Un circuit quantique pour sonder la multifractalité du Bitcoin

Une volatilité à plusieurs échelles

Tetsuya Takaishi étudie une série de prix du Bitcoin observés toutes les cinq minutes. Un circuit quantique paramétré à un seul qubit est entraîné sur ces données, puis utilisé pour générer de longues séries synthétiques. L'analyse porte ensuite sur les retours et sur la volatilité réalisée quotidienne.

Le papier mesure la fonction d'exposant de Hurst généralisée h(q), la fonction multifractale f(alpha) et l'exposant tau(q). Ce vocabulaire décrit des dépendances qui changent avec l'échelle et avec l'amplitude des fluctuations, plutôt qu'une simple volatilité moyenne.

Retours et volatilité réalisée

Pour les retours prédits, h(2) est proche de 0,5, donc compatible avec un comportement voisin de l'aléatoire sur cette mesure. Une partie de la multifractalité des retours empiriques et générés subsiste après mélange aléatoire, ce qui indique qu'elle ne provient pas uniquement d'une dépendance temporelle simple.

La série des incréments de volatilité réalisée est beaucoup plus anti-persistante, avec h(2) autour de 0,05–0,1. Cette observation est compatible avec l'intuition des modèles de volatilité rugueuse. Elle caractérise une structure statistique ; elle ne prouve pas que le circuit quantique a découvert un avantage prédictif.

Ce que l'expérience ne dit pas

La comparaison avec des modèles de type GARCH sert de repère conceptuel. L'étude ne fournit pas une démonstration générale d'un avantage quantique, ni une stratégie de trading rentable après coûts. Les diagnostics multifractals évaluent la ressemblance de propriétés de séries, pas la qualité d'une décision d'achat ou de couverture.

Interprétation éditoriale

L'intérêt du protocole est de déplacer la question : au lieu de demander seulement si une prévision ponctuelle est bonne, on demande si un générateur reproduit les dépendances pertinentes à plusieurs échelles. Cela peut aider à concevoir des scénarios pour tester un risque, à condition de comparer avec des générateurs classiques sur les mêmes fenêtres et les mêmes statistiques.

Un résultat de multifractalité doit rester associé à sa fréquence d'observation, à son agrégation et à la procédure de mélange. Changer ces choix peut modifier l'apparence de la structure mesurée.

Limites et prudence

L'expérience repose sur un actif, une granularité et un circuit de petite taille. La génération synthétique ne remplace pas une validation hors échantillon ni une mesure de P&L net. Les phénomènes observés peuvent dépendre de la période crypto et des choix de prétraitement ; aucune conclusion d'investissement ne doit être tirée seule de h(q), f(alpha) ou tau(q).

Sources

Tetsuya Takaishi, « Quantum Circuit Learning for Volatility Modeling: Multifractal Analysis of Realized Volatility Time Series », ArXiv 2609.04569v1 : résumé et preprint, PDF.