基于CTP金融数据的量子信息特征提取方法

摘要

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。

主权项

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$|\alpha {>}_j^{(n-j+1)}=|{\xi }_{n-j+1}>|{\xi }_{n-j+2}>...|{\xi }_n>=|{\xi }_{n-j+1}{\xi }_{n-j+2}\mathrm{...}{\xi }_n>$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$|p{>}_j^{\left\{\eta \right\}}=|p_1{>}^{\left\{\eta \right\}}|p_2{>}^{\left\{\eta \right\}}...|p_j{>}^{\left\{\eta \right\}},$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$|q{>}_j^{(\chi -j+1)}=|q_{\chi -j+1}>|q_{\chi -j+2}>...|q_{\chi }>=|q_{\chi -j+1}{q}_{\chi -j+2}...q_{\chi }>,$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：$\Theta \left(D_Q\right)=\{\Theta \left(\right|q{>}_j^{\left(1\right)}),\Theta \left(\right|q{>}_j^{\left(2\right)}),\mathrm{...},\Theta \left(\right|q{>}_j^{(\chi -j+1)})\}$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$\Theta \left(D_Q\right)=\{\Theta \left(\right|q{>}_j^{\left(1\right)}),\Theta \left(\right|q{>}_j^{\left(2\right)}),\mathrm{...},\Theta \left(\right|q{>}_j^{(\chi -j+1)})\}$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：$\Theta \left(\right|q{>}_j^{\left(u\right)})=\Theta \left(p_v\right),u=1,2,...,\chi -j+1,v=1,2,...,m;$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$\Theta \left(\right|q{>}_j^{\left(u_g\right)})=\Theta \left(p_v\right),$其中$\left\{u_g\right\}\subseteq \{1,2,...,\chi -j+1\}$且1≤g<<χ‑j+1，元素构成子集$Q_S=\left\{\right|q{>}_j^{\left(1\right)},|q{>}_j^{\left(2\right)},...,|q{>}_j^{(\chi -j+1)}\};$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}_{\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。