金融产品的推荐方法、装置、处理器及电子设备与流程

1.本技术涉及量子计算领域，具体而言，涉及一种金融产品的推荐方法、装置、处理器及电子设备。


背景技术：

2.目前，随着量子计算技术的发展，常常采用grover适应性搜索算法解决投资组合问题，即通过grover适应性搜索算法在多个金融产品中，计算出符合客户投资偏好的金融产品组合。grover适应性搜索(grover adaptive search)算法在量子计算领域常用于解决二次二值无约束优化(quadratic unconstrained binary optimization，qubo)问题。然而，grover适应性搜索算法只能解决0或1的问题，即问题多项式中每一项的权重只能是0或1，导致每一项的权重都相等，无法得到每一项的准确权重。
3.现有技术中，采用grover适应性搜索算法求解投资组合问题时，计算得到的金融产品组合中每个金融产品的权重只能等于1或等于0，即只能得知符合客户投资偏好的多个金融产品，却无法得知多个金融产品中每个被选择的金融产品的准确权重，导致无法依据grover适应性搜索算法计算的结果向客户推荐准确的金融产品投资方案。
4.针对相关技术中采用grover适应性搜索算法求解多个金融产品收益最高的最优组合时，计算得到的金融产品组合中每个金融产品的权重相等，导致难以依据现有grover适应性搜索算法求得的金融产品组合为客户推荐合适的金融产品的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本技术的主要目的在于提供一种金融产品的推荐方法、装置、处理器及电子设备，以解决相关技术中采用grover适应性搜索算法求解多个金融产品收益最高的最优组合时，计算得到的金融产品组合中每个金融产品的权重相等，导致难以依据现有grover适应性搜索算法求得的金融产品组合为客户推荐合适的金融产品的问题。
6.为了实现上述目的，根据本技术的一个方面，提供了一种金融产品的推荐方法，该方法包括：确定n个待推荐的金融产品，其中，n是正整数；在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的grover适应性搜索算法；采用所述优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重，其中，所述目标效用函数是依据客户的预设收益和风险偏好构造的效用函数，m小于或等于n，m是正整数；依据所述m个权重，从所述n个待推荐的金融产品确定目标金融产品。
7.进一步地，在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的grover适应性搜索算法包括：在所述问题表示算子中，采用h个量子比特表示金融产品的权重，得到优化后的问题表示算子，其中，h大于1，h是正整数；依据所述优化后的问题表示算子进行量子计算，得到所述优化后的grover适应性搜索算法。
8.进一步地，在所述问题表示算子中，采用h个量子比特表示金融产品的权重，得到
优化后的问题表示算子包括：设置金融产品x的权重为w，得到带权重的金融产品x
′
，其中，所述x
′
＝wx；使用所述h个量子比特表示带权重的金融产品x
′
，得到所述优化后的问题表示算子，所述优化后的问题表示算子如下所示，
[0009][0010][0011]
其中，y表示h个量子比特的叠加量子态，a
′y表示对量子态y进行幅度放大的操作，h表示量子比特的数量，n表示待推荐的金融产品的数量，m表示目标效用函数解的权重的数量，x表示金融产品，q表示n个待推荐的金融产品的预设风险矩阵，f(x
′
)表示目标效用函数，w表示n个待推荐的金融产品的权重，μ表示n个待推荐的金融产品的预期收益矩阵，t表示转置矩阵。
[0012]
进一步地，在采用所述优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重之前，所述方法还包括：确定所述n个待推荐的金融产品的预期收益矩阵μ和预设风险矩阵q；将所述预期收益矩阵μ、所述预设风险矩阵q和每个金融产品的权重代入均值方差模型中，得到所述目标效用函数；将每个金融产品的权重之和等于1设置为所述目标效用函数的约束条件，其中，所述约束条件表示所述目标效用函数的解需要满足的条件。
[0013]
