CN115482111A - 基于qsvm的多因子选股方法及相关装置 - Google Patents

基于qsvm的多因子选股方法及相关装置 Download PDF

Info

Publication number
CN115482111A
CN115482111A CN202211313790.XA CN202211313790A CN115482111A CN 115482111 A CN115482111 A CN 115482111A CN 202211313790 A CN202211313790 A CN 202211313790A CN 115482111 A CN115482111 A CN 115482111A
Authority
CN
China
Prior art keywords
data
sample data
processed
sample
circuit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211313790.XA
Other languages
English (en)
Inventor
王超
窦猛汉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Origin Quantum Computing Technology Co Ltd
Original Assignee
Origin Quantum Computing Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Origin Quantum Computing Technology Co Ltd filed Critical Origin Quantum Computing Technology Co Ltd
Priority to CN202211313790.XA priority Critical patent/CN115482111A/zh
Publication of CN115482111A publication Critical patent/CN115482111A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Technology Law (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Complex Calculations (AREA)

Abstract

本发明实施例提出一种基于QSVM的多因子选股方法及相关装置，涉及金融分析领域。获取待处理数据、样本数据以及所述样本数据的核矩阵；所述待处理数据包括待分析股票的影响因子数据，所述样本数据包括样本股票的影响因子数据以及涨跌标签；将所述待处理数据、所述样本数据以及所述样本数据的核矩阵输入至预设的选股量子线路中，以及根据所述选股量子线路对所述待处理数据和样本数据的处理结果确定选股策略。通过该方法可对待处理数据进行合理分析，降低处理结果的误差，因此可使得用户准确选择值得买入的股票。

