CN113674097A - 基于量子聚类算法的金融投资分析方法、存储介质和终端 - Google Patents
基于量子聚类算法的金融投资分析方法、存储介质和终端 Download PDFInfo
- Publication number
- CN113674097A CN113674097A CN202110975853.7A CN202110975853A CN113674097A CN 113674097 A CN113674097 A CN 113674097A CN 202110975853 A CN202110975853 A CN 202110975853A CN 113674097 A CN113674097 A CN 113674097A
- Authority
- CN
- China
- Prior art keywords
- membership
- quantum
- similarity
- invested
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了基于量子聚类算法的金融投资分析方法、存储介质和终端,方法包括:确定待投资项目的影响因素;计算影响因素对应的加权隶属度矩阵,权重为影响因素对评估集的影响程度,评估集为待投资项目的代表优劣分类的评估指标;将加权隶属度矩阵编码至量子态并进行归一化;计算k个投资项目的加权隶属度矩阵的聚类中心,并编码到量子态上;计算待投资项目与已分为k个聚类中心的投资项目之间隶属度的相似度;将相似度存储在量子态上;查找相似度最高的一个,记录量子态;将待投资项目归于对应评估指标的类别中。本发明结合量子计算的优势与机器学习算法的有效性应用于金融投资分析中,提供更快速、准确的分析。
Description
技术领域
本发明涉及量子金融领域,尤其涉及基于量子聚类算法的金融投资分析方法、存储介质和终端。
背景技术
机器学习算法一经提出就用于解决统计分析和概率分析中的问题。机器学习算法中的聚类算法是一种无监督学习的算法,它常常被应用于类别划分的场景,根据样本之间相似度的计算将数据分为若干个类,目的是使得分为同一类得数据相似度高,而不同类得数据相似度低。金融投资分析中股票的投资分析是一个重要的研究方向,股票的投资价值受公司财务指标等的影响,如何对股票按照这些影响因素进行合理划分是一个重要的问题。聚类算法则根据不同股票的类别与待测股票的相似度完成了这一任务,选取能反映公司财务指标的多个因素对股票进行划分,能够帮助投资者更好的把握股票的总体特征以及确定投资范围。
经典机器学习中对股票分析的方法多种多样。其中周焯华等使用聚类分析进行证券投资分析,以影响股票的行业因素、公司因素等进行考察,使用聚类分析确定投资范围和投资价值;李云飞等则引入模糊的方法对股票进行聚类分析,筛选出了股票投资价值的指标集;杨富勇则对比K-means、Kohonen和TwoStep三种聚类算法在股票分析中的准确度,得出了TwoStep聚类算法有良好的分析结果;张传琦从公司财务指标和个股收益率波动两方面来对股票进行分析,并使用优化蚁群聚类算法对股票进行聚类分析,证明了该算法对大样本数据进行聚类分析有良好的效果。但是传统聚类分析方法对于大数据样本处理速度较慢,随着分析样本的增加,其准确率也不能得到保证。
由于量子计算的发展,量子计算+机器学习算法+股票投资分析是一个新的研究方向。因此,提供基于量子聚类算法的金融投资分析方法、存储介质和终端,使用量子聚类方法能够更加快速准确的完成大数据时代下的股票投资分析,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,提供基于量子聚类算法的金融投资分析方法、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,提供基于量子聚类算法的金融投资分析方法,包括:
确定待投资项目的影响因素;
计算影响因素对应的加权隶属度矩阵,权重为影响因素对评估集的影响程度,评估集为待投资项目的代表优劣分类的评估指标;
将加权隶属度矩阵编码至量子态并进行归一化;
计算k个投资项目的加权隶属度矩阵的聚类中心,并编码到量子态上;
计算待投资项目与已分为k个聚类中心的投资项目之间隶属度的相似度;
将相似度存储在量子态上;
查找相似度最高的一个,记录量子态;
将待投资项目归于对应评估指标的类别中。
进一步地,所述计算影响因素对应的加权隶属度矩阵,包括:
设置待投资项目的影响因素集合为f(U)={u1,u2,...,un},其中u1,u2,...,un代表影响待投资项目的n个影响因素;
确定待投资项目分类的一个评估集V,所述评估集V包括多个评估指标vi;
确定待投资项目影响因素集合对于评估集的隶属度,构成隶属度矩阵:
式中,uij表示第i个影响因素对于评估集V中第j个指标的隶属度;
确定影响因素中各个影响因素的权重大小,得到影响因素的权重矩阵为A={a1,a2,...,ai};
将各个因素的权重以及各个因素对于评估指标集的隶属度矩阵进行加权平均计算,并对计算后的矩阵进行归一化操作,从而计算得到待投资项目的加权隶属度矩阵C:
进一步地,所述将加权隶属度矩阵编码至量子态并进行归一化,包括:
将加权隶属度矩阵C制备成如下归一化的量子态:
式中,x0i表示第0个数据点的第i个隶属度,d表示隶属度的个数。
进一步地,所述计算k个投资项目的加权隶属度矩阵的聚类中心,并编码到量子态上,包括:
