当量子物理遇上华尔街：用"易感性架构"预测市场波动率

场景开篇

凌晨两点，曼哈顿一间交易室的屏幕上，VIX 指数突然从 15 跳到 28。波动率来了。

交易员知道接下来会发生什么：市场会进入一种"状态切换"——从平静的随机游走变成剧烈的跳跃，GARCH 模型给出的预测突然不灵了，因为 GARCH 假设波动率是"持续的"——今天的波动率是昨天波动率的函数。但在状态切换的瞬间，这个假设崩塌。

2026 年 7 月，伦敦 Monodromy 公司的 Aliaksei Kaliutau 发表了一篇大胆的论文。他提出了一个叫 SUSA（Susceptible Architectures，易感性架构） 的波动率预测框架，用量子储备池计算和状态切换专家来捕捉 GARCH 看不到的信号。

这篇论文最反直觉的地方是：它没有声称自己打败了 GARCH。 在 16 支股票和 ETF 上，SUSA 只在 2 支（IWM 和 XLP）上取得了统计显著的 QLIKE 改进。但论文的核心贡献不是"更好的预测器"，而是一个新的架构设计原则——以及一个诚实的负面结果。

波动率预测为什么难？

先说清楚问题。波动率是金融资产收益率的方差（或标准差）。预测波动率比预测收益率容易得多——收益率接近随机游走，但波动率有"聚集性"：高波动后面跟着高波动，低波动后面跟着低波动。

这叫波动率持续性（volatility persistence）。GARCH（Generalized Autoregressive Conditional Heteroskedasticity）就是建模这个现象的：今天的方差 = 常数 + α × 昨天的平方收益 + β × 昨天的方差。简单得令人发笑，但效果出奇地好——从 1986 年 Engle 提出到今天，GARCH 一直是工业界的标准工具。

Kaliutau 在论文开头点出了问题的核心："波动率预测被持续性和测量噪声主导，留给非线性模型利用的残差结构有限。"

翻译成人话：GARCH 已经吃掉了波动率信号的大部分。剩下的"残差"——GARCH 没能解释的部分——大部分是噪声，不是结构。非线性模型（比如神经网络）想在这个残差上做文章，但残差里没什么可做的。

这就像你去一家自助餐厅，GARCH 已经把主菜、甜点和饮料都拿走了，留给你的只有几片菜叶。你当然可以用更精致的烹饪方法处理这几片菜叶，但改善有限。

SUSA 的核心思想：易感性

Kaliutau 的切入点不是"更强的非线性模型"，而是一个物理学概念：易感性（susceptibility）。

在统计物理中，易感性描述的是系统对外部扰动的响应能力。一个系统在临界点附近——比如水在气液临界点——会有极高的易感性：微小的温度变化会导致巨大的密度变化。远离临界点的系统易感性低：你加热 1 度，水的体积变化微乎其微。

Kaliutau 的洞察是：金融市场也有"临界点"。 在平静期，市场远离临界点，波动率信号被持续性主导，GARCH 够用。但在状态切换的瞬间——比如从平静到恐慌——市场接近临界点，易感性飙升，微小的扰动会引发巨大的波动率变化。

这就是 GARCH 的盲区：GARCH 假设波动率是平滑演化的，但状态切换是相变——不连续、非线性、路径依赖。SUSA 的设计就是为了捕捉这个相变信号。

架构：储备池 + 状态专家

SUSA 有两个核心组件。

1. 储备池计算（Reservoir Computing）

储备池计算是一种特殊的循环神经网络（RNN）。传统 RNN 需要训练所有权重，但储备池计算只训练一个"读出层"（readout），内部的循环权重是随机生成并固定的。

这听起来很疯狂——用随机矩阵做特征提取？但理论研究表明，储备池的随机动力学可以产生丰富的非线性特征，足以表达复杂的时序模式。这就像一个乐器的共鸣腔——你不需要精确设计它的形状，任何形状都能产生泛音，读出层只需要学会"听"哪些泛音对应哪些音符。

