CN104504601B - 基于ctp金融数据的量子信息特征提取方法 - Google Patents

Abstract

本发明公开了一种基于CTP金融数据的量子信息特征提取方法。对交易所发布的数据采用量子信息算法模型的处理，首先采用叠加态量子信息表示方式，有效描述了交易数据的多样性，在此基础上便于采用量子算法描述和处理，在量子快算策略和量子高速模糊哈希方法基础上构造的量子信息算法模型，数据处理能力显著提高并且计算复杂度显著降低，有效降低了响应延迟，降低算法计算复杂度，减小响应延迟，在量子信息算法模型基础上实现CTP金融数据的特征提取与特征分类。

Description

基于CTP金融数据的量子信息特征提取方法

技术领域

本发明涉及量子信息算法模型的数据特征提取方法，属于计算机数据处理技术领域。

背景技术

量化投资方法在国际专业投资领域作为主流投资方法被广泛采用并且仍处于快速发展期。高频交易技术的使用使得投资手段和策略变得更加丰富多彩。高频交易技术指金融交易IT设施中的快速电子交易，交易现场产生当前价格信息为可用的连续电子数据信息流。交易系统监测这些数据流，重构相关股票、期货、期权与货币市场价格与需求，以确定何时何品种的交易，买/卖订单然后被尽可能快地发送到交易所。上述特点使高频交易具有持仓时间短、交易次数多、每笔盈利小、总体盈利稳定的特点。

算法交易是指通过计算机程序决定交易下单的时机、价格以及最终下单的数量与笔数等的交易方法。算法交易可以被应用于任何投资策略，包括证券做市、套利交易和单边投机交易等。面对有限的市场流动性，机构投资者为了控制交易成本，需要把交易指令按照计算机算法拆分，从而让指令在更有利的平均价位上成交。

在不同的执行目标下，算法交易有多种策略：为最小化冲击成本，算法交易策略有TimeWeighted Average Price(TWAP)、Volume Weighted Average Price(VWAP)和Minimal Impact(MI)等等。为综合最小化冲击成本和时间风险，算法交易有Implementation Shortfall(IS)和MarketOn Close(MOC)。为充分利用市场中出现的有利条件，算法交易有Price Inline(PI)和Liquidity-driven等策略。

CTP是指综合交易平台(Comprehensive Transaction Platform)，是上海期货交易所信息技术有限公司专门为期货公司开发的一套期货经纪业务管理系统，由交易、风险控制和结算三大系统组成，交易系统主要负责订单处理、行情转发及银期账业务，结算系统负责交易管理、帐户管理、经纪人管理、资金管理、费率设置、日终结算、信息查询以及报表管理等，风控系统则主要在盘中进行高速的实时试算，以及时揭示并控制风险，是广大专业机构投资者接入交易所的重要通道。

由于高频交易是通过大量的低收益交易来获取总收益，这使得高频交易对执行成本非常敏感，因此高频交易需要用到算法交易的方法来执行指令。目前大部分算法交易的指令生成算法计算复杂度较高，响应延迟明显，对于数据的特征提取和分类分析非常不利。

发明内容

本发明所要解决的技术问题是针对背景技术的缺陷，提出一种基于量子信息算法模型的CTP量子信息特征提取方法，在量子信息算法模型基础上实现CTP量化信息特征提取和分类，通过量子信息模型，降低算法计算复杂度，减小响应延迟。