Description

基于QSVM的多因子选股方法及相关装置
技术领域
本发明涉及金融分析领域，具体而言，涉及一种基于QSVM的多因子选股方法及相关装置。
背景技术
目前，在股票市场中往往需要用户通过自身经验，对股票的各种数据进行分析，从而选定应当买入的股票，但由于股票的涨跌往往受多种复杂因素影响，因此用户往往无法基于多种数据进行合理分析，导致结果误差较大，无法较为准确地选择值得买入的股票。
发明内容
有鉴于此，本发明的目的在于提供一种基于QSVM的多因子选股方法及相关装置，以解决现有技术中存在的用户无法基于多种股票进行合理分析，导致结果误差较大，无法较为准确地选择值得买入的股票的问题。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明提供一种基于QSVM的多因子选股方法，所述方法包括：
获取待处理数据、样本数据以及所述样本数据的核矩阵；所述待处理数据包括待分析股票的影响因子数据，所述样本数据包括样本股票的影响因子数据以及涨跌标签；
将所述待处理数据、所述样本数据以及所述样本数据的核矩阵输入至预设的选股量子线路中，以及根据所述选股量子线路对所述待处理数据和样本数据的处理结果确定选股策略。
在可选的实施方式中，所述选股量子线路包括待处理数据分析模块以及样本数据处理模块；
所述将所述待处理数据、所述样本数据以及所述样本数据的核矩阵输入至预设的选股量子线路中，包括：
将所述待处理数据输入至所述待处理数据分析模块，将所述样本数据及所述核矩阵输入至所述样本数据处理模块；所述样本数据处理模块用于对所述样本数据进行振幅编码，并对振幅编码后的样本数据以及所述核矩阵进行特征值提取，所述待处理数据分析模块用于对所述待处理数据进行分析。
在可选的实施方式中，所述样本数据处理模块包括第一振幅编码线路和特征值提取线路，所述第一振幅编码线路用于对所述样本数据进行振幅编码，将振幅编码后的样本数据编码至所述特征值提取线路，所述特征值提取线路用于对振幅编码后的样本数据以及所述核矩阵进行特征值提取。
在可选的实施方式中，所述待处理数据分析模块包括第二振幅编码线路和数据分析线路，所述第二振幅编码线路用于对所述待处理数据进行振幅编码，将振幅编码后的待处理数据编码至所述数据分析线路，所述数据分析线路用于对振幅编码后的待处理数据进行分析。
在可选的实施方式中，所述样本数据为多个，所述方法还包括：
将多个所述样本数据两两组合，获得多个组合样本数据；
每次将一个所述组合样本数据输入至预设的相似度获取线路，并通过所述相似度获取线路，获得每个所述组合样本数据中两个样本数据之间的相似度；
根据多个所述相似度生成所述核矩阵。
在可选的实施方式中，所述待处理数据通过对初始待处理数据添加第一辅助特征，并对添加了所述辅助特征的初始待处理数据进行归一化处理得到；所述样本数据通过对初始样本数据添加第二辅助特征，并对添加了所述辅助特征的初始样本数据进行归一化处理得到；
其中，所述第一辅助特征和所述第二辅助特征用于使所述待处理数据的平方和与所述样本数据的平方和相等。
在可选的实施方式中，所述处理结果包括控制比特为目标态的概率，所述根据所述选股量子线路对所述待处理数据和样本数据的处理结果确定选股策略，包括：
运行所述选股量子线路，以及测量所述选股量子线路的辅助控制比特；
若所述辅助控制比特满足预设条件，则测量所述选股量子线路的控制比特；
若所述控制比特为目标态的概率大于等于预设概率，则确定选股；
若所述控制比特为目标态的概率小于所述预设概率，则确定不选股。
第二方面，本发明提供一种基于QSVM的多因子选股装置，所述装置包括：
获取模块，用于获取待处理数据、样本数据以及所述样本数据的核矩阵；所述待处理数据包括待分析股票的影响因子数据，所述样本数据包括样本股票的影响因子数据以及涨跌标签；
确定模块，用于将所述待处理数据、所述样本数据以及所述样本数据的核矩阵输入至预设的选股量子线路中，以及根据所述选股量子线路对所述待处理数据和样本数据的处理结果确定选股策略。
第三方面，本发明提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器可执行所述计算机程序以实现前述实施方式任一所述的方法。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施方式中任一项所述的方法。
本发明实施例提供的基于QSVM的多因子选股方法及相关装置，获取待处理数据、样本数据以及样本数据的核矩阵，之后将待处理数据、样本数据以及样本数据的核矩阵输入到预设的选股量子线路中，根据该选股量子线路对待处理数据和样本数据的处理结果确定选股策略，其中，该待处理数据包括待分析股票的影响因子数据，该样本数据包括样本股票的影响因子数据以及涨跌标签。该方法通过预设的选股量子线路对待处理数据、样本数据以及样本数据的核矩阵进行处理，根据待处理数据和样本数据的处理结果该处理结果确定相应的选股策略，因此可对待处理数据进行合理分析，降低处理结果的误差，因此可使得用户准确选择值得买入的股票。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的电子设备的方框示意图；
图2示出了本发明实施例提供的基于QSVM的多因子选股方法的一种流程示意图；