SUSA 用了两种储备池：

• CF-LSE：复值开放链和周期环储备池。开放链有边界，周期环首尾相连。两者的"易感性"不同——周期环对某些频率的扰动更敏感，开放链对边界效应更敏感。
• CF-OSQRC-Qiskit：在 Qiskit（IBM 的量子计算框架）中实现的开放系统 $q$-量子比特储备池。用密度算子演化，有相干场项和两量子比特相互作用。

2. 状态条件专家（Regime-Conditional Experts）

储备池输出特征，但如何把这些特征变成波动率预测？Kaliutau 没有训练一个统一的读出层，而是训练了四个专家，分别对应四种市场状态：

• Calm（平静）：低波动率，低变化率
• Onset（发作）：波动率开始上升
• Recovery（恢复）：波动率开始下降
• Persistent Stress（持续压力）：高波动率，高变化率

类比：这就像医院的分诊系统。你不会让一个全科医生处理所有病人——心脏病发作的病人去心内科，骨折的去骨科。每个专科医生在自己的领域更强，但跨领域可能不如全科医生。SUSA 的四个专家就是四个"专科医生"，状态分类器是分诊台。

这个设计有一个深层含义：它承认了"统一模型"的局限。 GARCH 是一个统一模型——用同一组参数处理所有状态。SUSA 说：不同状态需要不同的模型。这和 SOPHIA（7/22 的论文）的"不同状态需要不同出口方向"是同一个思想。

关键工程细节

SUSA 不是纯粹的量子计算或纯粹的神经网络，而是一个混合架构：

1. AR-Ridge 锚点：一个简单的自回归 + Ridge 回归模型，作为基线预测。这相当于 GARCH 的角色——处理持续性。 2. 有界残差校正：储备池的输出不直接替代 AR-Ridge，而是作为一个"校正项"加在上面。校正项的大小被约束（bounded），防止储备池的噪声主导预测。 3. QLIKE 损失函数：不是用 MSE，而是用 QLIKE（一种专门用于波动率评估的损失函数，基于似然比）。QLIKE 对波动率预测的评估比 MSE 更合适，因为它惩罚的是预测分布和真实分布的差异，而不仅仅是点估计。

这个"锚点 + 校正"的设计很重要。它意味着 SUSA 不是在"替代"GARCH，而是在"补充"它。如果储备池没有学到任何有用的东西，校正项就是 0，SUSA 退化成 AR-Ridge。只有当储备池真的捕捉到了 AR-Ridge 错过的信号时，校正项才非零。

结果：诚实的负面

SUSA 在 16 支美国股票和 ETF 上测试，用三个不相交的时间序列做训练/验证/测试。

好消息：在 8/16 个标的（AAPL、IWM、MSFT、NVDA、QQQ、SPY、XLP、XLK）上，SUSA 的 QLIKE 低于 AR-Ridge 基线。特别是在 IWM（iShares Russell 2000 小盘股 ETF）和 XLP（消费品 ETF）上，改进统计显著。

坏消息：在 AAPL、MSFT、NVDA、QQQ 上，虽然点估计优于 GARCH，但 95% 置信区间跨越零——无法拒绝"GARCH 一样好"的零假设。在高流动性资产（AAPL、MSFT、NVDA）上，GARCH 已经足够好，SUSA 的改进不显著。

最诚实的部分：论文承认，平均来看，Phase-QRC-MoE（SUSA 的量子版本）和 GARCH 没有统计可区分的差异。

但！SUSA 的预测和 HARQ-style 预测（另一种流行模型）互补。堆叠集成（stacked ensemble）在最强单模型上平均改进 0.0116 的 QLIKE，在 75% 的测试场景中获胜。

这意味着什么？ SUSA 不是"更好的 GARCH"，而是"和 GARCH 互补的模型"。它捕捉的信号和 GARCH 捕捉的信号不同——GARCH 擅长持续性，SUSA 擅长状态切换。把两者组合起来，比单独用任何一个都好。

量子储备池：有用吗？

论文最引人注目的部分是在 Qiskit 中实现了开放系统 $q$-量子比特储备池。这是"量子计算用于金融"的一个具体实例。

但结果并不令人振奋。量子版本和经典复值版本的表现相当——没有明显的"量子优势"。这和量子机器学习领域的整体现状一致：在 NISQ（Noisy Intermediate-Scale Quantum）时代，量子机器学习还没有在真实任务上展示决定性优势。

