面向金融股票价格预测的变分量子计算方法及电子装置与流程

本技术涉及量子计算，尤其涉及一种面向金融股票价格预测的变分量子计算方法及电子装置。

背景技术：

1、股票价格预测可以帮助投资者和交易者做出更明智的投资决策，了解金融市场潜在风险和收益，制定更有效的投资策略。然而，传统预测方法只考虑了股票自身价格、交易量等因素，导致预测结果不够准确的局限性。随着人工智能技术的发展，利用机器学习算法，可以从海量数据中发现模式和规律，应用于股票价格预测任务。但是伴随着金融数据量的大规模增长，传统机器学习方法的训练过程变得不易计算，还会出现过拟合或欠拟合等问题。因此，如何对股票价格进行有效地预测是尚未解决的问题。

技术实现思路

1、本技术实施例提供了一种面向金融股票价格预测的变分量子计算方法及电子装置。

2、第一方面，本技术实施例提供了一种面向股票价格预测的变分量子计算方法，包括：

3、基于高维股票价格特征因子，对股票价格数据进行预处理，得到训练集和测试集，高维股票价格特征因子基于股票价格的特征指标运算得到；

4、使用不同的量子编码方式将高维股票价格特征因子映射到量子态中，搭建量子编码线路；

5、构建参数化量子变分拟设线路，参数化量子变分拟设线路包括带有参数的旋转门和不带参数的纠缠门；

6、组合量子编码线路和参数化量子变分拟设线路，得到变分量子线路模型；

7、基于训练集和股票价格趋势标签，对变分量子线路模型进行训练和参数优化，股票价格趋势标签用于指示股票价格下跌或者上涨；

8、使用训练好的变分量子线路模型对测试集的股票价格趋势标签进行预测，得到预测结果；

9、根据预测结果对变分量子线路模型进行性能评估；

10、根据性能评估的结果优化变分量子线路模型；

11、返回变分量子线路模型的优化结构及参数，优化结构的变分量子线路模型的量子比特和/或量子门的数量最小。

12、可选的，构建参数化量子变分拟设线路包括：

13、根据量子编码方式，确定变分线路中所需的量子比特个数；

14、设计量子变分层的旋转门层结构，旋转门层结构基于rx(θ)门、ry(θ)和rz(θ)门构成；

15、构造变分量子线路的纠缠门层组织结构，纠缠门层基于cnot门和cz门构成；

16、确定变分量子线路的深度层数。

17、可选的，对变分量子线路模型进行训练和参数优化包括：

18、通过对变分量子线路的末端执行测量操作，得到训练集数据的股票价格趋势标签的预测值；

19、构建损失函数，损失函数为股票价格趋势标签的函数；

20、设计损失函数的优化算法；

21、根据优化算法，循环迭代变分量子线路模型，直到损失函数达到收敛条件或达到最大迭代次数，得到最优模型参数。

22、可选的，股票价格趋势标签基于股票后一天的收盘价与当日的收盘价的大小关系确定。

23、可选的，高维股票价格特征因子为15维的特征因子。

24、可选的，量子编码方式为以下：

25、振幅编码；

26、通用瞬时量子多项式iqp编码；

27、旋转角度编码。

28、可选的，股票价格数据基于证券市场股票日k线获取。

29、第二方面，本技术实施例提供了一种电子设备，包括：

30、预处理模块，用于基于高维股票价格特征因子，对股票价格数据进行预处理，得到训练集和测试集，高维股票价格特征因子基于股票价格的特征指标运算得到；

31、映射模块，用于使用不同的量子编码方式将高维股票价格特征因子映射到量子态中，搭建量子编码线路；

32、构建模块，用于构建参数化量子变分拟设线路，参数化量子变分拟设线路包括带有参数的旋转门和不带参数的纠缠门；

33、组合模块，用于组合量子编码线路和参数化量子变分拟设线路，得到变分量子线路模型；

34、训练模块，用于基于训练集和股票价格趋势标签，对变分量子线路模型进行训练和参数优化，股票价格趋势标签用于指示股票价格下跌或者上涨；

35、预测模块，用于使用训练好的变分量子线路模型对测试集的股票价格趋势标签进行预测，得到预测结果；

36、评估模块，用于根据预测结果对变分量子线路模型进行性能评估；

37、优化模块，用于根据性能评估的结果优化变分量子线路模型；

38、返回模块，用于返回变分量子线路模型的优化结构及参数，优化结构的变分量子线路模型的量子比特和/或量子门的数量最小。

39、可选的，构建模块包括：

40、第一确定模块，用于根据量子编码方式，确定变分线路中所需的量子比特个数；

41、设计模块，用于设计量子变分层的旋转门层结构，旋转门层结构基于rx(θ)门、ry(θ)和rz(θ)门构成；

42、构造模块，用于构造变分量子线路的纠缠门层组织结构，纠缠门层基于cnot门和cz门构成；

43、第二确定模块，用于确定变分量子线路的深度层数。

44、可选的，训练模块包括：

45、测量模块，用于通过对变分量子线路的末端执行测量操作，得到训练集数据的股票价格趋势标签的预测值；

46、损失函数构建模块，用于构建损失函数，损失函数为股票价格趋势标签的函数；

47、损失函数优化模块，用于设计损失函数的优化算法；

48、迭代模块，用于根据优化算法，循环迭代变分量子线路模型，直到损失函数达到收敛条件或达到最大迭代次数，得到最优模型参数。

49、可选的，股票价格趋势标签基于股票后一天的收盘价与当日的收盘价的大小关系确定。

50、可选的，高维股票价格特征因子为15维的特征因子。

51、可选的，量子编码方式为以下：振幅编码；通用瞬时量子多项式iqp编码；旋转角度编码。

52、可选的，股票价格数据基于证券市场股票日k线获取。

53、第三方面，本技术实施例提供了一种电子设备，包括存储器、至少一个处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面中任一项所述的方法。

54、第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的方法。

55、第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面中任一项所述的方法。

56、在本技术中，基于高维股票价格特征因子，对股票价格数据进行预处理，构建不同的量子编码线路及参数化量子变分拟设线路，结合量子编码线路及参数化量子变分拟设线路得到变分量子线路模型。通过对该模型执行线路末端测量得到对股票价格趋势标签的预测结果，通过经典训练方法对线路参数进行调整优化，得到模型的优化结构，实现了一种高效准确的基于变分量子方法的股票价格趋势预测方法。