图3示出了本发明实施例提供的基于QSVM的多因子选股方法的另一种流程示意图；
图4示出了相似度获取线路的结构示意图；
图5示出了选股量子线路的结构示意图；
图6示出了HHL线路的结构示意图；
图7示出了本申请实施例提供的基于QSVM的多因子选股方法的另一种流程示意图；
图8示出了本发明实施例提供的一种基于QSVM的多因子选股装置的功能模块图。
图标：10-电子设备；100-存储器；110-处理器；120-通信模块；20-待处理数据分析模块；200-第二振幅编码线路；201-数据分析线路；21-样本数据处理模块；210-第一振幅编码线路；211-特征值提取线路；300-相位估计模块；310-相位旋转模块；320-逆相位估计模块；400-获取模块；410-确定模块。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
请参照图1，是本申请实施例提供的电子设备10的方框示意图。所述电子设备10包括存储器100、处理器110及通信模块120。所述存储器100、处理器110以及通信模块120各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中，存储器100用于存储程序或者数据。所述存储器100可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(ErasableProgrammable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory，EEPROM)等。
处理器110用于读/写存储器中存储的数据或程序，并执行相应地功能。
通信模块120用于通过所述网络建立所述服务器与其它通信终端之间的通信连接，并用于通过所述网络收发数据。
应当理解的是，图1所示的结构仅为电子设备10的结构示意图，所述电子设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，能够实现本申请实施例提供的基于QSVM的多因子选股方法。
接下来以上述图1中的电子设备10为执行主体，结合流程示意图对本申请实施例提供的基于QSVM的多因子选股方法进行示例性介绍。具体地，图2为本申请实施例提供的基于QSVM的多因子选股方法的一种流程示意图，请参见图2，该方法包括：
步骤S20，获取待处理数据、样本数据以及样本数据的核矩阵；
其中，待处理数据包括待分析股票的影响因子数据，样本数据包括样本股票的影响因子数据以及涨跌标签；
可选地，待分析股票为未知涨跌情况的股票，样本股票为已知涨跌情况的股票。
可以理解的，样本股票的涨跌标签用于表征样本股票的涨跌情况。在一种可能实现的情况中，该涨跌标签可以是“+1”、“-1”等形式。
可选地，股票的影响因子数据可以是能够对股票的涨跌情况产生影响的数据。由于股票的涨跌情况会受到公司的经营状况的影响，例如，财务状况较好、盈利能力强且债务较少的公司，其股票上涨的趋势越大，因此可以选择该公司的盈利数据、运营数据、债务数据等作为该公司股票的影响因子数据。
可选地，样本数据的核矩阵中每个值均表示样本数据之间的内积，其中，该核矩阵的对角线为每个样本数据与其本身的内积。
步骤S21，将待处理数据、样本数据以及样本数据的核矩阵输入至预设的选股量子线路中，以及根据选股量子线路对待处理数据和样本数据的处理结果确定选股策略。
可选地，该预设的选股量子线路可以事先设置在电子设备中，用于同时对样本数据、样本数据的核矩阵以及待处理数据进行处理，从而获得处理结果。
可选地，该选股策略可以为是否建议买入。在一个示例中，电子设备可以根据处理结果输出“建议买入”或“不建议买入”的选股策略，也可以直接以“+1”标识表征建议买入、“-1”标识表征不建议买入。
在本实施例中，电子设备可以在获得待处理数据、样本数据以及样本数据的核矩阵之后，将获取到的待处理数据、样本数据以及样本数据的核矩阵输入值预设的选股量子线路，以便通过该选股量子线路对待处理数据、样本数据以及样本数据的核矩阵进行处理，从而获得处理结果，并根据该结果确定选股策略。
本发明实施例提供的基于QSVM的多因子选股方法及相关装置，获取待处理数据、样本数据以及样本数据的核矩阵，之后将待处理数据、样本数据以及样本数据的核矩阵输入到预设的选股量子线路中，根据该选股量子线路对待处理数据和样本数据的处理结果确定选股策略，其中，该待处理数据包括待分析股票的影响因子数据，该样本数据包括样本股票的影响因子数据以及涨跌标签。该方法通过预设的选股量子线路对待处理数据、样本数据以及样本数据的核矩阵进行处理，根据待处理数据和样本数据的处理结果该处理结果确定相应的选股策略，因此可对待处理数据进行合理分析，降低处理结果的误差，因此可使得用户准确选择值得买入的股票。
可选地，基于量子计算机的特性，输入预设的选股量子线路中的数据需要事先经过归一化处理，同时，考虑到经过归一化处理后数据可能会损失一个维度，从而导致特征损失，因此还需要为数据添加一个辅助特征用于对损失的维度进行补充，以降低特征损失带来的影响。
具体地，该待处理数据可以通过对初始待处理数据添加第一辅助特征，并对添加了第一辅助特征的初始待处理数据进行归一化处理得到；该样本数据通过对初始样本数据添加第二辅助特征，并对添加了第二辅助特征的初始样本数据进行归一化处理得到；