Kaliutau 对此很坦诚。他没有声称量子版本更好，只是把它作为"另一种储备池实现"来探索。这种态度值得尊重——在量子计算被过度炒作的今天，诚实的负面结果比夸大的正面结果更有价值。

"易感性"概念的跨域潜力

SUSA 最有价值的贡献可能不是具体的预测模型，而是"易感性"这个设计原则。

易感性原则：系统的可预测性不是均匀分布的。在平静期，持续性主导，简单模型够用。在状态切换期，易感性飙升，需要更复杂的模型。设计预测系统时，应该根据"当前状态离临界点多远"来选择模型复杂度。

这个原则不只适用于金融。在 AI 系统中，分布偏移（distribution shift）就是一种"状态切换"——模型在训练分布内表现良好，但在分布偏移时突然崩溃。TriviaRoomQA（7/25 的论文）展示的"悬崖 vs 斜坡"就是这种状态切换的体现。

在气候科学中，厄尔尼诺-南方涛动（ENSO）是一种状态切换——从暖相到冷相的转变不是平滑的，而是相变。在流行病学中，传染病从地方性流行到大流行的转变也是一种相变。

所有这些领域都可能受益于"状态条件专家"的设计：不是用一个统一模型处理所有状态，而是用不同模型处理不同状态，用一个"状态分类器"做切换。

代码与可复现性

论文提到代码将在 GitHub 发布（https://github.com/akaliutau/qrc-susa）。使用 Qiskit 实现量子储备池，经典部分使用 Python。实验在 16 个美国股票和 ETF 上进行，数据是公开的。

可复现性是这篇论文的一个亮点——所有数据公开，代码承诺开源，评估方法（QLIKE + Holm-Bonferroni 校正）标准。这使得后续研究者可以验证和扩展。

一个更深的观察

SUSA 让我想到一个关于"模型选择"的深层问题。

传统观点认为，更好的模型 = 在所有情况下都更好的模型。但 SUSA 的结果表明，"在所有情况下都更好"可能是一个不现实的目标。特别是在复杂系统中，不同状态需要不同模型，单一模型无法在所有状态下都最优。

这和 PyroDash（7/23 的论文）的"认知谦逊"概念相通：PyroDash 让小模型学会"什么时候自己不确定，应该交给大模型"。SUSA 的状态分类器做的是类似的事——"判断当前状态，选择合适的专家"。

"统一 vs 分工"是 AI 系统设计的一个基本张力。 大模型（如 GPT-4）走"统一"路线——一个模型处理所有任务。SUSA 走"分工"路线——多个专家各司其职。两条路线各有优势，但在复杂动态系统中，"分工"可能更自然——因为复杂系统的不同状态确实需要不同的处理方式。

总结

Kaliutau 的 SUSA 不是一篇"打败了 SOTA"的论文。它是一篇"提出了新框架，诚实地报告了混合结果，揭示了新的设计原则"的论文。

核心贡献： 1. "易感性"设计原则：用统计物理的概念指导架构设计，让模型关注状态切换而非持续性 2. 状态条件专家：四个专家对应四种市场状态，由状态分类器调度 3. 混合架构：AR-Ridge 锚点 + 有界储备池校正，保证退化到基线 4. 量子储备池实现：在 Qiskit 中实现开放系统量子储备池，虽然没有量子优势，但提供了可复现的基线 5. 诚实的负面结果：平均来看没有打败 GARCH，但和 HARQ 互补，堆叠集成有效

这篇论文的价值不在于它的结果有多好，而在于它诚实地探索了一个新方向。在"刷 SOTA"的学术文化中，这种诚实值得尊重。它为后续研究打开了一扇门——不是"用这个方法打败 GARCH"，而是"用易感性原则设计新的预测系统"。

---

*论文链接*：arXiv:2607.22491 *作者*：Aliaksei Kaliutau，Monodromy，伦敦 *代码*：https://github.com/akaliutau/qrc-susa（承诺开源）