[发明专利]时间序列预测方法、装置、电子设备及存储介质

说明书

本申请公开了一种时间序列预测方法、装置、电子设备及存储介质，涉及计算机技术领域。其中，该方法包括：获取时间序列数据，其中，上述时间序列数据是基于行情数据的特征因子组成的集合；对上述时间序列数据进行预处理，得到三维方阵；将上述三维方阵输入量子卷积网络模型进行酉变换处理，输出态矢结果，其中，上述酉变换处理用于预测上述三维方阵，上述量子卷积网络模型为预定数量的卷积层、池化层、全连接层以及输出层构成的神经网络模型；对上述态矢结果进行测量，得到对上述时间序列数据的预测结果。本申请解决了现有技术中时间序列预测方法计算能力难以满足密集计算，无法快速捕捉行情动态或潜在风险的技术问题。

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种时间序列预测方法、装置、电子设备及存储介质。

背景技术

在金融领域的交易时间段内，时时刻刻都会产生大量的行情数据，现有技术中通常采用机器学习算法、神经网络相关模型的方式对行情数据进行实时分析。大量实验表明，卷积神经网络模型(CNN，Convolutional Neural Network)在时间序列预测上效果非常显著，能够有效帮助交易员进行量化交易策略的订单操作。

但是，神经网络模型的结构比较复杂，现有的计算能力很难满足CNN模型的密集计算，在实验中，训练一个模型常常达到数周，甚至更长，而在金融领域中时效性的要求非常高，因此，神经网络模型漫长的训练过程很大程度上限制了它本来能够发挥的作用。

针对上述的问题，目前尚未提出有效的解决方案。

申请内容

本申请实施例提供了一种时间序列预测方法、装置、电子设备及存储介质，以至少解决现有技术中时间序列预测方法计算能力难以满足密集计算，无法快速捕捉行情动态或潜在风险的技术问题。

根据本申请实施例的一个方面，提供了一种时间序列预测方法，其特征在于，包括：获取时间序列数据，其中，上述时间序列数据是基于行情数据的特征因子组成的集合，上述特征因子至少包括以下之一：单位时间内的成交量、成交金额、敞口；对上述时间序列数据进行预处理，得到三维方阵；将上述三维方阵输入量子卷积网络模型进行酉变换处理，输出态矢结果，其中，上述酉变换处理用于预测上述三维方阵，上述量子卷积网络模型为预定数量的卷积层、池化层、全连接层以及输出层构成的神经网络模型；对上述态矢结果进行测量，得到对上述时间序列数据的预测结果。

可选的，上述对上述时间序列数据进行预处理，得到三维方阵,包括：对上述时间序列数据进行归一化处理；或者对上述时间序列数据进行特征衍生处理，得到上述三维方阵，其中，上述特征衍生处理包括：计算均值、标准差、偏度、峰度、回归系数。

可选的，在对上述时间序列数据进行预处理之后，包括：采用多个量子比特构建量子空间；将上述特征因子转化为上述量子空间中与上述特征因子对应的态矢；将多个上述特征因子对应的态矢结合，得到上述三维方阵。

可选的，将上述三维方阵输入量子卷积网络模型进行酉变换处理，包括：采用量子层构建上述量子卷积网络模型；采用上述量子卷积网络模型对上述三维方阵进行酉变换处理，得到上述态矢结果。

可选的，对上述态矢结果进行测量，得到对上述时间序列数据的预测结果，包括：接收上述量子卷积网络模型输出的上述态矢结果；测量上述态矢结果，得到可观测信息；将上述可观测信息作为上述时间序列数据的预测结果。