A részvénypiac árfolyamok előrejelzése régóta kihívást jelentő területnek tekinthető, amelyet különböző tudományágak ötvözése tesz még izgalmasabbá. A kutatásom egy kvantum-ihlette mély gépi tanulási modellt mutat be, amely során a hagyományos gépi tanulási módszereket kvantumáramkörökkel integrálom az előrejelzési pontosság növelése érdekében.

A kutatás célja a különböző adatforrásokból eredő historikus kereskedési adatok, szentiment analízisen alapuló hírek, valamint piaci mutatók együttes feldolgozása egy hibrid modellben. Az új modell architektúrája magában foglal egy transzformer neurális hálózatot, amelyet kvantum-ihlette rétegek egészítenek ki, lehetővé téve az összetett mintázatok hatékony felismerését.

A megvalósítás a Python nyelvet és a TensorFlow keretrendszert használja a mélytanulási modellhez, míg az IBM Qiskit biztosítja a kvantumáramkörök implementációját. A modell CRSP US és Yahoo! Finance adatbázisokból származó historikus adatokon, valamint szentiment analízisen átesett híreken tanul, amelyek automatikusan gyűjtése a NewsAPI segítségével történik. Az eredmények azt mutatják, hogy a kvantum-ihlette megközelítéssel kiegészített transzformer modell növeli az előrejelzések pontosságát a hagyományos mély gépi tanulási meglévő modellhez képest. A modell egyedisége lehetővé teszi, hogy már kisebb adathalmazt felhasználva is akár egy százalék pontosságnál pontosabban is képes előrejelezni a részvények záróárfolyamát, ezzel jelentős előnyt kínálva a tőzsdei piacon.

A kutatás további érdekessége a skálázhatóságot biztosító architektúra, amely a Microsoft Azure felhőalapú szolgáltatásain keresztül működik, biztosítva az alkalmazás széles körű alkalmazhatóságát. Ez a megközelítés új perspektívát nyújt a pénzügyi adatok feldolgozásában és prediktív modellezésében.