其中，该第一辅助特征和第二辅助特征用于使待处理数据的平方和，与样本数据的平方和相等。
可选地，初始待处理数据和初始样本数据指的是电子设备初始获得的，未经过处理的数据。
在本实施例中，电子设备可以分别针对每个待处理数据添加对应的第一辅助特征，以及分别针对每个样本数据添加对应的第二辅助特征。
可以理解的，添加了第一辅助特征的每个待处理数据的平方和，以及添加了第二辅助特征的每个样本数据的平方和均相等。
在一种可能实现的方式中，电子设备可以根据多个待处理数据以及多个样本数据，确定其中平方和最大的数据，确定该数据对应的辅助特征为0，并以该数据的平方和为基准，分别针对其他的待处理数据和样本数据添加对应的第一辅助特征以及第二辅助特征。
在一个示例中，若待处理数据以及样本数据均为二维数据，且待处理数据包括(1,2)、(3,4)，样本数据包括(1,3)、(2,3)、则其中，平方和最大的数据为待处理数据(3,4)，其平方和为25，则可确定该待处理数据对应的第一辅助特征为0，即(3,4,0)，同时可以25为基准，为其他的待处理数据添加第一辅助特征以及为样本数据添加第二辅助特征。
在本示例中，添加了第一辅助特征的待处理数据为
Figure BDA0003908158570000081
(3,4,0)；添加了第二辅助特征的样本数据可以为
Figure BDA0003908158570000082
可选地，电子设备中还可以设置有相似度获取线路，电子设备可以根据多个样本数据以及相似度获取线路，获得样本数据的核矩阵。
具体地，在图2的基础上，图3为本申请实施例提供的基于QSVM的多因子选股方法的另一种流程示意图，请参见图3，该方法还包括：
步骤S10，将多个样本数据两两组合，获得多个组合样本数据；
步骤S11，每次将一个组合样本数据输入至预设的相似度获取线路，并通过相似度获取线路，获得每个组合样本数据中两个样本数据之间的相似度；
可选地，电子设备可以分别针对每个样本数据，将该样本数据与其他的样本数据进行两两组合，从而获得多个组合样本数据。
在本实施例中，电子设备可以每次将一个组合样本数据输入至预设的相似度获取线路，并通过该相似度获取线路对该组合样本数据中的两个样本数据进行处理，从而获得这两个样本数据之间的相似度。
在一种可能实现的情况下，该相似度获取线路可以为swap-test线路。具体的，图4为该相似度获取线路的结构示意图，请参见图4，该相似度获取线路包括q-0、q-1以及q-2三个量子比特位，且该线路中可以包括两个H(Hadamard，阿达马)门、受控SWAP门以及测量模块M。
需要说明的是，一般可以采用量子逻辑门处理量子比特，量子逻辑门可以是的量子态发生演化，是构成量子线路的基础。量子逻辑门包括单比特量子逻辑门(单门)、两比特量子逻辑门(双门)、以及多比特量子逻辑门(多门)。在本实施例中，H门即为单门中的一种，受控SWAP门为双门中的一种。
此外，量子态即为量子比特的逻辑状态，在量子算法(或称量子程序)中，针对量子线路包含的一组量子比特的量子态，采用二进制表示方式，例如，一组量子比特为q1、q2、q3，表示第1位、第2位、第3位量子比特，在二进制表示方式中从高位到低位排序为q3、q2、q1，该组量子比特对应的量子态共有2的量子比特总数次方个，即8个本征态(确定的状态)：|000>、|001>、|010>、|011>、|100>、|101>、|110>、|111>，每个量子态的位与量子比特对应一致，如|001>态，001从高位到低位对应q3q2q1，|>为狄拉克符号。
以单个量子比特说明，单个量子比特的逻辑状态可能处于|0>态、|1>态、|0>态和|1>态的叠加态(不确定状态)，具体可以表示为＝a|0>+b|1>，其中，a和b为表示量子态振幅(概率幅)的复数，振幅的模的平方表示概率，|a|2、|b|2分别表示逻辑状态是|0>态、|1>态的概率，|a|2+|b|2＝1。简言之，量子态是各本征态组成的叠加态，当其他态的概率为0时，即处于唯一确定的本征态。
可选地，在该相似度获取线路中，H门用于将制备成的量子态转化为叠加态；该受控SWAP门用于交换q-1以及q-2量子比特位上的量子态；该测量模块M用于对q-0量子比特位上的量子态。
在本实施例中，电子设备可以将一个组合样本数据中的两个样本数据分别制备至该相似度获取线路的q-1和q-2量子比特位上，并分别通过H门、受控SWAP门、H门对其进行处理，最终通过测量模块M对q-0量子比特位上的量子态进行测量，从而获得该组合样本数据中两个样本数据之间的相似度。
可选地，经过第一个H门处理后所获得的量子态
Figure BDA0003908158570000101
可以通过如下公式得到：
Figure BDA0003908158570000102
其中，|0,a,b>、|1,a,b>表征通过H门之后的量子态。
可选地，经过受控SWAP门后所获得的量子态
Figure BDA0003908158570000103
可以通过如下公式得到：
Figure BDA0003908158570000104
可选地，经过第二个H门后所获得的量子态
Figure BDA0003908158570000105
可以通过如下公式得到：