本发明为解决上述技术问题采用以下技术方案：

基于CTP金融数据的量子信息特征提取方法，首先，构造量子快算策略；接着，基于量子快算策略构建量子信息算法模型，实现金融数据处理与特征提取；

其中，量子快算策略的实现步骤为：

101、对实时金融数据进行量子信息状态转化，分别进行j-比特分段操作并且实施Hadamard门旋转变换，得到叠加态后分别对每个分段分配以十进制编号标记值；

102、根据标记值将分段映射到j重Hadamard门运算器的输出端，得到标记映射函数；

103、根据标记映射函数构造交换电路函数，由交换电路函数得到量子快算策略的结果并输出；

构建量子信息算法模型实现金融数据处理与特征提取的具体步骤为：

201、基于量子快算策略计算步骤101所述每个分段的哈希值，获得量子信息特征分段的哈希集；

202、根据哈希集匹配每个分段对应的特征模板元素，构成量子高速模糊哈希；

203、利用量子高速模糊哈希构建量子信息算法模型，对CTP金融数据进行处理，实现金融数据的特征提取与特征分类。

进一步的，本发明的基于CTP金融数据的量子信息特征提取方法，所述步骤101具体实现步骤为：

步骤A、将实时金融数据的量子信息状态表示为n长量子比特序列：

|α>_n＝|ξ₁>|ξ₂>…|ξ_n>＝|ξ₁ξ₂…ξ_n>，

其中第i位量子比特表示为|ξ_i>，ξ_i＝0,1；i＝1,2,…,n；

步骤B、从该量子比特序列|α>_n的第一位开始，截取第一个j-量子比特串分段，即为j-量子比特段，表示为其中右移一位量子比特，截取第二个j-量子比特段，表示为依此类推直到量子比特序列|α>_n的最末位；最终得到的j-量子比特段表示为

$|\mathrm{\α}{\⟩}_j^{(n-j+1)}=|{\mathrm{\ξ}}_{n-j+1}\⟩|{\mathrm{\ξ}}_{n-j+2}\⟩...|{\mathrm{\ξ}}_n\⟩=|{\mathrm{\ξ}}_{n-j+1}{\mathrm{\ξ}}_{n-j+2}...{\mathrm{\ξ}}_n\⟩$

将所有的分段依次排列为

步骤C、将并行Hadamard门作用于j-量子比特段实现旋转变换，得到叠加态，根据j-量子比特段中的二进制序列ξ_τξ_τ+1…ξ_τ+j-1，其中τ＝1,2,…,n-j+1，将该二进制序列ξ_τξ_τ+1…ξ_τ+j-1相应的十进制数表示为 量子比特序列|α>_n中的被标记为且存在其中u≠v且u,v∈{1,2,…,n-j+1}。

进一步的，本发明的基于CTP金融数据的量子信息特征提取方法，所述步骤102具体实现步骤为：令：

根据的标记值，将连接到的相应组元，将映射到j重Hadamard门运算器的输出端，得到标记映射函数M(·)。

进一步的，本发明的基于CTP金融数据的量子信息特征提取方法，所述步骤103具体实现步骤为：

根据标记映射函数M(·)的映射关系设计交换电路函数S(·)的结构，使得交换电路函数S(·)根据的顺序，映射到

其中是的每个相应组元的哈希值，l＝1,2,3,…,2^j。

进一步的，本发明的基于CTP金融数据的量子信息特征提取方法，所述步骤201具体实现步骤为：

步骤1、构造特征量子信息集F_I，集合F_I的元素包含m个特性信息量子比特序列分段其中上标{η}代表分段的序数，η＝1,2,…,m，下标j表示每个分段包含j个量子比特，特征量子信息集表示为 $F_I=\left\{\right|p{\⟩}_j^{\left\{1\right\}},|p{\⟩}_j^{\left\{2\right\}},|p{\⟩}_j^{\left\{3\right\}},...,\left|p{\⟩}_j^{\left\{m\right\}}\right\};$

