Benchmarking Classical and Quantum Models for DeFi Yield Prediction on Curve Finance
创建于 更新于
摘要
本文基于28个Curve Finance流动性池一年的数据，系统对比了六种模型（XGBoost、随机森林、LSTM、Transformer、量子神经网络QNN及量子支持向量机QSVM-QNN）的DeFi收益率预测性能。结果表明，传统集成方法（XGBoost和随机森林）在MAE和方向准确率方面显著优于深度学习及量子模型，后者表现落后，方向准确率均低于50%。该研究首次为DeFi领域提供跨范式模型基准及量子金融应用的实践指导，强调当前量子方法在实际金融时序预测中的局限性和经典方法的稳健性[page::0][page::1][page::3][page::4].
