[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

说明书

本发明公开了量子隐马尔可夫的股票预测方法、系统、存储介质和终端，方法包括以下步骤：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。本发明相较于现有技术中采用隐马尔科夫模型对股票数据进行预测，将量子版本的隐马尔可夫模型加入股票预测模型，不仅可以验证量子算法和经典算法结合的可信性，而且可以在使用更少参数的情况下(即将隐马尔可夫模型中的AC这两个概率矩阵融入到Karus算符中，从而达到减少参数的使用)，达到和传统隐马尔可夫模型类似的效果。

技术领域

本发明涉及量子金融领域，尤其涉及量子隐马尔可夫的股票预测方法、系统、存储介质和终端。

背景技术

隐马尔可夫模型作为统计学中的重要概念，已广泛用于金融领域以建立基于制度的模型，早在1989年Hamilton就提出使用制度转换模型来识别使用GNP序列的经济周期，而后Guidolin等人又广泛回顾了马尔可夫转换模型在实证金融中的应用，包括股票收益、无违约利率期限结构、汇率以及股票和债券收益的联合过程。在资产配置之外，HMM已被用于捕捉能源价格动态(Dias和Ramos，2014年)以构建信用风险系统，例如Petropoulos、Chatzis和Xanthopoulos(2016年)使用学生的HMM构建信用评级系统。其结果证明，隐马尔可夫算法已经是金融行业中不可或缺的重要算法。

股票作为金融行业中一个重要的市场，现有技术中的部分专利公开了隐马尔可夫和股票预测的专利：很多利用公开号为CN110400222A的发明专利公开了一种基于隐马尔可夫与深度学习的股市预测方法，其有效结合隐马尔可夫模型和深度学习，并以市场投资者常用技术指标数据作为特征，具有良好的效果，为投资者提供参考价值；而公开号为CN103778215B的发明专利公开了一种基于情感分析和隐马尔科夫模型融合的股市预测方法，该发明通过利用财经新闻网页中的情感倾向性信息，提高了股市预测的准确性，在倾向性分析、主题检测、股市预测、网络内容监控等领域具有广阔的应用前景。

但是由于股票具有流动性大、数据量大的特点，目前经典计算机的计算能力在面对如此巨大的数据量进行处理就会显得力不从心。随着社会的发展，量子力学也逐渐进入人们的视野中。因此将目光转向了计算能力大大超过经典计算机的量子计算机。各种量子算法在处理问题时的速度要快于传统通用计算机。

量子计算的作为未来科技的重点发展方向，其在社会生活、生产中的作用越来越大。而量子金融就是量子计算与金融行业相结合，发挥其运算速度快，可容纳数据量大的优势，可将计量经济学带到一个新的高度。许多经典的算法也被研究出相应的量子版本，并被证明，量子版本能够产生更加优越的性能。目前，量子版本的算法很少用于解决实际问题，几乎都是在理论上来证明其运算效率以及时间复杂度是优于经典算法的。而如果能将基于传统隐马尔可夫模型的量子版本的隐马尔可夫模型，应用于金融领域尤其是股票领域的预测，会对未来量子计算在金融中的应用起到重要的推进作用。

因此，提供一种量子隐马尔可夫的股票预测方法、系统、存储介质和终端，用以解决传统隐马尔可夫算法在预测股票市场走势中的参数过多、以及数据量较大时时间空间复杂度需求较大的两大问题，属于本领域亟待解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供量子隐马尔可夫的股票预测方法、系统、存储介质和终端。

本发明的目的是通过以下技术方案来实现的：

本发明的第一方面，提供量子隐马尔可夫的股票预测方法，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；