Quantum Machine Learning methods for Fourier-based distribution estimation with application in option pricing
创建于 更新于
摘要
本论文提出两种基于参数化量子电路（PQC）的量子机器学习（QML）混合经典-量子方法，利用傅里叶级数估计概率分布并应用于期权定价。通过对概率密度函数（PDF）和累积分布函数（CDF）的傅里叶展开，结合PQC模型训练和量子加速蒙特卡洛（QAMC）算法进行性能比较，展示了QML方法在提取傅里叶系数及期权定价中达到较高精度并具备竞争力的效果。数值试验表明，样本规模和PQC结构复杂度显著影响结果准确度，且无监督基于CDF的方法在实务采样场景中表现尤为优异[page::0][page::4][page::10][page::20][page::23]