Figure BDA0003908158570000111
在此基础上，该线路测得为|0>态的概率P(|0>)可以通过如下公式得到：
Figure BDA0003908158570000112
其中，|a>表征q-1量子比特位上的量子态，|b>表征q-2量子比特位上的量子态，|<a|b>|2表征|a>与|b>的内积，即该组合样本数据中两个样本数据之间的相似度。
步骤S12，根据多个相似度生成核矩阵。
可选地，电子设备可以分别获得每个组合样本数据中的两个样本数据之间的相似度，之后根据多个相似度生成对应的核矩阵。
可选地，若有样本数据维度为n，则可以生成一个n×n的核矩阵，同时为了满足量子态需要进行0补充到最近的2的指数幂矩阵。
可选地，图5为选股量子线路的结构示意图，请参见图5，该选股量子线路包括两个H门、待处理数据分析模块20以及样本数据处理模块21，其中，该待处理数据分析模块20用于对待处理数据进行处理，该样本数据处理模块21用于对样本数据以及核矩阵进行处理。
可选地，H门用于将制备成的量子态转化为叠加态。可以理解的，该选股量子线路为上述swap-test线路的一个变式。
可选地，该选股量子线路中每条线路前方的斜线可用于表示该条线路可以不只一个量子比特位，即该条线路可能由多条线路构成。
在此基础上，电子设备可将待处理数据、样本数据以及样本数据的核矩阵分别输入至上述模块进行相应处理。
具体地，在图2的基础上，上述步骤S21中的将待处理数据、样本数据以及样本数据的核矩阵输入至预设的选股量子线路中，还可以通过如下步骤实现：
将待处理数据输入至待处理数据分析模块，将样本数据及核矩阵输入至样本数据处理模块；
其中，样本数据处理模块用于对样本数据进行振幅编码，并对振幅编码后的样本数据以及核矩阵进行特征值提取，待处理数据分析模块用于对待处理数据进行分析。
在本实施例中，该样本数据处理模块21处理后可以得到量子态|φ1>，该待处理数据分析模块20处理后可以得到量子态|φ2>，可以理解的，量子态|φ1>中包含样本数据信息，量子态|φ2>中包含待处理数据信息，且该量子态|φ1>以及量子态|φ2>分别可以通过如下公式表示：
Figure BDA0003908158570000121
Figure BDA0003908158570000122
其中，N1表征样本数据的归一化参数，N2表征待处理数据的归一化参数，b表征所求得的偏移相，d表征样本数据的个数，ψj表征第j个样本数据，ψ0表征待处理数据，αj表征所求得的权重系数。
可选地，请继续参照图5，该待处理数据分析模块20可以包括第二振幅编码线路200以及数据分析线路201，其中，该第二振幅编码线路200用于对待处理数据进行振幅编码，将振幅编码后的待处理数据编码至数据分析线路；该数据分析线路201用于对振幅编码后的待处理数据进行分析。
可选地，该第二振幅编码线路200的振幅编码过程U0可以通过以下公式表示：
U0|0>＝|ψ0>
其中，|ψ0>表征待分类数据的量子态。
可选地，请继续参照图5，该样本数据处理模块21还包括第一振幅编码线路210以及特征值提取线路211。
其中，该第一振幅编码线路210用于对样本数据进行振幅编码，将振幅编码后的样本数据编码至特征值提取线路；该特征值提取线路211用于对振幅编码后的样本数据以及核矩阵进行特征值提取。
可选地，该第一振幅编码线路210的振幅编码过程Ui可以通过以下公式表示：
Figure BDA0003908158570000131
其中，j表征第j个数据的输入，|j><j|表征只对第j个数据进行编码，d表征归一化之后的数据个数，|ψj>表征待处理数据的量子态。
可选地，该第一振幅编码线路210可以由多条量子线路构成。
具体地，图6为HHL线路的结构示意图，请参见图6，该HHL线路包括相位估计模块300、相位旋转模块310以及逆相位估计模块320。
其中，该相位估计模块300用于将核矩阵的特征值转移到基向量中；该相位旋转模块310用于将特征值从基向量中转移到振幅上；该逆相位估计模块320用于输出结果量子态。
可选地，该相位估计过程可以采用QPE量子线路，具体地，QPE操作可以表示为如下公式：
Figure BDA0003908158570000132
其中，
Figure BDA0003908158570000133
表征待处理的数据输入，λj表征特征值，
Figure BDA0003908158570000134
表征特征值λj的近似整数，
Figure BDA0003908158570000135
表征基向量，bj表征展开系数，|uj>表征矩阵A的谱分解基；N表征矩阵维度；j表征对应的序号。
可选地，该相位旋转模块310可利用受控旋转门转移特征值，具体地，受控旋转过程CR(k)可以表示为如下公式：
Figure BDA0003908158570000141
其中，C为
Figure BDA0003908158570000142
的归一化系数，且
Figure BDA0003908158570000143
在此基础上，对
Figure BDA0003908158570000144
经过遍历式旋转量子们操作后可以得到：
Figure BDA0003908158570000145
其中，
Figure BDA0003908158570000146
