[发明专利]基于量子聚类算法的金融投资分析方法、存储介质和终端

说明书

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。

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,...,u_n}，其中u₁,u₂,...,u_n代表影响待投资项目的n个影响因素；