基于量子卷积神经网络的标的物目标参数预测方法及装置与流程

本发明涉及量子计算领域，特别涉及一种基于量子卷积神经网络的标的物目标参数预测方法及装置。

背景技术：

1、金融产品通常可以指资金融通过程的各种载体，它包括货币、黄金、外汇、有价证券等。金融产品的价格受多种因素的影响，金融产品的价格通常随时间的变化产生波动，投资者的收益也呈波动状态。金融产品市场的数据繁多、冗杂，难以对金融产品价格进行预测。电子货币与金融产品具有很多相似性，比如：价格也受多种因素的影响，电子货币的价格通常也随时间的变化产生波动。

2、卷积神经网络(convolutional neural networks，简称cnn)最初由y.lecun在20世纪80年代开发，由于图形处理器(gpu)新颖的计算能力，卷积神经网络在过去十年中取得了许多实际成功。卷积神经网络是图像识别任务中使用最广泛的算法。卷积神经网络已被用于各种领域，如自动驾驶汽车、引力波探测等。卷积神经网络在工业和社会中的重要性越来越大。卷积神经网络可以用来预测金融产品或电子货币等标的物的价格。但是，随着标的物的数据规模和算法复杂性的增加，卷积神经网络将需要更加强大的算力支持。目前，鉴于经典计算机的算力有限，卷积神经网络面临算力瓶颈的问题。

3、量子计算是一种新的计算范式。量子计算机具有提供强大算力的潜力。基于量子计算机的量子深度学习(quantum deep learning)有望解决标的物随时间变化的价格预测问题。目前，量子深度学习无法直接实现标的物价格预测问题。

技术实现思路

1、本发明要解决的技术问题是为了克服现有技术中标的物量子深度学习无法直接实现标的物价格预测问题的上述缺陷，提供一种基于量子卷积神经网络的标的物目标参数预测方法及装置。

2、本发明是通过下述技术方案来解决上述技术问题：

3、一种基于量子卷积神经网络的标的物目标参数预测方法，所述标的物目标参数的预测方法包括：

4、获取所述标的物的一段时间内的数据集，将至少部分所述数据集设定为训练数据集和测试数据集；

5、将所述训练数据集输入预设的量子卷积神经网络，所述量子卷积神经网络达到收敛状态时，所述量子卷积神经网络完成训练，保存所述量子卷积神经网络的参数，生成标的物目标参数预测模型；

6、将所述测试数据集输入所述目标参数预测模型，所述标的物目标参数预测模型输出所述标的物目标参数的预测值。

7、在本方案中，通过采用以上方法，获取标的物在过去某段时间内的数据集，从而可以获得标的物相关参数的时间序列数据。数据集划分为训练数据集和测试数据集，并将训练数据集输入量子卷积神经网络，量子卷积神经网络达到收敛状态后保存参数，生成标的物目标参数预测模型。最后将测试数据集输入标的物目标参数预测模型，标的物目标参数预测模型可以给出相应的预测值。标的物目标参数的预测方法通过利用量子卷积神经网络可以高效地完成标的物参数的特征提取及特征映射，利用量子计算强大的算力，可以快速实现量子卷积神经网络的训练及预测值的输出。通过将预测值设置为标的物价格，标的物目标参数的预测方法可以快速、高效地实现对标的物价格的预测。

8、较佳地，所述量子卷积神经网络包括池化层，所述池化层输出深层特征数据；所述量子卷积神经网络还包括双量子层，所述双量子层用于将所述深层特征数据转化为量子态特征数据，所述双量子层还用于处理所述量子态特征数据，并将处理后的所述量子态特征数据传输至所述量子卷积神经网络的全连接层。

9、较佳地，所述双量子层包括量子嵌入，所述量子嵌入用于将所述深层特征数据转换为量子电路中的门参数。

10、较佳地，所述双量子层包括强纠缠层，所述强纠缠层用于处理所述量子态特征数据。

11、较佳地，所述强纠缠层包括若干子层，每个所述子层包括相连接的单量子比特旋转和纠缠器，所述单量子比特旋转和所述纠缠器处理所述量子态特征数据。

12、较佳地，所述数据集包括标的物在一段时间内按时间顺序阵列的开盘价、收盘价、成交量、收益率的一种或多种。

13、较佳地，所述量子卷积神经网络训练过程中，所述量子卷积神经网络输出的预测值与训练数据集中的真实值相比较，优化所述量子卷积神经网络的平方损失。

14、较佳地，所述量子卷积神经网络训练还包括顺次相连的输入层及卷积层；所述输入层用于接收所述训练数据集或所述测试数据集，并将接收的数据传输至所述卷积层；所述卷积层对输入的数据进行卷积计算以生成特征数据，所述卷积层还用于将所述特征数据传输至所述量子卷积神经网络的池化层。