表征遍历式旋转量子门操作。
可选地，虽然理论上而言，受控旋转后的量子态已经可以被测量从而获得解量子态|x>，但是为了避免出现|uj>结果相同但
Figure BDA0003908158570000147
不同的需要合并的量子态
Figure BDA0003908158570000148
应当选择逆QPE操作来得到形如
Figure BDA0003908158570000149
的结果量子态，在此基础上，可以通过该逆相位估计模块320对上述旋转结果进行逆QPE，具体地，该逆QPE过程可以表示为如下公式：
Figure BDA00039081585700001410
其中，
Figure BDA00039081585700001411
表征逆QPE。表征
在本实施例中，该特征值提取线路211可以对核矩阵以及样本数据的涨跌标签进行处理，得到对应的量子态
Figure BDA00039081585700001412
b，并将该量子态输入至第一振幅编码线路210，且
Figure BDA00039081585700001413
b满足如下公式：
Figure BDA00039081585700001414
其中，-1以及1表征样本数据对应的涨跌标签，K表征核矩阵，γ表征预设的概率阈值。
可选地，请继续参见图5，该选股量子线路的第一条线路为控制比特，该选股量子线路中的第四条和第五条均为辅助控制比特，由于对于特征值提取线路211而言，需要辅助比特位测量结果满足预设的条件，才能确定该线路运行成功，因此，可以首先测量第四条线路的辅助控制比特的量子态，并在该辅助控制比特的量子态满足预设条件的情况下，再测量第一条线路的控制比特的量子态，在此基础上，选股量子线路对待处理数据和样本数据的处理结果包括控制比特为目标态的概率。
具体的，在图2的基础上，图7为本申请实施例提供的基于QSVM的多因子选股方法的另一种流程示意图，请参见图7，上述步骤S21中的根据选股量子线路对待处理数据和样本数据的处理结果确定选股策略，还可以通过如下步骤实现：
步骤S21-1，运行选股量子线路，以及测量选股量子线路的辅助控制比特；
步骤S21-2，若辅助控制比特满足预设条件，则测量选股量子线路的控制比特；
可选地，该预设条件可以是辅助控制比特的量子态为|1>态。
可选地，若辅助控制比特的量子态不满足预设条件，则电子设备可以重新运行选股量子线路。
步骤S21-3，若控制比特为目标态的概率大于等于预设概率，则确定选股；
步骤S21-4，若控制比特为目标态的概率小于预设概率，则确定不选股。
可选地，该目标态可以为|1>态；该预设概率可以是二分之一。
可以理解的，由于选股量子线路为上述swap-test线路的一个变式，因此该控制比特为|1>的概率
Figure BDA0003908158570000151
其中，|φ1>为样本数据处理模块21生成的量子态，|φ2>为待处理数据分析模块20生成的量子态。
在本实施例中，电子设备可以首先测量辅助控制比特的量子态，若其满足预设条件，则电子设备可继续测量选股量子线路的控制比特，若该控制比特的量子态为目标态的概率大于等于预设概率，则可确定针对该股票的选股策略为选股，若该控制比特的量子态为目标态的概率小于预设概率，则可确定针对该股票的选股策略为不选股。
此外，经过理论分析，该处理结果的误差为30％左右，误差较小。
为了执行上述实施例及各个可能的方式中的相应步骤，下面给出一种基于QSVM的多因子选股装置的实现方式，可选地，该基于QSVM的多因子选股装置可以采用上述图1所示的电子设备的器件结构。进一步地，请参阅图8，图8为本发明实施例提供的一种基于QSVM的多因子选股装置的功能模块图。
需要说明的是，本实施例所提供的基于QSVM的多因子选股装置，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。该基于QSVM的多因子选股装置包括：获取模块400以及确定模块410。
该获取模块400，用于获取待处理数据、样本数据以及样本数据的核矩阵；待处理数据包括待分析股票的影响因子数据，样本数据包括样本股票的影响因子数据以及涨跌标签；
可以理解地，该获取模块400还可以执行上述步骤S20；
该确定模块410，用于将待处理数据、样本数据以及样本数据的核矩阵输入至预设的选股量子线路中，以及根据选股量子线路对待处理数据和样本数据的处理结果确定选股策略。
可以理解地，该确定模块410还可以执行上述步骤S21。
可选地，该确定模块410，还用于将待处理数据输入至待处理数据分析模块，将样本数据及核矩阵输入至样本数据处理模块。
可选地，该获取模块400，还用于将多个样本数据两两组合，获得多个组合样本数据；每次将一个组合样本数据输入至预设的相似度获取线路，并通过相似度获取线路，获得每个组合样本数据中两个样本数据之间的相似度；根据多个相似度生成核矩阵。
可以理解地，该获取模块400还可以执行上述步骤S10～步骤S12。
可选地，该确定模块410，还用于运行选股量子线路，以及测量选股量子线路的辅助控制比特；若辅助控制比特满足预设条件，则测量选股量子线路的控制比特；若控制比特为目标态的概率大于等于预设概率，则确定选股；若控制比特为目标态的概率小于预设概率，则确定不选股。
