Hybrid Quantum Neural Networks with Amplitude Encoding: Advancing Recovery Rate Predictions
创建于 更新于
摘要
本研报提出了一种结合振幅编码的混合量子机器学习模型，针对债券恢复率的高维、非线性、少样本预测问题，显著提升预测精度和稳定性。实证结果显示，该模型在1,725条历史数据和256特征维度的全局数据集上，较经典神经网络和角度编码量子模型分别降低了RMSE至0.228，表现稳健且训练时间更短。与XGBoost对比，该模型在留一交叉验证中略有优势，具有较强噪声鲁棒性，展示了量子机器学习在金融风险建模中的潜力。该模型兼顾了量子态的指数压缩及参数化量子电路的幺正约束，有效缓解了过拟合与计算复杂性难题，开拓了信用风险预测的新路径 [page::0][page::3][page::5][page::9][page::13][page::20][page::26][page::27][page::28][page::43]