步骤2、基于量子快算策略Θ(·)，分别计算的量子哈希值，每个分段被表示为这些分段被从上到下布置为矩阵P_m×j，表示如下：

获得这些特征量子信息分段的哈希集Θ(F_I)＝{Θ(p₁),Θ(p₂),…,Θ(p_m)}。

进一步的，本发明的基于CTP金融数据的量子信息特征提取方法，所述步骤202具体实现步骤为：

步骤1、给定目标文件|Q>_χ＝|q₁>|q₂>…|q_χ>的长序列，|Q>_χ的分段被依次检索以匹配特性量子信息集FI中的特征模板元素，χ＞＞j；

步骤2、在长量子序列|Q>_χ中，从第一个量子比特|q₁>开始到|q_j>，截取第一个包含j个量子比特的j-量子比特分段其中上标(1)代表分段的标签序数；右移一个量子比特位，截取得到的第二个j-量子比特分段，将其表示为直到序列|Q>_χ的末端；最后的j-量子比特分段表示为 $|q{\⟩}_j^{(\mathrm{\χ}-j+1)}=|{\mathrm{q\ξ}}_{\mathrm{\χ}-j+1}\⟩|q_{\mathrm{\χ}-j+2}\⟩...|q_{\mathrm{\χ}}\⟩=|q_{\mathrm{\χ}-j+1}{q}_{\mathrm{\χ}-j+2}...q_{\mathrm{\χ}}\⟩,$ 所有分段被按照依次排列表示成矩阵D_Q中每个元素应用量子快算策略Θ(·)如下：

长序列|Q>_χ的量子快算策略集表示如下：

$\mathrm{\Θ}\left(D_Q\right)=\{\mathrm{\Θ}\left(\right|q{\⟩}_j^{\left(1\right)}),\mathrm{\Θ}\left(\right|q{\⟩}_j^{\left(2\right)}),...,\mathrm{\Θ}\left(\right|q{\⟩}_j^{(\mathrm{\χ}-j+1)})\}$

步骤3、根据这些特征量子信息分段的哈希值集合Θ(F_I)＝{Θ(p₁),Θ(p₂),…,Θ(p_m)}，检索集 $\mathrm{\Θ}\left(D_Q\right)=\{\mathrm{\Θ}\left(\right|q{\⟩}_j^{\left(1\right)}),\mathrm{\Θ}\left(\right|q{\⟩}_j^{\left(2\right)}),...,\mathrm{\Θ}\left(\right|q{\⟩}_j^{(\mathrm{\χ}-j+1)})\}$ 中的每个元素，以确定与{Θ(p₁),Θ(p₂),…,Θ(p_m)}中的元素相匹配的元素，即：

$\mathrm{\Θ}\left(\right|q{\⟩}_j^{\left(u\right)})=\mathrm{\Θ}\left(p_v\right),u=\mathrm{1,2},...,\mathrm{\χ}-j+1,v=\mathrm{1,2},...,m;$

进一步比较与p_v是否相等，如果则存储如果则丢弃；最终留下的元素满足 $|q{\⟩}_j^{\left(u_g\right)}=p_v,$ 并且 $\mathrm{\Θ}\left(\right|q{\⟩}_j^{\left(u_g\right)})=\mathrm{\Θ}\left(p_v\right),$ 其中 $\left\{u_g\right\}\⊆\{\mathrm{1,2},...,\mathrm{\χ}-j+1\}$ 且1≤g＜＜χ-j+1，元素构成子集 $Q_S=\left\{\right|q{\⟩}_j^{\left(1\right)},|q{\⟩}_j^{\left(2\right)},...,|q{\⟩}_j^{(\mathrm{\χ}-j+1)}\};$

步骤4、根据子集Q_S的元素确定这些元素在长序列|Q>_χ中的定位点，基于这些定位点，把长序列|Q>_χ分割为如下若干S_g：

$S_1=|q_1{q}_2...q_{u_1}{q}_{u_1+2}...q_{u_1+j-1}\⟩$

$S_2=|q_{u_1+j}{q}_{u_1+j+1}...q_{u_2}{q}_{u_2+1}{q}_{u_2+2}...q_{u_2+j-1}\⟩$

…

$S_{g-1}=|q_{u_{g-2}+j}{q}_{u_{g-2}+j+1}...q_{u_{g-1}}{q}_{u_{g-1}+1}{q}_{u_{g-1}+2}...q_{u_{g-1}+j-1}\⟩$

$S_g=|q_{u_{g-1}+j}{q}_{u_{g-1}+j+1}...q_{u_g}{q}_{u_g+1}{q}_{u_g+2}...q_{u_g+j-1}\⟩$

$S_{g+1}=|q_{u_g+j}{q}_{u_g+j+1}...q_{\mathrm{\χ}}\⟩$

如果集合Q_S最末位元素就是|Q>_χ相应的最末位，则忽略

步骤5、利用量子哈希算法计算S₁,S₂,…,S_g+1的哈希值，获得如下结果Q_He(S₁),Q_He(S₂),…,Q_He(S_g+1)，至此构成量子高速模糊哈希Ξ_F(·)。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明在量子快算策略和量子高速模糊哈希方法基础上构造一种新的量子信息算法模型，新模型的计算复杂度显著降低，数据处理能力显著提高。本发明基于量子信息算法模型提出一种新的金融数据的量子信息特征提取方法，在量子信息算法模型基础上实现金融数据的特征提取与特征分类。通过量子信息模型优化算法交易的指令生成，降低算法计算复杂度，减小响应延迟。

相比于其他类似算法策略，本发明具有更精简的结构，较高的识别效率与更好的数据一致性。在高频交易需要用到算法交易的方法来执行指令，在响应延迟与指令生成算法计算复杂度方面的性能优于目前大部分算法交易策略。

附图说明

图1是本发明的方法流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

量子信息算法模型基于量子快算策略，采用量子高速模糊哈希方法进行数据处理，构造应用于CTP金融数据的量子信息特征提取方法。模糊哈希可以很容易地从其他序列中区分出同源数据序列，经典方法的算法复杂度和效率相对较低，我们构造量子高速模糊哈希算法，表示为Ξ_F(·)，在此基础上实现量子信息算法模型应用于CTP量化信息特征提取和分类。

如图1所示，具体步骤如下：

Step1.构造特征量子信息集F_I，集合F_I的元素包含m个特性信息量子比特序列分段其中η＝1,2,…,m，上标{η}代表分段的序数。每个分段包含j个量子比特并且表示为下表j。集合可以表示为 $F_I=\left\{\right|p{\⟩}_j^{\left\{1\right\}},|p{\⟩}_j^{\left\{2\right\}},|p{\⟩}_j^{\left\{3\right\}},...,\left|p{\⟩}_j^{\left\{m\right\}}\right\}.$

Step2.基于量子快算策略Θ(·)，我们分别计算的量子哈希值，每个分段可以被表示为这些分段被从上到下布置为矩阵P_m×j，表示如下：

我们可以获得这些特征量子信息分段的哈希集Θ(F_I)＝{Θ(p₁),Θ(p₂),…,Θ(p_m)}。

Step3.给定目标文件|Q>_χ＝|q₁>|q₂>…|q_χ>的长序列，|Q>_χ的分段被依次检索以匹配特性量子信息集F_I中的特征模板元素，一般而言χ＞＞j。

Step4.在长量子序列|Q>_χ中，从第一个量子比特|q₁>开始到|q_j>，我们截取第一个包含j个量子比特的j-qubits分段其中上标(1)代表分段的标签序数。右移一个量子比特位，截取得到的第二个j-qubits分段可以表示为直到序列|Q>_χ的末端。最后的j-qubits分段表示为 $|q{\⟩}_j^{(\mathrm{\χ}-j+1)}=|{\mathrm{q\ξ}}_{\mathrm{\χ}-j+1}\⟩|q_{\mathrm{\χ}-j+2}\⟩...|q_{\mathrm{\χ}}\⟩=|q_{\mathrm{\χ}-j+1}{q}_{\mathrm{\χ}-j+2}...q_{\mathrm{\χ}}\⟩.$ 所有分段被按照依次排列表示成矩阵D_Q中每个元素应用量子快算策略Θ(·)如下：

那么，我们获得长序列|Q>_χ的量子快算策略集表示如下

$\mathrm{\Θ}\left(D_Q\right)=\{\mathrm{\Θ}\left(\right|q{\⟩}_j^{\left(1\right)}),\mathrm{\Θ}\left(\right|q{\⟩}_j^{\left(2\right)}),...,\mathrm{\Θ}\left(\right|q{\⟩}_j^{(\mathrm{\χ}-j+1)})\}$

Step5.根据这些特征量子信息分段的哈希值集合Θ(F_I)＝{Θ(p₁),Θ(p₂),…,Θ(p_m)}我们检索集 $\mathrm{\Θ}\left(D_Q\right)=\{\mathrm{\Θ}\left(\right|q{\⟩}_j^{\left(1\right)}),\mathrm{\Θ}\left(\right|q{\⟩}_j^{\left(2\right)}),...,\mathrm{\Θ}\left(\right|q{\⟩}_j^{(\mathrm{\χ}-j+1)})\}$ 中的每个元素，以确定哪个元素匹配{Θ(p₁),Θ(p₂),…,Θ(p_m)}中的元素，也就是说：

$\mathrm{\Θ}\left(\right|q{\⟩}_j^{\left(u\right)})=\mathrm{\Θ}\left(p_v\right),u=\mathrm{1,2},...,\mathrm{\χ}-j+1,v=\mathrm{1,2},...,m;$

进一步比较与p_v是否相等，如果那么存储如果那么丢弃。最终留下的这些元素满足并且其中且1≤g＜＜χ-j+1。这些元素构成子集 $Q_S=\left\{\right|q{\⟩}_j^{\left(1\right)},|q{\⟩}_j^{\left(2\right)},...,|q{\⟩}_j^{(\mathrm{\χ}-j+1)}\}.$

Step6.根据子集Q_S的元素我们确定这些元素在长序列|Q>_χ中的定位点。基于这些定位点，我们把长序列|Q>_χ分割为如下若干S_g：

$S_1=|q_1{q}_2...q_{u_1}{q}_{u_1+2}...q_{u_1+j-1}\⟩$

$S_2=|q_{u_1+j}{q}_{u_1+j+1}...q_{u_2}{q}_{u_2+1}{q}_{u_2+2}...q_{u_2+j-1}\⟩$

…

$S_{g-1}=|q_{u_{g-2}+j}{q}_{u_{g-2}+j+1}...q_{u_{g-1}}{q}_{u_{g-1}+1}{q}_{u_{g-1}+2}...q_{u_{g-1}+j-1}\⟩$

$S_g=|q_{u_{g-1}+j}{q}_{u_{g-1}+j+1}...q_{u_g}{q}_{u_g+1}{q}_{u_g+2}...q_{u_g+j-1}\⟩$

$S_{g+1}=|q_{u_g+j}{q}_{u_g+j+1}...q_{\mathrm{\χ}}\⟩$

如果集合Q_S最末位元素的就是|Q>_χ相应的最末位，则忽略

Step7.利用量子哈希算法我们计算S₁,S₂,…,S_g+1的哈希值，获得如下结果Q_He(S₁),Q_He(S₂),…,Q_He(S_g+1)。至此所有上述步骤构成量子高速模糊哈希Ξ_F(·)。

Step8.利用量子高速模糊哈希Ξ_F(·)对多品种期货数据进行处理，包括期货品种、成交价、买入报价、卖出报价、交易时间和交易量等等。实现多品种的特征提取与特征分类。

Step9.根据数据处理结果实现最优品种排序，生成算法交易指令。

量子快算策略Θ(·)的具体构建为：

令n长量子比特序列|α>_n＝|ξ₁>|ξ₂>…|ξ_n>＝|ξ₁ξ₂…ξ_n>，其中第i位量子比特表示为|ξ_i>，其中ξ_i＝0,1；i＝1,2,…,n；

Step1.量子比特序列|α>_n＝|ξ₁>|ξ₂>…|ξ_n>＝|ξ₁ξ₂…ξ_n>的第一位开始，截取第一个j-比特串分段简称为j-比特段，表示为其中右移一位量子比特，截取第二个j-比特段，表示为依此类推直到量子比特序列|α>_n的最末位。最后的j-比特段表示为

$|\mathrm{\α}{\⟩}_j^{(n-j+1)}=|{\mathrm{\ξ}}_{n-j+1}\⟩|{\mathrm{\ξ}}_{n-j+2}\⟩...|{\mathrm{\ξ}}_n\⟩=|{\mathrm{\ξ}}_{n-j+1}{\mathrm{\ξ}}_{n-j+2}...{\mathrm{\ξ}}_n\⟩$

所有的分段依次排列为

Step2.采用H表示Hadamard门，j个Hadamard门的并行作用可以表示为并行Hadamard门作用于j-比特串|0₁0₂…0_j>的结果是

给定二元j-量子比特串|β>_j＝|l₁l₂…l_j>中的二元序列l₁l₂…l_j，其中l_ω∈{0,1},ω＝1,2,…,j。该二元序列l₁l₂…l_j对应某十进制数l，其中l＝1,2,3,…,2^j。该量子比特串|β>_j＝|l₁l₂…l_j>标记为比如：

Step3.类似Step2，根据j-量子比特串中的二进制序列ξ_τξ_τ+1…ξ_τ+j-1，其中τ＝1,2,…,n-j+1。该二进制序列ξ_τξ_τ+1…ξ_τ+j-1相应的十进制数表示为其中τ＝1,2,…,n-j+1并且量子比特序列|α>_n中的可以被标记为其中(n-j+1)可以大于、等于或小于2^j。可以存在其中u≠v且u,v∈{1,2,…,n-j+1}。

Step4.根据的标记值，被映射到的输出端。令

可以被连接到的相应组元，注：为简化见，在输出端忽略因子详细关系表示为标记映射函数M(·)。

Step5.量子快算策略的结果定位在最右边的输出端。其中是酉变换单元，S(·)是交换电路函数，其中S(·)的结构根据标记映射函数M(·)映射关系进行设计。根据的顺序，S(·)的作用是映射到

也就是其中是的每个相应组元的哈希值，l＝1,2,3,…,2^j。

本方法的优点是对交易所发布的数据采用量子信息算法模型的处理，首先采用叠加态量子信息表示方式，有效描述了交易数据的多样性，在此基础上便于采用量子算法描述和处理，在量子快算策略和量子高速模糊哈希方法基础上构造的量子信息算法模型，数据处理能力显著提高并且计算复杂度显著降低，有效降低了响应延迟。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.基于CTP金融数据的量子信息特征提取方法，其特征在于，首先，构造量子快算策略；接着，基于量子快算策略构建量子信息算法模型，实现金融数据处理与特征提取；

其中，量子快算策略的实现步骤为：

101、对实时金融数据进行量子信息状态转化，分别进行j-比特分段操作并且实施Hadamard门旋转变换，得到叠加态后分别对每个分段分配以十进制编号标记值；具体实现步骤为：

步骤A、将实时金融数据的量子信息状态表示为n长量子比特序列：

|α>_n＝|ξ₁>|ξ₂>…|ξ_n>＝|ξ₁ξ₂…ξ_n>，

其中第i位量子比特表示为|ξ_i>，ξ_i＝0,1；i＝1,2,…,n；

步骤B、从该量子比特序列|α>_n的第一位开始，截取第一个j-量子比特串分段，即为j-量子比特段，表示为其中右移一位量子比特，截取第二个j-量子比特段，表示为依此类推直到量子比特序列|α>_n的最末位；最终得到的j-量子比特段表示为

$|\mathrm{\α}{>}_j^{(n-j+1)}=|{\mathrm{\ξ}}_{n-j+1}>|{\mathrm{\ξ}}_{n-j+2}>...|{\mathrm{\ξ}}_n>=|{\mathrm{\ξ}}_{n-j+1}{\mathrm{\ξ}}_{n-j+2}\mathrm{...}{\mathrm{\ξ}}_n>$

