실험 설계: 익명화·6-폴드 시계열 분할로 편향 차단
이번 파일럿은 FirstQFM, SW7 Group, Rigetti Computing 3자 협력으로 진행됐다. SW7 Group이 자산 식별자와 모든 특징값을 익명 처리하고, 시간 순서를 엄격히 유지한 6-폴드 확장 교차검증을 독립적으로 수행했다. 이를 통해 미래 데이터 유출과 선견 편향(lookahead bias)을 차단했으며, 단순 사내 벤치마크와 구별되는 검증 체계를 갖췄다.
QRC 작동 원리: 변분 최적화 없는 비선형 동역학 특징 추출
양자 저수지 컴퓨팅은 기존 변분 양자 머신러닝과 달리 하드웨어에서 파라미터 최적화를 수행하지 않는다. 시계열 입력을 고정된 비선형 양자 동역학에 주입하고, 측정된 기댓값을 고차원 특징 표현으로 변환한 뒤 고전 선형 판독 헤드로 전달하는 구조다. 이번 실험에서는 Rigetti의 멀티칩렛 초전도 프로세서 Cepheus-1-108Q에서 61~84개 물리 큐비트로 저수지 임베딩을 생성했다. 심층 오류 완화 회로나 변분 최적화가 불필요해 NISQ 환경에서 지연시간을 낮출 수 있다는 점이 핵심이다.
성능 비교: 방향 정확도·누적 수익·리스크 조정 지표 전반 상회
43개 자산 균등가중 포트폴리오 기준으로 QRC 모델은 방향 정확도 52.02%, 매크로-F1 0.5176, 누적 총수익 513,473, 샤프비율 1.22를 기록했다. 고전 비교군 최고 성능인 풀링 다층 퍼셉트론(MLP)의 누적 수익 242,100 대비 2.12배 수준이며, 43개 자산 가운데 41개에서 양(+) 수익을 냈다. 역사적으로 분산된 5개 자산 하위 포트폴리오에서는 샤프비율 1.73을 달성했다. Amazon Chronos-2 등 제로샷 시계열 파운데이션 모델과 비교해도 방향 정확도와 수익 지표 모두 앞섰다. 한편 QRC 예측이 고전 모델 다수 의견과 49.0%의 비율로 엇갈렸으며, 그 반대 예측일의 승률은 50.89%로 집계됐다. 두 접근법이 완전히 동일한 패턴을 포착하지 않을 가능성을 시사하는 수치다.
한계와 과제: 범용 양자 우위 주장은 명시적 유보
연구팀은 범용 양자 우위를 주장하지 않는다고 직접 밝혔다. 더 높은 수익에는 더 큰 낙폭(drawdown)이 수반됐고, 거래 비용은 반영되지 않았으며, 고전 시뮬레이터와의 경계도 아직 유동적이다. QRC가 양자 하드웨어 특유의 비선형성을 실제로 활용하는지, 아니면 충분히 큰 고전 저수지로도 재현 가능한지에 대한 이론적 규명은 과제로 남는다. 그럼에도 이번 결과는 NISQ 프로세서를 금융 정량 분석에 지연시간 효율적으로 배치하는 실증 사례로 평가된다.
전문은 원문에서 읽으세요
이 글은 Claude 가 원문의 사실을 재구성한 편집 요약입니다. 원제: FirstQFM Demonstrates Quantum Reservoir Computing on Rigetti’s 108-Qubit Processor to Outperform Classical Financial Benchmarks
