量子机器学习数据集研究

为了给量子机器学习算法的开发和测试提供数据集支撑,应着力研究量子机器学习数据集。简要介绍不同类型的数据集,详细阐述了量子机器学习数据集,分析了经典数据映射的构造方式和量子系统试验中构造两种不同的量子机器学习数据集构造方式,并以药物—靶点亲和力预测数据集的构建和实现为例呈现了一种实现量子机器学习数据集的过程,最后概述量子机器学习数据集国际标准化进展。

量子近似优化算法在投资组合优化中的应用

讨论了量子近似优化算法(QAOA)在投资组合优化问题上的应用,而后者在离散的约束条件下是NP难的;介绍了QAOA的基本框架以及相应的投资组合优化问题的建模;阐述了数个可用于解决投资组合优化问题的QAOA方法。通过数值模拟及假设检验比较这些方法与经典方法的表现,各量子算法在平均近似比上相较经典方法均有7%以上的提升。

基于量子判别分析法的量子连续投资组合优化算法

利用马科维茨投资组合优化问题和量子线性判别分析(quantum linear discriminant analysis,QLDA)的相似性,将马科维茨投资组合优化问题规约为量子线性判别分析的优化问题,并通过解决QLDA的技术厄米特链积(hermitian chain product,HCP)以及密度矩阵指数化算法(density matrix exponentiation,DME)来求得马科维茨均值方差模型中夏普率最大的最优解。量子连续投资组合优化方案相比于经典方案可以实现准指数加速。

基于混合量子-经典神经网络模型的股价预测

股票预测本质上是数据挖掘的问题,大盘走势是一个很好的股票买卖时机抉择信号。在量化分析中,常用深度学习技术对大盘历史数据进行拟合与特征提取,为股票投资提供决策参考。该文首先训练了一个经典深度神经网络对沪深300的日K量价数据进行监督学习,实现了一个输出"涨跌"概率的二分类预测器,并以此制定策略进行模拟交易,利用测试集数据计算累积收益率,从而评估投资策略的优劣。此外,还构造了一种混合量子-经典神经网络模型,充分利用量子计算的线路模型特点,构造参数化变分量子线路,实现了量子前馈神经网络。在量子线路学习框架中,将股票的特征因子编码到量子态的振幅上,通过训练量子神经网络U的参数θ,迭代得到一个最优的分类器。量子算法的运行时间比经典算法少了7.7%,预测准确率更高,回报率高出3%,因此证明了量子算法的表达力强、鲁棒性高的特点。