采用关系合成方式中的加权平均算子来进行求解得到关系合成矩阵J,求解完成后将其结果编码到量子态上:
进一步地,所述计算待投资项目与已分为k个聚类中心的投资项目之间隶属度的相似度,包括:
使用受控的swap门实现两个量子态夹角余弦的计算,利用量子并行性一次得出待投资项目与所有k个投资项目聚类中心的相似度,具体为:
进一步地,所述将相似度存储在量子态上,包括:
使用相位估计算法作用在|ω>上,将隶属度间的相似信息存储在量子态上;经相位估计算法后得到:
进一步地,所述查找相似度最高的一个,记录量子态,包括:
使用Grover搜索算法找出量子态存储的隶属度相似度中最小的一个,并记录其量子态;具体为:查找离k个待投资项目聚类中心中最近的那一个量子态,记作|ai>,其中i是代表第i个聚类中心。
进一步地,所述方法还包括:
选择λ值的不同范围,对待测待投资项目中计算出的隶属度值,构建该隶属度选择类别的结果,与已知的初始值进行对比,若差距在一个级别之间可以认为该次算法是有效的,否则对于该结果的参考价值不太大,需要进行二次量子聚类算法的学习;其中,λ={λ1,λ2,...,λn}为对于评估指标下的标准隶属度,n表示评估指标数量。
本发明的第二方面,提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述的量子聚类算法的金融投资分析方法的步骤。
本发明的第三方面,提供一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述的量子聚类算法的金融投资分析方法的步骤。
本发明的有益效果是:
(1)在本发明的一示例性实施例中,旨在结合量子计算和机器学习算法来解决大数据时代下金融投资的问题。机器学习算法能够对数据处理分类有一个良好的结果,能够对大数据进行有效的机器学习任务。量子计算具有并行性与叠加性的特点,能够加快机器学习算法对大数据的处理速度,同时还能保证较高的准确度。因此结合量子计算的优势与机器学习算法的有效性应用于金融投资分析中,提供更快速、准确的分析。
(2)在本发明的多个优选示例性实施例中,对基于量子聚类算法的金融投资分析可以在大数据环境下快速、高效、准确的对金融投资中的股票投资进行分析,引入数据处理时模糊的概念,使用量子聚类算法计算待测股票与现有股票隶属度之间的相似度,并将最后结果与标准股票进行λ截距的选择对比,使用户能够做出更有效的投资决策。
附图说明
图1为本发明一示例性实施例中公开的方法流程图;
图2为本发明一示例性实施例中公开的swap门示意图。
具体实施方式
下面结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,属于“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方向或位置关系为基于附图所述的方向或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,属于“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。此外,属于“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
在现有技术中,通过算法对大样本数据进行聚类分析有良好的效果。但是传统聚类分析方法对于大数据样本处理速度较慢,随着分析样本的增加,其准确率也不能得到保证。
参见图1,图1示出了本发明的一示例性实施例提供的基于量子聚类算法的金融投资分析方法,包括:
S01:确定待投资项目的影响因素;
S02:计算影响因素对应的加权隶属度矩阵,权重为影响因素对评估集的影响程度,评估集为待投资项目的代表优劣分类的评估指标;
S03:将加权隶属度矩阵编码至量子态并进行归一化;
S04:计算k个投资项目的加权隶属度矩阵的聚类中心,并编码到量子态上;
S05:计算待投资项目与已分为k个聚类中心的投资项目之间隶属度的相似度;
S06:将相似度存储在量子态上;
S07:查找相似度最高的一个,记录量子态;
S08:将待投资项目归于对应评估指标的类别中。
具体地,在该示例性实施例中地基于量子聚类算法的金融投资分析方法,旨在结合量子计算和机器学习算法来解决大数据时代下金融投资的问题。机器学习算法能够对数据处理分类有一个良好的结果,能够对大数据进行有效的机器学习任务。量子计算具有并行性与叠加性的特点,能够加快机器学习算法对大数据的处理速度,同时还能保证较高的准确度。因此结合量子计算的优势与机器学习算法的有效性应用于金融投资分析中,提供更快速、准确的分析。
具体地,对于下述示例性实施例对于上述步骤的具体展开,以投票股票为例,当然也可适用于其他金融投资地项目,在此不进行赘述。
对于步骤S01,依据金融投资中股票分析需求,首先选取影响股票的主要因素构成该股票的影响因素向量,设任一股票ui用具有n个影响因素的向量来表示,以下表中四个影响因素为例:
i | 1 | 2 | 3 | 4 |
影响因素 | 盈利能力 | 偿债能力 | 资产管理能力 | 成长能力 |
表1股票领域的影响因素示意
对于步骤S02,由于股票影响因素中不同影响因素的量纲不同,并且影响因素可能不是直接的数据,而是一种评判,因此在数据预处理时引入模糊的概念,根据现有行业标准的专家评判来确定各个影响因素的隶属度。此外,由于影响因素之间的影响力有大有小,避免在聚类时是由影响因素较小的因素起最终的决定作用,在引入模糊之后还需判断影响因素的影响力,即数据的综合评判,最后进行关系合成产生最终的隶属度矩阵。
