用 Python 中的量子机器学习预测股票价格

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：
       今天，我们将深入量子计算与机器学习的交叉领域，探索量子机器学习。主要目标是比较量子神经网络与简单的单层 MLP 在预测股票价格时间序列方面的性能。

       为了促进这个项目，我们将利用 Financial Modeling Prep (FMP) 提供的 Historical API 端点来获取可靠、准确的数据，这一点非常重要。

一、导入数据

       首先，让我们导入分析所需的库。这些库将为我们提供探索和实施项目所需的基本工具。

import numpy as np
import pandas as pd
import requests
import json
import tensorflow as tf
from sklearn.model_selection import train_test_split
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from sklearn.metrics import mean_squared_error
from qiskit import QuantumCircuit
from qiskit.circuit.library import PauliFeatureMap
from qiskit.algorithms.optimizers import ADAM
from qiskit.circuit import Parameter
from qiskit.primitives import Sampler

       我们已经安装了用于量子计算网络的 Qiskit 库和其他重要库，从而建立了我们的环境。为了提取数据，我们将使用 Financial Modeling Prep 提供的历史数据 API 。

       FMP 的历史数据应用程序接口（API）提供了一个方便访问的端点，提供了丰富多样的历史股票数据，这在我们项目的每一个步骤中都证明是非常宝贵的。这一资源使我们能够访问广泛的金融信息，从而提高我们分析的深度和准确性。其友好的用户界面和全面的数据集大大提高了我们研究和实施的成功率和效率。现在，我们将提取历史数据如下：

api_url = "https://financialmodelingprep.com/api/v3/historical-price-full/AAPL?apikey=YOUR API KEY"

# Make a GET request to the API
response = requests.get(api_url)

# Check if the request was successful (status code 200)
if response.status_code == 200:
    # Parse the response JSON
    data = response.json()
else:
    print(f"Error: Unable to fetch data. Status code: {response.status_code}")

data

       将您的 API 密钥替换为您的秘密 API 密钥，您可以通过创建 FMP 帐户获得该密钥。输出是一个 JSON 响应，如下所示：

二、量子计算简介

       在普通计算机中，我们有被称为 "与或门 "的微小开关。这些开关控制着信息的移动。它们与称为 "比特 "的基本数据单位协同工作，比特可以是 0 或 1。这些门帮助计算机进行计算和处理数据。现在，在量子计算机中，我们使用一种叫做 "量子比特 "的东西来代替比特。量子比特很特别，因为它们可以同时为 0 和 1。这就好比一枚硬币在旋转时会同时显示正面和反面，直到你抓住它，它才会选择其中一面。

       当我们说 "波函数坍缩 "时，这只是一种花哨的说法，即当我们检查时，量子比特决定是 0 或 1。我们用不同的东西来制造这些量子比特，比如光粒子（光子）、构成东西的微小粒子（原子），甚至是小电路（约瑟夫森结）。这些就像是我们特殊量子比特的构件。这些量子系统（粒子或电路）会做一些有趣的事情。它们可以同时处于不同的状态（叠加），以一种特殊的方式连接在一起（纠缠），甚至穿过它们不应该穿过的障碍（隧穿）。最酷的是，量子计算机凭借其量子比特和特殊行为，利用某些算法比普通计算机更快地解决某些问题。这就像拥有了一种新工具，它可能会帮助我们在未来更高效地解决棘手的难题。

2.1 量子计算中的算子

       在传统计算中，我们使用 AND、NOT 和 OR 等基本逻辑门进行运算。这些逻辑门使用 0 和 1 进行运算，其规则基于一个简单的数学系统，称为

       它主要处理 2 的模数计算。现在，想象一下量子计算机--它也有门，但这些门就像增压版。量子门处理的不是简单的比特，而是量子比特或量子位。这些量子门背后的数学涉及复数和矩阵运算。

       以量子 NOT 门为例：