研究背景与目的 [page::0][page::1]

• DeFi生态快速发展，Curve Finance作为稳定币交易核心协议。

- 精准预测流动性池收益率对投资与风险管理至关重要。

• 量子机器学习作为新兴方法，其在DeFi收益预测中的实用性尚未验证。

- 本文旨在系统对比经典集成模型、深度学习与量子模型的表现。

数据与特征工程 [page::1][page::2]

• 数据集涵盖28个Curve池，时间跨度1年，六小时采样频率。

- 特征包含滞后项、多时间尺度滚动统计量、价格变动信号、池内流动性比例、技术指标（如RSI）及时间编码。

• 目标变量为24小时后的虚拟价格，所有连续特征均标准化处理。

模型架构与训练流程 [page::2][page::3]

• 六类模型：随机森林（150棵树）、XGBoost（树深限制6）、两层LSTM、两层Transformer编码器、4量子比特参数化QNN、QSVM-QNN混合量子支持向量机。

- 训练使用Adam及经典优化器，最长100个周期，早停机制防止过拟合。

• 评价指标包括MAE、RMSE和方向准确率。

性能比较及总结 [page::3][page::4]

| 模型 | 测试MAE | 测试RMSE | 方向准确率 |
|------|---------|----------|------------|
| 随机森林 (RF) | 1.77 | 2.22 | 71.36% |
| XGBoost (XGB) | 1.80 | 2.27 | 71.57% |
| QSVM-QNN | 2.26 | 2.84 | 49.39% |
| QNN | 2.33 | 2.93 | 49.77% |
| Transformer | 2.31 | 2.90 | 49.79% |
| LSTM | 2.57 | 3.24 | 51.22% |

• 集成树模型明显领先，XGBoost方向准确率最高，随机森林MAE最低。

- 深度学习模型表现不佳，出现过拟合现象，泛化能力不足。

• 量子模型表现落后，测试准确率不足50%，反映当前硬件及算法限制。

- XGBoost虽训练准确接近完美，有轻微过拟合迹象，但仍保持较强泛化

• 给出未来研究方向建议，如引入多模态复杂特征、量子电路扩展及强化学习结合。

池级别模型表现详情（示例）[page::6]

| 池名称 | 模型 | 测试MAE | 测试RMSE | 测试准确率(%) |
|--------|-------|---------|----------|-------------|
| 3pool | RF | 1.791 | 2.270 | 69.28 |
| 3pool | XGB | 1.826 | 2.300 | 71.24 |
| 3pool | QNN | 2.291 | 2.939 | 54.52 |
| 3pool | LSTM | 2.780 | 3.477 | 51.42 |

• 各池表现略有差异，但整体趋势一致：集成方法稳定优异，量子及深度模型表现波动较大。

金融研究报告详尽分析

报告名称： Benchmarking Classical and Quantum Models for DeFi Yield Prediction on Curve Finance
作者与机构： Chi-Sheng Chen、Aidan Hung-Wen Tsai，Omnis Labs
发布日期： 截止数据集日期为2025年7月21日左右
主题： 以Curve Finance平台的DeFi流动性池为对象，比较经典机器学习、深度学习和量子机器学习（QML）模型在DeFi收益预测任务上的性能表现。

---

一、报告概览与核心观点

本报告针对去中心化金融（DeFi）领域内的重要问题——基于Curve Finance 28个流动性池的历史数据预测未来收益，展开对比基准测试。考察六类模型：经典集成学习（XGBoost，随机森林）、深度神经网络（LSTM，Transformer）及量子机器学习（量子神经网络QNN和量子支持向量机QSVM-QNN）。
报告的核心结论可总结如下：