更优地,在一示例性实施例中,步骤S02中,所述计算影响因素对应的加权隶属度矩阵,包括:
S021:设置股票的影响因素集合为f(U)={u1,u2,...,un},其中u1,u2,...,un代表影响股票的n个影响因素;
S022:确定股票分类的一个评估集V,所述评估集V包括多个评估指标vi;在该示例性实施例中,V={1,2,3,4},1代表优质股,2代表良好股,3代表合格股,4代表劣质股。
S023:确定股票因素集合对于评估集的隶属度,构成隶属度矩阵:
式中,uij表示第i个影响因素对于评估集V中第j个指标的隶属度。
在该示例性实施例中,在股票分析中,选取公司影响股票的因素,根据行业专家评判得出该因素对于评估集的一个隶属度。由股票的分类的评估集,可以确定隶属度函数为一个分段函数,不同股票因素对不同股票评估集指标的隶属度函数不同。一般的,设影响因素对于评估集中优质股的隶属度函数为:当大于k1时隶属度为1,在k1和k2之间为隶属度为小于k2时隶属度为0,其他影响因素对评估集的隶属度函数确定方式类似。股票影响因素对评估集中优质股隶属度函数可表示如下:
根据各个因素对评估等级确定的隶属度可以构成一个隶属度矩阵,如上所示。
S024:确定影响因素中各个影响因素的权重大小,得到影响因素的权重矩阵为A={a1,a2,...,ai};
具体地,在该步骤中,权重的大小判定则是根据现有股票行业内的认定标准,例如公司的盈利能力对股票的发展是最主要的,根据现有数据评估。
S025:将各个因素的权重以及各个因素对于评估指标集的隶属度矩阵进行加权平均计算,并对计算后的矩阵进行归一化操作,从而计算得到股票的加权隶属度矩阵C:
更优地,在一示例性实施例中,步骤S03中所述将加权隶属度矩阵编码至量子态并进行归一化,包括:
将股票影响因素通过数据处理得到最终的加权隶属度矩阵C编码到量子态中,矩阵C制备成如下归一化的量子态:
式中,x0i表示第0个数据点的第i个隶属度,d表示隶属度的个数。
更优地,在一示例性实施例中,步骤S04中计算k只股票的加权隶属度矩阵C的聚类中心,并编码到量子态上,包括:
采用关系合成方式中的加权平均算子来进行求解得到关系合成矩阵J,求解完成后将其结果编码到量子态上:
更优地,在一示例性实施例中,步骤S05中计算待测股票与已分为k个聚类中心的股票之间隶属度的相似度,包括:
使用受控的swap门实现两个量子态夹角余弦的计算,利用量子并行性一次得出待投资项目与所有k个投资项目聚类中心的相似度,参见图2,具体为:
更优地,在一示例性实施例中,步骤S06中所述将相似度存储在量子态上。由于使用受控SWAP电路得出的是待测股票信息与所有K个股票聚类中心的相似度,为了找到相似度最小的,还需将使用相位估计算法将由受控swap门电路计算的相似度值保存在量子态中,因此可以定义的值为用于描述和x0i之间隶属度的相似度,当值越小,表示x0i与的余弦值<x0|φ>就越大,两者就越相似;
使用相位估计算法作用在|ω>上,将隶属度间的相似信息存储在量子态上;经相位估计算法后得到:
更优地,在一示例性实施例中,步骤S07中所述查找相似度最高的一个,记录量子态,包括:
为了查找股票信息隶属度之间相似度最高的一个,使用Grover搜索算法找出量子态存储的隶属度相似度中最小的一个,并记录其量子态;Grover算法实现了平方级的查找速度,能够快速查找离k个待投资项目聚类中心中最近的那一个量子态,记作|ai>,其中i是代表第i个聚类中心。
更优地,在一示例性实施例中,步骤S08中,当找出最近的股票聚类中心后,由于该样本股票已经含有类别,因此将该待测股票先归于该类别中。
更优地,在一示例性实施例中,根据量子聚类算法得出的股票类别存储为一个初始值,然后使用λ截距的思想,选择λ值的不同范围,对待测股票中计算出的隶属度值,构建该隶属度选择类别的结果,与已知的初始值进行对比,若差距在一个级别之间可以认为该次算法是有效的,否则对于该结果的参考价值不太大,需要进行二次量子聚类算法的学习,保证了更高效更准确的分类评判。
例如,对于优质股中标准股票处理数据后的标准隶属度为:λ={λ1,λ2,...,λn},其中n为评价指标集中的类别数,λ1为对优质股的隶属度,依次则对其他类别的隶属度,当满足优质股时,可能的标准为λ1>0.5,依次改变λ1的值观察该待测股票所属类别,若对λ1的变化取值80%以上的结果都在优质股,且量子聚类算法与现有优质股票的聚类分析结果相同,则可以判定该股票为优质股,可以进行投资购买。
综上,对于上述优选示例性实施例,基于量子聚类算法的金融投资分析可以在大数据环境下快速、高效、准确的对金融投资中的股票投资进行分析,引入数据处理时模糊的概念,使用量子聚类算法计算待测股票与现有股票隶属度之间的相似度,并将最后结果与标准股票进行λ截距的选择对比,使用户能够做出更有效的投资决策。
与上述示例性实施例具有相同的发明构思,本发明的一示例性实施例提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述的量子聚类算法的金融投资分析方法的步骤。
与上述示例性实施例具有相同的发明构思,本发明的一示例性实施例提供一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述的量子聚类算法的金融投资分析方法的步骤。
