем квантовое ядро преобразует их в признаки высокой размерности, после чего классификатор на основе XGBoost принимает решение о вероятности обвала. Для обучения использовались данные о ценах на нефть Brent, золото и медь с 2000 по 2024 год. В качестве целевой переменной выступало событие падения цены более чем на 10% в течение месяца. Точность модели оценивалась с помощью метрики F1-score, которая учитывает и полноту, и точность прогноза.

Авторы отмечают, что их подход можно адаптировать и для других рынков, включая фондовые индексы и валютные пары. Однако для этого потребуется переобучение на соответствующих данных. Важно и то, что модель не предсказывает точную дату обвала, а лишь оценивает вероятность в ближайшие 30 дней, что дает трейдерам время для корректировки позиций.

Кого затронет эта технология

В первую очередь это инструмент для хедж-фондов и инвестиционных банков, которые ищут способы снизить риски. Благодаря высокой точности и низкому уровню ложных сигналов, модель может использоваться для автоматических торговых стратегий. Для розничных инвесторов и аналитиков это тоже полезно: открытый код и относительно простые требования к вычислительным ресурсам позволяют воспроизвести эксперимент на обычном компьютере.

В России и странах СНГ, где сырьевые рынки играют ключевую роль в экономике, такие инструменты могут быть особенно востребованы. Однако внедрение потребует адаптации к локальным данным и учета специфики торговли на Московской бирже или Санкт-Петербургской международной товарно-сырьевой бирже. Пока исследование носит академический характер, но уже вызывает интерес у финансовых компаний.

Что будет дальше

Авторы планируют расширить тестирование на другие рынки и добавить в модель данные из социальных сетей и новостных потоков для улучшения прогнозов. Также они исследуют возможность запуска модели на реальных квантовых процессорах, таких как IBM Quantum или Google Sycamore, что может ускорить вычисления и повысить точность. В ближайшие годы можно ожидать появления коммерческих продуктов на основе этого алгоритма, особенно если квантовые компьютеры станут более доступными.

Итог

Гибридный квантово-классический подход показывает, что квантовые вычисления могут быть практичным инструментом для решения реальных финансовых задач уже сегодня. Точность 87% и низкий уровень ложных срабатываний делают эту модель перспективной для прогнозирования обвалов на сырьевых рынках. Следить за развитием этой технологии стоит не только трейдерам, но и всем, кто интересуется применением искусственного интеллекта в финансах.