• 经典集成方法（特别是XGBoost和随机森林）在所有性能指标上均优于深度学习和量子模型。

- XGBoost在方向准确率达71.57%，随机森林MAE最低（1.77）。

• 量子模型表现不佳，方向准确率均低于50%，预测误差更大，表明其在实际DeFi时间序列数据上的应用受限。

- 该研究为量子金融领域提供了可重复的基准，同时强调目前经典方法的稳健性和量子方法在实践中的不足。

此报告具有极强的实证性质，填补了DeFi流动性池预测领域经典、深度与量子方法在相同数据与评测指标下的横向对比空白。

---

二、逐章节内容深度剖析

1. 引言与研究背景

• DeFi生态快速发展，Curve Finance作为核心协议，通过算法管理流动性池，优化稳定币交换和收益耕作。

- 准确预测这些池的收益变化对交易策略、资本配置及风险控制极为关键。

• 报告指出传统金融中时间序列模型和深度学习虽成熟，但DeFi相关研究少且量子机器学习理论潜力大，但缺少现实数据表现验证。[page::0]

2. 相关工作

• 介绍早期加密货币价格预测主要基于经典统计模型，XGBoost作为强基线突出。DeFi专门研究少。

- 深度学习方面，多模态信息融合（数字与文本等）是提升金融预测性能的趋势，但DeFi数据不够丰富，难以充分发挥深度学习优势。

• 量子机器学习视角介绍了量子特征映射、高维空间优势及算法优势，指出目前量子模型受限于硬件规模及噪声，现实表现仍有限。[page::1]

3. 方法论

• 数据采集： 收集2024年7月至2025年7月全年的Curve Finance 28个池的数据，时间序列均匀间隔约6小时，确保完整性。

- 特征工程： 包括多尺度滞后特征、滚动统计量（均值、标准差、变异系数）、价格变化（绝对与对数差）、流动性与余额比例、技术指标如14期相对强弱指数（RSI）、时间特征的正弦余弦编码等。

• 目标变量： 预测未来24小时的虚拟价格（或收益率），保证预测时数据无泄漏。

- 模型选择与训练策略： 6模型同步训练，损失以均方误差为准，训练期间采用Adam或对应优化器，停机策略为100轮或验证集损失连续10轮无下降。

• 评价指标： MAE，RMSE，方向准确率（预测涨跌方向与真实是否一致）。

- 统计汇总与排名方法： 分池指标平均并计算标准差，按测试集方向准确率排序。

• 模型细节：

- 随机森林150棵树，基于Gini指数分裂。
- XGBoost深度限制6，调节学习率、正则化。
- LSTM两层64单元堆叠。
- Transformer双层编码器，8头多头自注意力，模型维度128。
- QNN基于4量子比特，4层交联参数化量子线路，用参数平移法训练。
- QSVM-QNN利用量子特征映射串联变分分类器。

• 硬件环境： AMD Ryzen9 7900X CPU，NVIDIA RTX3090 GPU及PennyLane量子模拟器，整体训练耗时约3.5小时，量子模型耗时明显。

此阶段充分保证公平性，所有模型使用相同数据预处理和划分，隔绝其他噪声干扰因素。[page::1] [page::2] [page::3]

4. 实验与数据

• 收集的时间序列均匀覆盖约365天，日均4点采样，长期跨度保证捕获日内动态及趋势。

- 特征标准化处理，防止数据泄漏。

• 表明目标变量明确定义为24小时后的虚拟价格。

- 训练与测试数据时间顺序划分，训练占80%，测试占20%。[page::2] [page::3]

5. 主要结果

• 总体平均表现总结（表I）

| 模型 | 测试MAE | 测试RMSE | 方向准确率 | 训练MAE | 训练RMSE | 训练准确率 |
|---------------|---------|----------|------------|---------|----------|------------|
| 随机森林RF | 1.77 | 2.22 | 71.36% | 0.81 | 1.04 | 90.19% |
| XGBoost | 1.80 | 2.27 | 71.57% | 0.01 | 0.01 | 99.85% |
| QSVM-QNN | 2.26 | 2.84 | 49.39% | 2.25 | 2.83 | 52.77% |
| QNN | 2.33 | 2.93 | 49.77% | 2.13 | 2.68 | 60.63% |
| Transformer | 2.31 | 2.90 | 49.79% | 2.19 | 2.75 | 56.34% |
| LSTM | 2.57 | 3.24 | 51.22% | 1.68 | 2.12 | 72.23% |

