一种量子神经网络的股票指数价格预测方法技术

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。本发明专利技术先利用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。

A Quantum Neural Network Method for Stock Index Price Prediction

【技术实现步骤摘要】
一种量子神经网络的股票指数价格预测方法
本专利技术涉及股票指数价格预测方法
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。
技术介绍
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。
技术实现思路
本专利技术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。上述方法中，所述量子神经网络的构建模块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。上述方法中，所述模型预测模块是利用所述数据转化模块的数据通过所述量子神经网络的构建模块对股票指数每日收盘价进行预测。上述方法中，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(经验模态分解算法)分解所述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。上述方法中，所述原始数据分解主要是利用EEMD(集合经验模态分解算法)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。上述方法中，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。上述方法中，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。所述一种量子神经网络的股票指数价格预测方法，其特征在于，量子神经网络的构建模块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>,…|xn>]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。本专利技术提出的一种量子神经网络的股票指数价格预测方法，其优点和有益效果在于，利用PEEMD算法将非平稳随机波动信号分解为一系列近似平稳的时序数据能够提高模型在波动性干扰下的稳定性。通过剔除高频模态的混杂分量，只对剩余中低频分量进行模型预测能够解决高频混合的抖动信号对于模型训练的影响，同时，将中低频分量带入到量子神经网络模型中可以显著提升模型的趋势方向判断和预测精度，其运行效率也较传统神经网络预测模型有了较大的提升。附图说明为了更清楚地说明本专利技术实现的目的、性能特点及优点，下面将对实施例参照的附图作简要地说明。图1为本专利技术股票指数价格预测方法示意图。图2为本专利技术基于量子神经网络实施例的流程示意图。图3为本专利技术量子计算过程示意图。图4为本专利技术量子神经网络训练流程图。图1中：1-数据输入模块，2-数据预处理模块，3-数据转化模块，4-数据训练及预测模块，5-数据重构模块，6-量子神经网络模型的构建模块，7-模型预测模块。图2中：8-获取股票指数期货价格历史交易数据，9-对原始数据进行清洗，剔除强噪声、缺省值，10-PEEMD算法分解，11-划分训练集和测试集，12-训练集和测试集，13-模型训练和模型预测。具体实施方式下面将结合实施例和附图对本专利技术具体实施方式作进一步解释，应当理解，该解释仅仅用于解释本专利技术，而不能以此来限制本专利技术的保护范围。如图1所示，一种量子神经网络的股票指数价格预测方法，主要包括数据处理部分和模型训练及预测部分，其中数据处理部分包括数据输入模块1、数据预处理模块2和数据转化模块3，模型训练及预测部分包括数据训练及预测模块4和数据重本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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EM...

【专利技术属性】
技术研发人员：王彩凤，杨钰坤，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京,11