可以理解地，该确定模块410还可以执行上述步骤S21-1～步骤S21-4。
本申请实施例提供的基于QSVM的多因子选股装置，通过获取模块获取待处理数据、样本数据以及样本数据的核矩阵；待处理数据包括待分析股票的影响因子数据，样本数据包括样本股票的影响因子数据以及涨跌标签；通过确定模块将待处理数据、样本数据以及样本数据的核矩阵输入至预设的选股量子线路中，以及根据选股量子线路对待处理数据和样本数据的处理结果确定选股策略。通过预设的选股量子线路对待处理数据、样本数据以及样本数据的核矩阵进行处理，根据待处理数据和样本数据的处理结果该处理结果确定相应的选股策略，因此可对待处理数据进行合理分析，降低处理结果的误差，因此可使得用户准确选择值得买入的股票。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于QSVM的多因子选股方法，其特征在于，所述方法包括：
获取待处理数据、样本数据以及所述样本数据的核矩阵；所述待处理数据包括待分析股票的影响因子数据，所述样本数据包括样本股票的影响因子数据以及涨跌标签；
将所述待处理数据、所述样本数据以及所述样本数据的核矩阵输入至预设的选股量子线路中，以及根据所述选股量子线路对所述待处理数据和样本数据的处理结果确定选股策略。
2.根据权利要求1所述的方法，其特征在于，所述选股量子线路包括待处理数据分析模块以及样本数据处理模块；所述将所述待处理数据、所述样本数据以及所述样本数据的核矩阵输入至预设的选股量子线路中，包括：
将所述待处理数据输入至所述待处理数据分析模块，将所述样本数据及所述核矩阵输入至所述样本数据处理模块；
所述样本数据处理模块用于对所述样本数据进行振幅编码，并对振幅编码后的样本数据以及所述核矩阵进行特征值提取，所述待处理数据分析模块用于对所述待处理数据进行分析。
3.根据权利要求2所述的方法，其特征在于，所述样本数据处理模块包括第一振幅编码线路和特征值提取线路，所述第一振幅编码线路用于对所述样本数据进行振幅编码，将振幅编码后的样本数据编码至所述特征值提取线路；所述特征值提取线路用于对振幅编码后的样本数据以及所述核矩阵进行特征值提取。
4.根据权利要求2或3所述的方法，其特征在于，所述待处理数据分析模块包括第二振幅编码线路和数据分析线路，所述第二振幅编码线路用于对所述待处理数据进行振幅编码，将振幅编码后的待处理数据编码至所述数据分析线路，所述数据分析线路用于对振幅编码后的待处理数据进行分析。
5.根据权利要求1所述的方法，其特征在于，所述样本数据为多个，所述方法还包括：
将多个所述样本数据两两组合，获得多个组合样本数据；
每次将一个所述组合样本数据输入至预设的相似度获取线路，并通过所述相似度获取线路，获得每个所述组合样本数据中两个样本数据之间的相似度；
根据多个所述相似度生成所述核矩阵。
6.根据权利要求1所述的方法，其特征在于，所述待处理数据通过对初始待处理数据添加第一辅助特征，并对添加了所述辅助特征的初始待处理数据进行归一化处理得到；所述样本数据通过对初始样本数据添加第二辅助特征，并对添加了所述辅助特征的初始样本数据进行归一化处理得到；
其中，所述第一辅助特征和所述第二辅助特征用于使所述待处理数据的平方和与所述样本数据的平方和相等。
7.根据权利要求1所述的方法，其特征在于，所述处理结果包括控制比特为目标态的概率，所述根据所述选股量子线路对所述待处理数据和样本数据的处理结果确定选股策略，包括：
运行所述选股量子线路，以及测量所述选股量子线路的辅助控制比特；
若所述辅助控制比特满足预设条件，则测量所述选股量子线路的控制比特；
若所述控制比特为目标态的概率大于等于预设概率，则确定选股；
若所述控制比特为目标态的概率小于所述预设概率，则确定不选股。
8.一种基于QSVM的多因子选股装置，其特征在于，所述装置包括：
获取模块，用于获取待处理数据、样本数据以及所述样本数据的核矩阵；所述待处理数据包括待分析股票的影响因子数据，所述样本数据包括样本股票的影响因子数据以及涨跌标签；
确定模块，用于将所述待处理数据、所述样本数据以及所述样本数据的核矩阵输入至预设的选股量子线路中，以及根据所述选股量子线路对所述待处理数据和样本数据的处理结果确定选股策略。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机程序，所述处理器可执行所述计算机程序以实现权利要求1-7任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
CN202211313790.XA 2022-10-25 2022-10-25 基于qsvm的多因子选股方法及相关装置 Pending CN115482111A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211313790.XA CN115482111A (zh) 2022-10-25 2022-10-25 基于qsvm的多因子选股方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211313790.XA CN115482111A (zh) 2022-10-25 2022-10-25 基于qsvm的多因子选股方法及相关装置