• 经典集成方法领先，XGBoost方向预测最好，随机森林点预测误差最低。深度模型表现差强人意，量子模型表现更差，均低于50%方向准确率，提示随机猜测边界。

- 训练阶段XGBoost几乎完美拟合（训练准确率99.85%），存在一定过拟合风险，但泛化能力仍然不错。[page::3] [page::4]

6. 讨论

• 经典模型优势：表现稳定，处理小数据、多异质特征鲁棒，时间依赖性较弱的DeFi特征适合树模型。

- 深度模型劣势：可能过拟合、缺乏有效的时间动态模式捕捉，训练精度高但泛化有限，表明现有架构和特征组合不足以发挥优势。

• 量子模型局限：硬件限制（4个量子比特）、线路浅、参数训练难（可能存在barren plateaus，即梯度消失）、数据编码不足以提供优势，且DeFi数据时间结构较弱，不利于量子模型的优势发挥。

- XGBoost过拟合风险：虽然训练准确率极高，但测试表现保持较好，暗示正则化参数尚可调整增强泛化。
报告强调当前QML还在早期阶段，现实DeFi环境对其挑战较大。未来硬件进步或更深线路可能改善表现。[page::4]

7. 结论与未来工作

• 报告首开DeFi流动性池收益预测中，基于真实数据样本的经典、深度、量子模型对比。

- 结果明确指出经典集成树模型仍是可靠首选。

• 深度学习在有限数据、多样性低特征组合中存在泛化挑战。

- 当前量子模型尚无实质优势，凸显理论潜力与应用之间差距。

• 建议未来拓展多模态输入（社交媒体、宏观经济）、更深量子线路、迁移学习、强化学习结合决策做市等方向。

- 公开代码与结果，促进量子金融与DeFiML交叉研究透明性与可复现性。

---

三、图表深度分析

图1（第1页）：工作流程图

• 内容描述：展示Curve Pool数据到特征工程，再到六个模型训练预测的流程。

- 细节：包括输入特征多样（时间戳、价格、交易量、APY、总供应量、余额等），特征工程环节涵盖滞后、移动平均、波动率、价格变化、流动性与余额比、时间特征和技术指标。模型遍历了XGBoost、RF、LSTM、Transformer、QNN和QSVM-QNN。

• 意义：清晰呈现数据处理到预测的端到端流程，体现同一特征集用于所有模型，保证公平比较基础。

表I（第4页）：所有Curve池模型平均性能

• 描述：表明各模型训练及测试阶段的MAE、RMSE和方向准确率。

- 解读：
- 经典树模型MAE最低，方向准确率最高，且训练误差明显小于测试误差，显示一定的正则化效果。
- 深度和量子模型训练误差较高，也容易过拟合（例如LSTM训练误差比测试低但泛化差）。

• 联系文本：验证了文本提及的经典模型优越性和量子模型表现不佳结论。

- 潜在局限：训练准确率极高的XGBoost可能存在过拟合风险；量子模型的硬件和编译限制未量化，未来需扩展。

表II和后续扩展表（第6-9页）：各池具体模型性能

• 内容：细粒度展示28个池不同模型表现，含MAE、RMSE和方向准确率。

- 发现：经典模型几乎在所有池中表现稳定领先；深度与量子模型波动大，部分池方向准确率甚至低于50%，随机预测水准。

• 意义：池级表现差异揭示不同资产池对模型适用性及泛化能力的影响，增强报告结论的全面性与可信度。

- 局限：部分池数据点少且特征可能不足，量子模型特别受限于量子硬件规模。

---

四、估值分析（非典型）

本报告非传统金融证券估值报告，未涉及企业现金流折现、企业价值倍数、相对估值等分析，模型“估值”仅指预测性能与准确率，核心指标为MAE/RMSE/方向准确率。量子模型采用的量子内核及参数化线路设计为技术细节，报告中对模型的超参数细致说明，已属“估值”范畴的技术调优。