基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.基于量子聚类算法的金融投资分析方法,其特征在于:包括:
确定待投资项目的影响因素;
计算影响因素对应的加权隶属度矩阵,权重为影响因素对评估集的影响程度,评估集为待投资项目的代表优劣分类的评估指标;
将加权隶属度矩阵编码至量子态并进行归一化;
计算k个投资项目的加权隶属度矩阵的聚类中心,并编码到量子态上;
计算待投资项目与已分为k个聚类中心的投资项目之间隶属度的相似度;
将相似度存储在量子态上;
查找相似度最高的一个,记录量子态;
将待投资项目归于对应评估指标的类别中。
2.根据权利要求1所述的基于量子聚类算法的金融投资分析方法,其特征在于:所述计算影响因素对应的加权隶属度矩阵,包括:
设置待投资项目的影响因素集合为f(U)={u1,u2,...,un},其中u1,u2,...,un代表影响待投资项目的n个影响因素;
确定待投资项目分类的一个评估集V,所述评估集V包括多个评估指标vi;
确定待投资项目影响因素集合对于评估集的隶属度,构成隶属度矩阵:
式中,uij表示第i个影响因素对于评估集V中第j个指标的隶属度;
确定影响因素中各个影响因素的权重大小,得到影响因素的权重矩阵为A={a1,a2,...,ai};
将各个因素的权重以及各个因素对于评估指标集的隶属度矩阵进行加权平均计算,并对计算后的矩阵进行归一化操作,从而计算得到待投资项目的加权隶属度矩阵C:
7.根据权利要求6所述的基于量子聚类算法的金融投资分析方法,其特征在于:所述查找相似度最高的一个,记录量子态,包括:
使用Grover搜索算法找出量子态存储的隶属度相似度中最小的一个,并记录其量子态;具体为:查找离k个待投资项目聚类中心中最近的那一个量子态,记作|ai>,其中i是代表第i个聚类中心。
8.根据权利要求1所述的基于量子聚类算法的金融投资分析方法,其特征在于:所述方法还包括:
选择λ值的不同范围,对待测待投资项目中计算出的隶属度值,构建该隶属度选择类别的结果,与已知的初始值进行对比,若差距在一个级别之间可以认为该次算法是有效的,否则对于该结果的参考价值不太大,需要进行二次量子聚类算法的学习;其中,λ={λ1,λ2,...,λn}为对于评估指标下的标准隶属度,n表示评估指标数量。
9.一种存储介质,其上存储有计算机指令,其特征在于:所述计算机指令运行时执行权利要求1至4中任一项所述的量子聚类算法的金融投资分析方法的步骤。
10.一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,其特征在于,所述处理器运行所述计算机指令时执行权利要求1至4中任一项所述的量子聚类算法的金融投资分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975853.7A CN113674097A (zh) | 2021-08-24 | 2021-08-24 | 基于量子聚类算法的金融投资分析方法、存储介质和终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975853.7A CN113674097A (zh) | 2021-08-24 | 2021-08-24 | 基于量子聚类算法的金融投资分析方法、存储介质和终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113674097A true CN113674097A (zh) | 2021-11-19 |
Family
ID=78545679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110975853.7A Pending CN113674097A (zh) | 2021-08-24 | 2021-08-24 | 基于量子聚类算法的金融投资分析方法、存储介质和终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674097A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358216A (zh) * | 2022-03-22 | 2022-04-15 | 合肥本源量子计算科技有限责任公司 | 基于机器学习框架的量子聚类方法及相关装置 |
CN114580643A (zh) * | 2022-03-18 | 2022-06-03 | 北京百度网讯科技有限公司 | 确定方法、模型处理方法、装置、设备及存储介质 |
CN116228484A (zh) * | 2023-05-06 | 2023-06-06 | 中诚华隆计算机技术有限公司 | 基于量子聚类算法的课程组合方法及装置 |
-
2021
- 2021-08-24 CN CN202110975853.7A patent/CN113674097A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580643A (zh) * | 2022-03-18 | 2022-06-03 | 北京百度网讯科技有限公司 | 确定方法、模型处理方法、装置、设备及存储介质 |