Publications (1)

Publication Number Publication Date
CN115482111A true CN115482111A (zh) 2022-12-16

Family

ID=84395149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211313790.XA Pending CN115482111A (zh) 2022-10-25 2022-10-25 基于qsvm的多因子选股方法及相关装置

Country Status (1)

Country Link
CN (1) CN115482111A (zh)

Similar Documents

Publication Publication Date Title
CN112561069B (zh) 模型处理方法、装置、设备及存储介质
WO2021189844A1 (zh) 多元kpi时间序列的检测方法、装置、设备及存储介质
CN108763277B (zh) 一种数据分析方法、计算机可读存储介质及终端设备
CN110674303B (zh) 事件语句处理方法、装置、计算机设备和可读存储介质
Zhang et al. Enhancing label correlation feedback in multi-label text classification via multi-task learning
Sottinen et al. Generalized Gaussian bridges
US20240005184A1 (en) Boosting quantum artificial intelligence models
CN112529197A (zh) 量子态保真度确定方法、装置、设备和存储介质
US20240095571A1 (en) Method and apparatus for constructing quantum circuit corresponding to linear function
CN112529024A (zh) 一种样本数据的生成方法、装置及计算机可读存储介质
CN114580648A (zh) 消除广义振幅阻尼噪声的方法及装置、电子设备和介质
CN108595381B (zh) 健康状态评价方法、装置及可读存储介质
CN113762294B (zh) 一种特征向量维度压缩方法、装置、设备、介质
CN114580649A (zh) 消除量子泡利噪声的方法及装置、电子设备和介质
CN115482111A (zh) 基于qsvm的多因子选股方法及相关装置
CN117035416A (zh) 企业风险评估方法、企业风险评估装置、设备及存储介质
CN114580643B (zh) 确定方法、模型处理方法、装置、设备及存储介质
Kim et al. Goodness-of-fit tests for binomial AR (1) processes
CN116136968B (zh) Grover算法的量子线路优化方法及相关装置
CN113010687B (zh) 一种习题标签预测方法、装置、存储介质以及计算机设备
CN115238645A (zh) 资产数据识别方法、装置、电子设备和计算机存储介质
KR102515090B1 (ko) 오류가 있는 고전적 학습 표본에 대한 패리티 학습 양자 알고리즘, 양자 회로 및 이를 이용한 시스템
CN114862079A (zh) 基于量子线路的风险值估算方法、装置、介质及电子装置
Zhao et al. Genetic simulated annealing-based kernel vector quantization algorithm
CN116432014A (zh) 对抗样本的生成方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination