[发明专利]一种量子神经网络的股票指数价格预测方法

权利要求书

1.一种量子神经网络的股票指数价格预测方法，其特征在于主要包括数据输入模块、数据预处理模块、数据转化模块、数据训练及预测模块、数据重构模块，所述数据输入模块用于获取股票指数的最新交易数据，所述数据预处理模块用于对所述数据输入模块输入的时序数据通过PEEMD算法进行预处理，所述数据转化模块用于将所述数据预处理模块处理得到的数据转化为“量子态”数据，所述数据训练及预测模块用于将所述数据转化模块得到的“量子态”数据进行训练预测，所述数据重构模块用于重构所述数据训练及预测模块的预测结果，其预测步骤是：将所述数据输入模块的输入数据送到所述数据预处理模块进行预处理，再送到所述数据转化模块进行转化，然后通过所述数据训练及预测模块进行预测，最后通过所述数据重构模块将预测结果进行重构得到最终的预测结果。

2.根据权利要求1所述的一种量子神经网络的股票指数价格预测方法，其特征在于，所述数据预处理模块(2)主要包括原始数据分解和高频混杂信号的剔除。

3.根据权利要求1所述的一种量子神经网络的股票指数价格预测方法，其特征在于，所述数据训练及预测模块(4)主要包括量子神经网络的构建模块(6)和模型预测模块(7)。

4.根据权利要求1所述的一种量子神经网络的股票指数价格预测方法，其特征在于，所述量子神经网络的构建模块(6)主要包括三层网络结构，其中输入层和隐藏层节点为量子神经元，输出层节点为普通神经元，其中输入层神经元节点数是4，隐藏层节点数是3，输出层节点数是1，隐藏层的激活函数是Sigmoid函数，输出层的激活函数是ReLU函数，输入层与隐藏层通过旋转参数和翻转参数相连接，隐藏层与输出层通过普通权重相连接。

5.根据权利要求1所述的一种量子神经网络的股票指数价格预测方法，其特征在于，所述模型预测模块(7)是利用所述数据转化模块(3)的数据通过所述量子神经网络的构建模块(6)对股票指数每日收盘价进行预测。

6.根据权利要求1所述的一种量子神经网络的股票指数价格预测方法，其特征在于，所述PEEMD算法步骤如下：

1)在待分析信号中加入正态分布白噪声；

2)用EMD算法，分解混有正态分布白噪声的原始信号，得到一系列本征模态分量；

3)将每次得到的模态分量平均处理后作为最终分解结果；

4)重复1)至3)，每次将新的正态分布白噪声加入到剩余的信号中；

5)检查最后残差项是否满足中止条件，若满足中止条件，停止迭代；

6)剔除其中高频混杂分量，将剩余中低频和残差项分量作为最终输出结果。

7.根据权利要求2所述的一种量子神经网络的股票指数价格预测方法，其特征在于，所述原始数据分解主要是利用EEMD算法，该算法是将白噪声信号添加到原始信号中，并将获得的组合作为一个整体，噪声在多次求和取平均后相互抵消，不同尺度的信号分量自动分布到适当的参考尺度，最后对混有高斯白噪声的数据进行逐层分解，得到一系列不同频率近似平稳的本征模态分量，不同频率的分量包含了原始数据对应频率的特征信息。

8.根据权利要求2所述的一种量子神经网络的股票指数价格预测方法，其特征在于，所述高频混杂信号的剔除，其本质是剔除所述原始数据分解得到的高频本征模态分量，只对剩余中低频信号进行训练预测。

9.根据权利要求7所述的一种量子神经网络的股票指数价格预测方法，其特征在于，所述EEMD算法通过把白噪声引入要分析的信号中，对混有白噪声的原始信号进行EMD分解，再对各分量取平均得到最终结果。

10.根据权利要求1至9任一项所述的一种量子神经网络的股票指数价格预测方法，其特征在于，所述量子神经网络的构建模块(6)的主要学习算法如下：

将实数态转换为量子态：

将n维空间的实数向量通过一定的映射关系，转化为符合量子神经网络输入的数据结构，其转换公式如下：

|X>＝[|x₁>,|x₂>,…|x_n>]^T，

误差反向传导调整参数：

在量子神经网络中，要对学习误差通过量子神经网络进行反向传导，以此调节以下四个参数：旋转因子、翻转因子、输出层阈值、连接权重，并通过反复训练找到全局最优解，其中误差函数如下：

根据梯度下降法，可以推导出参数调整的方向和结果，其调整的关系式如下：

对于输出层阈值，采用动量梯度下降法和因子自适应学习方法进行调整，得到最终调整后的参数。