CN114580643B (zh) * | 2022-03-18 | 2023-04-28 | 北京百度网讯科技有限公司 | 确定方法、模型处理方法、装置、设备及存储介质 |
CN114358216A (zh) * | 2022-03-22 | 2022-04-15 | 合肥本源量子计算科技有限责任公司 | 基于机器学习框架的量子聚类方法及相关装置 |
CN116228484A (zh) * | 2023-05-06 | 2023-06-06 | 中诚华隆计算机技术有限公司 | 基于量子聚类算法的课程组合方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113674097A (zh) | 基于量子聚类算法的金融投资分析方法、存储介质和终端 | |
Klepac et al. | Predicting financial distress of agriculture companies in EU | |
Sensini | Selection of Determinants in Corporate Financial Distress | |
Zekić-Sušac et al. | Predicting company growth using logistic regression and neural networks | |
CN111626821B (zh) | 基于集成特征选择实现客户分类的产品推荐方法及系统 | |
CN109472453B (zh) | 基于全局最优模糊核聚类模型的电力用户信用评价方法 | |
CN111062806B (zh) | 个人金融信用风险评价方法、系统和存储介质 | |
Soleymani et al. | Efficient portfolio construction by means of CVaR and k‐means++ clustering analysis: Evidence from the NYSE | |
Yotsawat et al. | Improved credit scoring model using XGBoost with Bayesian hyper-parameter optimization | |
Ourabah | Large scale data using K-means | |
Jiang et al. | [Retracted] Research on Intelligent Prediction Method of Financial Crisis of Listed Enterprises Based on Random Forest Algorithm | |
CN117056761A (zh) | 一种基于x-dbscan算法的客户细分方法 | |
CN117035983A (zh) | 信贷风险等级的确定方法、装置、存储介质及电子设备 | |
CN115115447A (zh) | 一种信贷风控模型的超参数优化方法及装置 | |
Cai et al. | Fuzzy criteria in multi-objective feature selection for unsupervised learning | |
Wang et al. | Credit scoring of micro and small entrepreneurial firms in China | |
Lenka et al. | Representative-based cluster undersampling technique for imbalanced credit scoring datasets | |
CN113222177A (zh) | 模型迁移方法、装置及电子设备 | |
WO1992017853A2 (en) | Direct data base analysis, forecasting and diagnosis method | |
Cavalcanti et al. | Subconcept perturbation-based classifier for within-class multimodal data | |
Rodin | Growing small businesses using software system for intellectual analysis of financial performance | |
CN118172168A (zh) | 一种基金相似度的分析方法和分析系统 | |
Tabassum et al. | Supervised ML algorithms in the high dimensional applications for dimension reduction | |
Wei et al. | A new dynamic credit scoring model based on clustering ensemble | |
Ivaşcu | Heuristic methods for stock selection and allocation in an index tracking problem |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |