基于变分量子线路的最优投资组合确定方法及相关装置制造方法及图纸

本发明专利技术公开了一种基于变分量子线路的最优投资组合确定方法及相关装置，本发明专利技术通过基于均值

【技术实现步骤摘要】
基于变分量子线路的最优投资组合确定方法及相关装置


[0001]本专利技术属于量子计算
，特别是一种基于变分量子线路的最优投资组合确定方法及相关装置。

技术介绍

[0002]投资组合指金融资产的任何组合，例如可以是不同股票、债券和现金的任意组合，每一种金融资产都具有一定的投资风险和期望收益，一般而言，一项金融资产的期望收益的大小与投资风险呈正相关关系，即投资风险高的金融资产其回报也可能更高。如何从确定多个资产的最优投资组合使得以较低的风险来实现较高的收益是一个需要解决的技术问题。

技术实现思路

[0003]本专利技术的目的是提供一种基于变分量子线路的最优投资组合确定方法及相关装置，旨在确定多个资产的最优投资组合使得以较低的风险来实现较高的收益。
[0004]本专利技术的一个实施例提供了一种基于变分量子线路的最优投资组合确定方法，所述方法包括：
[0005]基于均值
‑
条件风险价值CVaR模型下的目标函数对预设的变分量子线路进行训练，得到训练好的所述变分量子线路；
[0006]运行所述变分量子线路，以及对所述变分量子线路中的量子比特进行测量，得到目标测量结果；
[0007]基于所述目标测量结果确定多个资产的最优投资组合。
[0008]可选的，所述变分量子线路包括K个拟设层，所述K为大于或等于1的整数；所述基于均值
‑
CVaR模型下的目标函数对预设的变分量子线路进行训练，得到训练好的所述变分量子线路，包括：
[0009]基于均值
‑
CVaR模型下的目标函数对预设的变分量子线路中的前k个拟设层进行训练，k的初始值为1；
[0010]在所述前k个拟设层训练完成之后，令k＝k+1，以及执行所述基于均值
‑
CVaR模型下的目标函数对预设的变分量子线路中的前k个拟设层进行训练；
[0011]在k＝K时，得到K个所述拟设层均训练好的变分量子线路。
[0012]可选的，所述基于均值
‑
CVaR模型下的目标函数对预设的变分量子线路中的前k个拟设层进行训练，包括：
[0013]运行前k个拟设层对应的部分预设的变分量子线路，以及对部分预设的所述变分量子线路中的量子比特进行测量，得到训练测量结果；
[0014]基于所述训练测量结果确定多个所述资产的训练权重占比；
[0015]将所述训练权重占比代入均值
‑
CVaR模型下的目标函数，得到目标函数值；
[0016]若所述目标函数值满足预设条件，则完成对所述前k个拟设层的训练。
[0017]可选的，所述方法还包括：
[0018]若所述目标函数值不满足预设条件，则更新所述前k个拟设层中的参数，以及执行所述运行前k个拟设层对应的部分预设的变分量子线路。
[0019]可选的，所述预设条件为所述目标函数值小于或等于预设阈值或所述目标函数值是迭代预设次数确定的。
[0020]可选的，所述拟设层包括作用于每个所述量子比特的单量子旋转逻辑门和作用于每相邻两个所述量子比特的两量子逻辑门。
[0021]可选的，所述变分量子线路还包括量子态制备层，所述量子态制备层与所述拟设层连接。
[0022]可选的，所述均值
‑
CVaR模型下的目标函数为：
[0023]U＝qF
β
(x,ξ)
‑
(x
T
E(y)
‑
x
T
c)
[0024][0025][0026][0027]其中，U为目标函数，q为预设的风险因素，F
β
(x,ξ)为CVaR，β为置信水平，x为资产权重占比对应的向量，ξ为资产组合的VaR，y为资产的收益率，E(y)为资产的收益率的预期收益对应的向量，c为资产的交易成本费率对应的向量；
[0028]J为交易日的数量，L(x,y
j
)为资产组合的损失函数，y
j
为y中的第j个元素，表示资产第j个交易日的收益率，y
ij
为y
j
中的第i个元素，表示第i个资产第j个交易日的收益率，x
i
为x中的第i个元素，表示第i个资产的权重占比，c
i
为c中的第i个元素，表示第i个资产的交易成本费率。
[0029]本专利技术的又一实施例提供了一种基于变分量子线路的最优投资组合确定装置，所述装置包括：
[0030]线路训练单元，用于基于均值
‑
条件风险价值CVaR模型下的目标函数对预设的变分量子线路进行训练，得到训练好的所述变分量子线路；