将所有的分段依次排列为

步骤C、将并行Hadamard门作用于j-量子比特段实现旋转变换，得到叠加态，根据j-量子比特段中的二进制序列ξ_τξ_τ+1…ξ_τ+j-1，其中τ＝1,2,…,n-j+1，将该二进制序列ξ_τξ_τ+1…ξ_τ+j-1相应的十进制数表示为 量子比特序列|α>_n中的被标记为且存在其中u≠v且u,v∈{1,2,…,n-j+1}；

102、根据标记值将分段映射到j重Hadamard门运算器的输出端，得到标记映射函数；具体实现步骤为：令：

根据的标记值，将连接到的相应组元，将映射到j重Hadamard门运算器的输出端，得到标记映射函数M(·)；

103、根据标记映射函数构造交换电路函数，由交换电路函数得到量子快算策略的结果并输出；具体实现步骤为：

根据标记映射函数M(·)的映射关系设计交换电路函数S(·)的结构，使得交换电路函数S(·)根据的顺序，映射Θ(|l₁l₂…l_j>_[[l]])到

其中Θ(|l₁l₂…l_j>_[[l]])是的每个相应组元的哈希值，l＝1,2,3,…,2^j；

构建量子信息算法模型实现金融数据处理与特征提取的具体步骤为：

201、基于量子快算策略计算步骤101所述每个分段的哈希值，获得量子信息特征分段的哈希集；具体实现步骤为：

步骤(1)、构造特征量子信息集F_I，集合F_I的元素包含m个特性信息量子比特序列分段其中上标{η}代表分段的序数，η＝1,2,…,m，下标j表示每个分段包含j个量子比特，特征量子信息集表示为 $F_I=\left\{\right|p{>}_j^{\left\{1\right\}},|p{>}_j^{\left\{2\right\}},|p{>}_j^{\left\{3\right\}},\mathrm{...},\left|p{>}_j^{\left\{m\right\}}\right\};$

步骤(2)、基于量子快算策略Θ(·)，分别计算的量子哈希值，每个分段被表示为 $|p{>}_j^{\left\{\mathrm{\η}\right\}}=|p_1{>}^{\left\{\mathrm{\η}\right\}}|p_2{>}^{\left\{\mathrm{\η}\right\}}...|p_j{>}^{\left\{\mathrm{\η}\right\}},$ 这些分段被从上到下布置为矩阵P_m×j，表示如下：

获得这些特征量子信息分段的哈希集Θ(F_I)＝{Θ(p₁),Θ(p₂),…,Θ(p_m)}；

202、根据哈希集匹配每个分段对应的特征模板元素，构成量子高速模糊哈希；具体实现步骤为：

步骤1)、给定目标文件|Q>_χ＝|q₁>|q₂>…|q_χ>的长序列，|Q>_χ的分段被依次检索以匹配特性量子信息集F_I中的特征模板元素，χ＞＞j；

步骤2)、在长量子序列|Q>_χ中，从第一个量子比特|q₁>开始到|q_j>，截取第一个包含j个量子比特的j-量子比特分段其中 $|q{>}_j^{\left(1\right)}=|q_1>|q_2>...|q_j>=|q_1{q}_2...q_j>,$ 上标(1)代表分段的标签序数；右移一个量子比特位，截取得到的第二个j-量子比特分段，将其表示为直到序列|Q>_χ的末端；最后的j-量子比特分段表示为 $|q{>}_j^{(\mathrm{\χ}-j+1)}=|q_{\mathrm{\χ}-j+1}>|q_{\mathrm{\χ}-j+2}>...|q_{\mathrm{\χ}}>=|q_{\mathrm{\χ}-j+1}{q}_{\mathrm{\χ}-j+2}...q_{\mathrm{\χ}}>,$ 所有分段被按照依次排列表示成矩阵D_Q中每个元素应用量子快算策略Θ(·)如下：