15、较佳地，所述量子卷积神经网络未达到收敛状态之前，调整所述量子卷积神经网络的参数。

16、一种标的物目标参数的预测装置，所述标的物目标参数的预测装置用于执行如上所述的标的物目标参数的预测方法，所述标的物目标参数的预测装置包括：

17、数据获取模块，所述数据获取模块用于获取标的物的一段时间内的数据集，并将至少部分所述数据集设定为训练数据集和测试数据集；

18、量子卷积神经网络运算模块，所述量子卷积神经网络运算模块接收并处理所述训练数据集，所述量子卷积神经网络运算模块达到收敛状态时保存参数；

19、所述量子卷积神经网络运算模块还用于输入所述测试数据集，以输出所述标的物目标参数的预测值。

20、在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

21、本发明的积极进步效果在于：

22、本发明通过获取标的物在过去某段时间内的数据集，从而可以获得标的物相关参数的时间序列数据。数据集划分为训练数据集和测试数据集，并将训练数据集输入量子卷积神经网络，量子卷积神经网络达到收敛状态后保存参数，生成标的物目标参数预测模型。最后将测试数据集输入标的物目标参数预测模型，标的物目标参数预测模型可以给出相应的预测值。标的物目标参数的预测方法通过利用量子卷积神经网络可以高效地完成标的物参数的特征提取及特征映射，利用量子计算强大的算力，可以快速实现量子卷积神经网络的训练及预测值的输出。通过将预测值设置为标的物价格，标的物目标参数的预测方法可以快速、高效地实现对标的物价格的预测。

技术特征：

1.一种基于量子卷积神经网络的标的物目标参数预测方法，其特征在于，所述标的物目标参数的预测方法包括：

2.如权利要求1所述的标的物目标参数的预测方法，其特征在于，所述量子卷积神经网络包括池化层，所述池化层输出深层特征数据；所述量子卷积神经网络还包括双量子层，所述双量子层用于将所述深层特征数据转化为量子态特征数据，所述双量子层还用于处理所述量子态特征数据，并将处理后的所述量子态特征数据传输至所述量子卷积神经网络的全连接层。

3.如权利要求2所述的标的物目标参数的预测方法，其特征在于，所述双量子层包括量子嵌入，所述量子嵌入用于将所述深层特征数据转换为量子电路中的门参数。

4.如权利要求2所述的标的物目标参数的预测方法，其特征在于，所述双量子层包括强纠缠层，所述强纠缠层用于处理所述量子态特征数据。

5.如权利要求4所述的标的物目标参数的预测方法，其特征在于，所述强纠缠层包括若干子层，每个所述子层包括相连接的单量子比特旋转和纠缠器，所述单量子比特旋转和所述纠缠器处理所述量子态特征数据。

6.如权利要求1所述的标的物目标参数的预测方法，其特征在于，所述数据集包括标的物在一段时间内按时间顺序阵列的开盘价、收盘价、成交量、收益率的一种或多种。

7.如权利要求1所述的标的物目标参数的预测方法，其特征在于，所述量子卷积神经网络训练过程中，所述量子卷积神经网络输出的预测值与训练数据集中的真实值相比较，优化所述量子卷积神经网络的平方损失。

8.如权利要求1所述的标的物目标参数的预测方法，其特征在于，所述量子卷积神经网络训练还包括顺次相连的输入层及卷积层；所述输入层用于接收所述训练数据集或所述测试数据集，并将接收的数据传输至所述卷积层；所述卷积层对输入的数据进行卷积计算以生成特征数据，所述卷积层还用于将所述特征数据传输至所述量子卷积神经网络的池化层。

9.如权利要求8所述的标的物目标参数的预测方法，其特征在于，所述量子卷积神经网络未达到收敛状态之前，调整所述量子卷积神经网络的参数。

10.一种标的物目标参数的预测装置，其特征在于，所述标的物目标参数的预测装置用于执行如权利要求1-9中任意一项所述的标的物目标参数的预测方法，所述标的物目标参数的预测装置包括：

技术总结
本发明公开了一种基于量子卷积神经网络的标的物目标参数预测方法及装置。包括：获取标的物的一段时间内的数据集，并设定为训练数据集和测试数据集；将训练数据集输入预设的量子卷积神经网络，达到收敛状态时，完成训练，保存量子卷积神经网络的参数，生成标的物目标参数预测模型；将测试数据集输入目标参数预测模型，输出预测值。通过获取标的物在过去某段时间内的数据集，从而可以获得标的物相关参数的时间序列数据。数据集划分为训练数据集和测试数据集，并将训练数据集输入量子卷积神经网络，量子卷积神经网络达到收敛状态后保存参数，生成标的物目标参数预测模型。将测试数据集输入标的物目标参数预测模型，可以给出相应的预测值。

技术研发人员：马弘立
受保护的技术使用者：上海图灵智算量子科技有限公司
技术研发日：
技术公布日：2024/1/13