[发明专利]一种量子神经网络的股票指数价格预测方法

说明书

一种量子神经网络的股票指数价格预测方法，基于“主要集合经验模态分解算法”，即PEEMD算法,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。数据输入模块用于获取股票指数的最新交易数据，数据预处理模块用于对数据进行分解，数据转化模块用于将原始数据转化为“量子态”数据，数据训练及预测模块用于将“量子态”数据进行训练预测，数据重构模块用于重构所述数据的预测结果。本发明先利用PEEMD算法对原始数据进行预处理，将非平稳的时序数据分解为多个不同频率的近似平稳数据并剔除其中的高频分量，只对中低频分量通过量子神经网络进行仿真预测，最后将各个仿真结果进行重构得到最终预测结果，从而有效提高模型的预测性能。

技术领域

本发明涉及股票指数价格预测方法技术领域和算法应用领域，特别涉及一种量子神经网络的股票指数价格预测方法。

背景技术

股票市场不像一般的线性系统具有很强的规律性，它往往具有非线性、波动性和难以预测性的特征，不仅如此，股市的走势还会受到所处的经济坏境、人们心里预期等因素的影响。

对于股票市场这种非线性、波动性的复杂系统，建立模型对股价进行预测实质上就是建立一个数学模型来模拟输入和输出参数之间的非线性关系。

经济增长与金融市场发展存在正相关关系，股票市场推动了经济增长，它促进了经济中其它闲置并较为分散资本的流通和交易。与此同时，当整体经济发生增长，经济开始复苏的时候，其带来的附加效应又会反过来促进股票市场的发展，这种相互促进的正相关关系会因国家而异，而且因经济发展水平不同而有所不同。

量子神经网络模型是目前较为新颖的神经网络预测模型之一，它在传统神经网络的架构上结合了“量子计算”形成了一种新型神经网络结构，其输入层和隐藏层神经元不再是普通神经元而是量子神经元，由于引入了“量子计算”，使得该模型的预测效率得到了极大提升，而且解决了部分复杂、随机的非线性系统预测精度问题以及传统神经网络容易“过拟合”和“陷入局部极小值”的问题。

由于股票市场的波动性和不确定性，再加之股票价格不仅受到历史的影响，还要考虑政治因素以及人的心理因素，要对股价进行预测是一件很困难的事，作为投资者来说，其最关心的是股市价格的趋势方向，尽管量子神经网络在线性系统上的预测性能很好，但是对于股市价格这种具有非线性特征的时序数据，量子神经网络的预测精度尤其是趋势方向判断上并没有实质性的提升，而目前市场上又没有一个更好的算法结合量子神经网络对股票指数价格进行预测。

发明内容

本发明提供一种量子神经网络的股票指数价格预测方法旨在解决仅仅利用市场历史交易信息对股票指数价格进行预测，其趋势方向预测精度不高和模型训练效率过低的问题。

一种量子神经网络的股票指数价格预测方法，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(主要集合经验模态分解算法)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。

上述方法中，所述数据预处理模块主要包括原始数据分解和高频混杂信号的剔除。

上述方法中，所述数据训练及预测模块主要包括量子神经网络的构建模块和模型预测模块。