长序列|Q>_χ的量子快算策略集表示如下：

$\mathrm{\Θ}\left(D_Q\right)=\{\mathrm{\Θ}\left(\right|q{>}_j^{\left(1\right)}),\mathrm{\Θ}\left(\right|q{>}_j^{\left(2\right)}),\mathrm{...},\mathrm{\Θ}\left(\right|q{>}_j^{(\mathrm{\χ}-j+1)})\}$

步骤3)、根据这些特征量子信息分段的哈希值集合Θ(F_I)＝{Θ(p₁),Θ(p₂),…,Θ(p_m)}，检索集 $\mathrm{\Θ}\left(D_Q\right)=\{\mathrm{\Θ}\left(\right|q{>}_j^{\left(1\right)}),\mathrm{\Θ}\left(\right|q{>}_j^{\left(2\right)}),\mathrm{...},\mathrm{\Θ}\left(\right|q{>}_j^{(\mathrm{\χ}-j+1)})\}$ 中的每个元素，以确定与{Θ(p₁),Θ(p₂),…,Θ(p_m)}中的元素相匹配的元素，即：

$\mathrm{\Θ}\left(\right|q{>}_j^{\left(u\right)})=\mathrm{\Θ}\left(p_v\right),u=1,2,...,\mathrm{\χ}-j+1,v=1,2,...,m;$

进一步比较与p_v是否相等，如果则存储如果则丢弃；最终留下的元素满足 $|q{>}_j^{\left(u_g\right)}=p_v,$ 并且 $\mathrm{\&Theta;}\left(\right|q{>}_j^{\left(u_g\right)})=\mathrm{\&Theta;}\left(p_v\right),$ 其中 $\left\{u_g\right\}\&SubsetEqual;\{1,2,...,\mathrm{\&chi;}-j+1\}$ 且1≤g<<χ-j+1，元素构成子集 $Q_S=\left\{\right|q{>}_j^{\left(1\right)},|q{>}_j^{\left(2\right)},...,|q{>}_j^{(\mathrm{\&chi;}-j+1)}\};$

步骤4)、根据子集Q_S的元素确定这些元素在长序列|Q>_χ中的定位点，基于这些定位点，把长序列|Q>_χ分割为如下若干S_g：

$S_1=|q_1{q}_2...q_{u_1}{q}_{u_1+1}{q}_{u_1+2}\mathrm{...}{q}_{u_1+j-1}>$

$S_2=|q_{u_1+j}{q}_{u_1+j+1}\mathrm{...}{q}_{u_2}{q}_{u_2+1}{q}_{u_2+2}\mathrm{...}{q}_{u_2+j-1}>$

…

$S_{g-1}=|q_{u_{g-2}+j}{q}_{u_{g-2}+j+1}\mathrm{...}{q}_{u_{g-1}}{q}_{u_{g-1}+1}{q}_{u_{g-1}+2}\mathrm{...}{q}_{u_{g-1}+j-1}>$

$S_g=|q_{u_{g-1}+j}{q}_{u_{g-1}+j+1}\mathrm{...}{q}_{u_g}{q}_{u_g+1}{q}_{u_g+2}\mathrm{...}{q}_{u_g+j-1}>$

$S_{g+1}=|q_{u_g+j}{q}_{u_g+j+1}\mathrm{...}{q}_{\mathrm{\&chi;}}>$

如果集合Q_S最末位元素就是|Q>_χ相应的最末位，则忽略

步骤5)、利用量子哈希算法计算S₁,S₂,…,S_g+1的哈希值，获得如下结果Q_He(S₁),Q_He(S₂),…,Q_He(S_g+1)，至此构成量子高速模糊哈希Ξ_F(·)；

203、利用量子高速模糊哈希构建量子信息算法模型，对CTP金融数据进行处理，实现金融数据的特征提取与特征分类。