[发明专利]量子隐马尔可夫的股票预测方法、系统、存储介质和终端

权利要求书

1.量子隐马尔可夫的股票预测方法，其特征在于：包括以下步骤：

将一定周期内按时序排列的股票的观测状态输入至训练后的量子隐马尔可夫模型，输出下一时刻不同观测状态的股票预测数据；所述量子隐马尔可夫模型的训练步骤包括:

将传统隐马尔可夫模型来推导量子隐马尔可夫模型；

在量子隐马尔可夫模型中，利用历史的股票观测状态构造似然函数，并通过似然函数转化、有约束优化问题转化、无约束问题转化和梯度下降算法求解，输出得到量子隐马尔可夫模型的股票预测数据输出；

采用DA算法判定生成的量子隐马尔可夫模型的好坏，对量子隐马尔可夫模型进行更新。

2.根据权利要求1所述的量子隐马尔可夫的股票预测方法，其特征在于：所述的股票的观测状态为股票观测数据的观测状态，所述观测数据包括开盘价、最高价、最低价、收盘价、成交量中的一种或者多种，所述观测状态对应观测数据的多个变化区间。

3.根据权利要求1所述的量子隐马尔可夫的股票预测方法，其特征在于：所述将传统隐马尔可夫模型来推导量子隐马尔可夫模型，包括：

式中，t表示t时刻，y_t表示观测状态，ρ_t-1表示已知状态，p(y_t|ρ_t-1)表示在已知t-1时刻的状态下，t时刻观测状态的条件概率，tr()表示求迹，表示t-1时刻的观测状态所对应的Karus算符；

所述在量子隐马尔可夫模型中，利用历史的股票观测状态构造似然函数，并通过似然函数转化、有约束优化问题转化、无约束问题转化和梯度下降算法求解，输出得到量子隐马尔可夫模型的股票预测数据输出，具体为：

将历史的股票观测状态y₁，y₂，y₃，…，y_T构造似然函数然后用似然函数对所有可能的Karus算符求导数进行梯度下降极大化似然函数的值，从而得到Karus算符的一个矩阵解，是第y_i个2*2的Karus运算矩阵，每个观测值都会对应一个运算矩阵，初始时都一样；并且ρ₀表示初始的密度矩阵；将推导出来的量子隐马尔可夫模型的求解转化为有约束的优化问题：

m表示第m个Karus算符；

重新构建出一个新的矩阵κ，把所有2*2的Karus算符矩阵根据输出数S按列堆积成一个2S*2的矩阵κ，新构建出来的矩阵κ需要满足条件输出数S即股票观测状态的类型数量；所述有约束的优化问题写为：

由于κ是处于Stiefel流形上的，其有约束的优化问题可以转为如下的无约束问题，可以用梯度下降算法求解：

式中，G表示似然函数对于k的偏微分，U表示[G|k]，τ表示梯度下降的步长，表示[k|-G]；

通过κ反推出Karus算符，并通过Karus算符求解得到量子隐马尔可夫模型输出下一时刻预测序列的可能性p(y_t|ρ_t-1)。

4.根据权利要求3所述的量子隐马尔可夫的股票预测方法，其特征在于：采用DA算法判定生成的量子隐马尔可夫模型的好坏，对量子隐马尔可夫模型进行更新，包括：

利用DA来判定来判定生成模型的好坏：

式中，l是序列的长度，s是隐藏状态的数量，Y是观测数据，D是量子隐马尔可夫模型，并且：

当DA＝1时，说明模型完美的预测了序列；通过每次运行的情况，绘制DA根据梯度下降算法的迭代次数的增加而变化的图形，从而修改迭代次数和梯度下降算法中的其他参数，使得最后的DA值能够收敛到靠近1的数值。