文章 开放获取 发表时间：2026年8月12日 科学报告（2026） 引用此文章 我们提供该手稿的未编辑版本，以便提前获取其研究结果。在最终出版之前，该手稿将 undergo 进一步编辑。请注意可能存在影响内容的错误，并适用所有法律免责声明。 摘要 股票市场崩盘对投资者和监管者构成重大风险；由于市场波动，它们在早期阶段很难预测。传统的机器学习方法通常较难从具有复杂结构（如非线性、高维度和动态波动）的金融时间序列中学习，这在现实生活中的动荡市场中时常发生。虽然黄金和白银被认为是相对稳定的投资资产，但这些金属价格的崩盘对散户投资者以及全球金融产生了巨大的影响。为了克服这些限制，目前的工作提出了一种混合量子-经典机器学习（QCML）方法，用于预测商品市场崩盘，将量子支持向量机（QSVM）与极端梯度增强（XGBoost）相结合。为了识别崩盘事件，我们提出了一种新的基于重大价格下跌以及短期回升趋势的回撤标记方法。特征工程和训练在波动性指标、动量指标和基于趋势的比率等基准上进行。所提设计还具有随机森林阈值、集成权重优化和特征选择。由于目前没有足够能力的实用量子硬件供我们的有限实验使用，因此量子部分使用模拟器实现。所提出的混合QSVM-XGBoost框架在黄金三个月预测区间的性能最佳，ROC-AUC达到了0.81。相比之下，白银市场的可预测性较低（ROC-AUC = 0.62），这是由于其更大的波动性和复杂的动态。我们的结果表明，将模拟的量子内核学习与经典机器学习技术结合用于商品市场崩盘预测的可行性。尽管所提框架显示出有希望的预测性能，但在当前的NISQ时代硬件限制下，它不声称具有量子优势或量子至上性。 致谢 作者承认，在本研究的准备过程中，仅使用语言编辑工具（Grammarly和QuillBot）来协助语法和拼写的修正。 资助 作者声明本研究未获得任何资助。 作者信息 作者注 这些作者贡献相同：Ripu Daman Singh、Samya Muhuri和Yadwinder Singh。 作者及单位 印度帕蒂亚拉，工程与技术学院计算机科学与工程系，147004 Ripu Daman Singh、Samya Muhuri、Yadwinder Singh 作者 Ripu Daman Singh、Samya Muhuri、Yadwinder Singh 通讯作者 通信至Samya Muhuri。 其他信息 出版者说明 Springer Nature 对发表地图和机构隶属关系的管辖权声明保持中立。 权利与许可 开放获取 本文采用知识共享署名4.0国际许可证，允许在任何媒介或格式中使用、共享、改编、分发和复制，只要您给予原作者和来源的适当信用，提供知识共享许可证的链接，并指明是否进行了更改。文中包含的图像或其他第三方材料包括在本文的知识共享许可证中，除非在材料的信用提示中另行说明。如果材料未被包含在文章的知识共享许可证中，并且您打算的使用未得到法定法规的许可或超出许可的使用，您将需要直接获得版权所有者的许可。要查看该许可证的副本，请访问http://creativecommons.org/licenses/by/4.0/ 。 复制和许可 关于本文 引用此文章 Singh, R.D., Muhuri, S. & Singh, Y. 用于商品市场崩盘预测的混合量子-经典机器学习框架。 Sci Rep (2026). https://doi.org/10.1038/s41598-026-66427-y 下载引用 收到日期：2026年4月22日 接受日期：2026年8月7日 发表日期：2026年8月12日 DOI： https://doi.org/10.1038/s41598-026-66427-y 关键词