[0031]线路运行单元，用于运行所述变分量子线路，以及对所述变分量子线路中的量子比特进行测量，得到目标测量结果；
[0032]组合确定单元，用于基于所述目标测量结果确定多个资产的最优投资组合。
[0033]可选的，所述变分量子线路包括K个拟设层，所述K为大于或等于1的整数；在所述基于均值
‑
CVaR模型下的目标函数对预设的变分量子线路进行训练，得到训练好的所述变分量子线路方面，所述线路训练单元，具体用于：
[0034]基于均值
‑
CVaR模型下的目标函数对预设的变分量子线路中的前k个拟设层进行训练，k的初始值为1；
[0035]在所述前k个拟设层训练完成之后，令k＝k+1，以及执行所述基于均值
‑
CVaR模型下的目标函数对预设的变分量子线路中的前k个拟设层进行训练；
[0036]在k＝K时，得到K个所述拟设层均训练好的变分量子线路。
[0037]可选的，在所述基于均值
‑
CVaR模型下的目标函数对预设的变分量子线路中的前k个拟设层进行训练方面，所述线路训练单元，具体用于：
[0038]运行前k个拟设层对应的部分预设的变分量子线路，以及对部分预设的所述变分量子线路中的量子比特进行测量，得到训练测量结果；
[0039]基于所述训练测量结果确定多个所述资产的训练权重占比；
[0040]将所述训练权重占比代入均值
‑
CVaR模型下的目标函数，得到目标函数值；
[0041]若所述目标函数值满足预设条件，则完成对所述前k个拟设层的训练。
[0042]可选的，所述线路训练单元，具体用于：
[0043]若所述目标函数值不满足预设条件，则更新所述前k个拟设层中的参数，以及执行所述运行前k个拟设层对应的部分预设的变分量子线路。
[0044]可选的，所述预设条件为所述目标函数值小于或等于预设阈值或所述目标函数值是迭代预设次数确定的。
[0045]可选的，所述拟设层包括作用于每个所述量子比特的单量子旋转逻辑门和作用于每相邻两个所述量子比特的两量子逻辑门。
[0046]可选的，所述变分量子线路还包括量子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变分量子线路的最优投资组合确定方法，其特征在于，所述方法包括：基于均值
‑
条件风险价值CVaR模型下的目标函数对预设的变分量子线路进行训练，得到训练好的所述变分量子线路；运行所述变分量子线路，以及对所述变分量子线路中的量子比特进行测量，得到目标测量结果；基于所述目标测量结果确定多个资产的最优投资组合。2.如权利要求1所述的方法，其特征在于，所述变分量子线路包括K个拟设层，所述K为大于或等于1的整数；所述基于均值
‑
CVaR模型下的目标函数对预设的变分量子线路进行训练，得到训练好的所述变分量子线路，包括：基于均值
‑
CVaR模型下的目标函数对预设的变分量子线路中的前k个拟设层进行训练，k的初始值为1；在所述前k个拟设层训练完成之后，令k＝k+1，以及执行所述基于均值
‑
CVaR模型下的目标函数对预设的变分量子线路中的前k个拟设层进行训练；在k＝K时，得到K个所述拟设层均训练好的变分量子线路。3.如权利要求2所述的方法，其特征在于，所述基于均值
‑
CVaR模型下的目标函数对预设的变分量子线路中的前k个拟设层进行训练，包括：运行前k个拟设层对应的部分预设的变分量子线路，以及对部分预设的所述变分量子线路中的量子比特进行测量，得到训练测量结果；基于所述训练测量结果确定多个所述资产的训练权重占比；将所述训练权重占比代入均值
‑
CVaR模型下的目标函数，得到目标函数值；若所述目标函数值满足预设条件，则完成对所述前k个拟设层的训练。4.如权利要求3所述的方法，其特征在于，所述方法还包括：若所述目标函数值不满足预设条件，则更新所述前k个拟设层中的参数，以及执行所述运行前k个拟设层对应的部分预设的变分量子线路。5.如权利要求3所述的方法，其特征在于，所述预设条件为所述目标函数值小于或等于预设阈值或所述目标函数值是迭代预设次数确定的。6.如权利要求2所述的方法，其特征在于，所述拟设层包括作用于每个所述量子比特的单量子旋转逻辑门和作用于每相邻两个所述量子比特的两量子逻辑门。7.如权...

【专利技术属性】
技术研发人员：ꢀ五一IntClG零六Q四零零六，
申请(专利权)人：合肥本源量子计算科技有限责任公司，
类型：发明
国别省市：