---

五、风险因素评估

• 数据质量风险：DeFi池数据仍具有波动性与噪声，影响模型稳定性。报告数据完整，少有缺失，但可能存在结构性变化风险。

- 模型过拟合和泛化风险：尤其对深度学习与XGBoost，可能出现泛化不足。报告中有明确讨论XGBoost可能过拟合但仍具较佳泛化。

• 量子计算局限性：硬件噪声、线路浅、barren plateaus等问题显著限制QML模型表现，短期难以应用于高维真实任务。

- 时间结构缺失：DeFi数据的时间依赖较弱，导致序列模型效果不佳。

• 风险缓解建议：使用正则化、参数调优、数据增强、多池迁移学习等。报告呼吁未来探索更丰富特征和算法改良。

---

六、批判性视角

• 偏见及假设：作者倾向于强调经典方法优势，对量子模型所暴露的不足展现较为谨慎，未过度夸大QML的当前能力。

- 潜在不足：
- 对于深度模型架构未尝试更复杂的正则化与迁移学习，可能低估其潜力。
- 量子模型深度和量子比特数量明显偏少，对未来硬件发展预期充分，但当前基准难以反映量子模型理论优势。
- 部分池中样本分布不均或特征萎缩对所有模型训练产生潜在影响，未详尽分析不同池域之间的影响差异。

• 一致性：整体内部自洽，数据与结论吻合。

---

七、综合总结

本报告构建了首个基于Curve Finance 28池年度实时多变量特征的统一DeFi收益预测基准体系，涵盖经典集成、深度和量子机器学习模型。通过全面的特征工程、统一的时间划分和严格的评测指标，对各模型的表现进行了系统对比。
主要发现包括：

• 经典集成学习（随机森林及XGBoost）表现遥遥领先，MAE最低且方向准确率达到71%左右，适合DeFi收益预测的稳定需求。

- 深度学习模型（LSTM，Transformer）表现中等偏下，存在明显过拟合而泛化能力不足的问题，未能显著获益于时间序列结构。

• 量子模型因硬件及算法限制在当前数据规模和特征下表现不佳，方向准确率甚至不及随机，但理论潜力鼓励未来深入研究。

- 特征设计多样且富有层次，兼顾价格、流动性、技术指标及时间编码，为模型提供了丰富的输入维度。

• 公开可重现的实验代码和详细统计表，极大提升研究透明度，促进跨领域研究与技术迭代。

量化与定性数据均强力支持经典模型为DeFi收益预测的首选方法，未来深度模型和量子方法需提升数据多样性、模型复杂度和硬件能力方能发挥潜能。

---

参考文献

全文所引10余篇文献来源涵盖Curve官方文档、机器学习经典论文、量子机器学习理论及金融应用前沿，体现全面而严谨的科研基础。[page::0]-[page::4]

---

精简关键参考示范

• Chen & Guestrin, 2016: XGBoost架构；Breiman, 2001: 随机森林基础；Hochreiter & Schmidhuber, 1997: LSTM模型；Vaswani et al., 2017: Transformer结构。

- Schuld et al., 2014；Rebentrost et al., 2014：量子神经网络和量子支持向量机。

• Yang et al., 2022：结合数字感知的金融Transformer模型。

- 财经领域量子计算综述与前沿论述[page::4]。

---

综上所述，本报告是DeFi收益预测领域极具价值的基准研究，既肯定了经典机器学习模型的现阶段优势，又实际揭示当代量子机器学习方案的局限性与发展空间，为学界与业界提供了重要的决策参考和研究方向。

报告