进一步地，采用所述优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重包括：确定计算所述问题表示算子的解的计算次数k和表示所述m个权重的初始量子比特；依据所述问题表示算子和所述计算次数k，构造用于计算所述目标效用函数的解的目标量子线路，其中，所述目标量子线路中包括对所述问题表示算子的解进行k次量子搜索的过程，每次量子搜索均包括对应的输入比特和输出比特，所述问题表示算子的解对应的m个权重满足所述约束条件；将所述m个权重的初始量子比特输入至所述目标量子线路进行k次量子搜索，得到所述问题表示算子的解对应的目标输出比特；依据所述目标输出比特的测量结果，确定所述m个权重。
[0014]
进一步地，将所述m个权重的初始量子比特输入至所述目标量子线路进行k次量子搜索，得到所述问题表示算子的解对应的目标输出比特包括：若存在第g次量子搜索的输出比特的测量结果存在负值，则将第g次量子搜索得到的输出比特确定为所述目标输出比特。
[0015]
进一步地，将所述m个权重的初始量子比特输入至所述目标量子线路进行k次量子搜索，得到所述问题表示算子的解对应的目标输出比特之前，所述方法还包括：若第i次量子搜索得到的输出比特的测量结果与第i-1次量子搜索得到的输出比特的测量结果之间的差值小于预设阈值，则停止迭代搜索，将所述第i次量子搜索得到的输出比特确定为所述目标输出比特。
[0016]
为了实现上述目的，根据本技术的另一方面，提供了一种金融产品的推荐装置，该装置包括：第一确定单元，用于确定n个待推荐的金融产品，其中，n是正整数；第一配置单元，用于在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的grover适应性搜索算法；计算单元，用于采用所述优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重，其中，所述目标效用函数是依据客户的预设收益和风险偏
好构造的效用函数，m小于或等于n，m是正整数；第二确定单元，用于依据所述m个权重，从所述n个待推荐的金融产品确定目标金融产品。
[0017]
进一步地，所述第一配置单元包括：获取子单元，用于在所述问题表示算子中，采用h个量子比特表示金融产品的权重，得到优化后的问题表示算子，其中，h大于1，h是正整数；第一计算子单元，用于依据所述优化后的问题表示算子进行量子计算，得到所述优化后的grover适应性搜索算法。
[0018]
进一步地，所述获取子单元包括：配置模块，用于设置金融产品x的权重为w，得到带权重的金融产品x
′
，其中，所述x
′
＝wx；获取模块，用于使用所述h个量子比特表示带权重的金融产品x
′
，得到所述优化后的问题表示算子，所述优化后的问题表示算子如下所示，
[0019][0020][0021]
其中，y表示h个量子比特的叠加量子态，a
′y表示对量子态y进行幅度放大的操作，h表示量子比特的数量，n表示待推荐的金融产品的数量，m表示目标效用函数解的权重的数量，x表示金融产品，q表示n个待推荐的金融产品的预设风险矩阵，f(x
′
)表示目标效用函数，w表示n个待推荐的金融产品的权重，μ表示n个待推荐的金融产品的预期收益矩阵，t表示转置矩阵。
[0022]
进一步地，所述装置还包括：第三确定单元，用于在采用所述优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重之前，确定所述n个待推荐的金融产品的预期收益矩阵μ和预设风险矩阵q；获取单元，用于将所述预期收益矩阵μ、所述预设风险矩阵q和每个金融产品的权重代入均值方差模型中，得到所述目标效用函数；第二配置单元，用于将每个金融产品的权重之和等于1设置为所述目标效用函数的约束条件，其中，所述约束条件表示所述目标效用函数的解需要满足的条件。
[0023]
进一步地，所述计算单元包括：第一确定子单元，用于确定计算所述问题表示算子的解的计算次数k和表示所述m个权重的初始量子比特；构造子单元，用于依据所述问题表示算子和所述计算次数k，构造用于计算所述目标效用函数的解的目标量子线路，其中，所述目标量子线路中包括对所述问题表示算子的解进行k次量子搜索的过程，每次量子搜索均包括对应的输入比特和输出比特，所述问题表示算子的解对应的m个权重满足所述约束条件；第二计算子单元，用于将所述m个权重的初始量子比特输入至所述目标量子线路进行k次量子搜索，得到所述问题表示算子的解对应的目标输出比特；第二确定子单元，用于依据所述目标输出比特的测量结果，确定所述m个权重。
[0024]
进一步地，所述第二计算子单元包括：确定模块，用于若存在第g次量子搜索的输出比特的测量结果存在负值，则将第g次量子搜索得到的输出比特确定为所述目标输出比特。
[0025]
进一步地，所述计算单元还包括：第三确定子单元，用于将所述m个权重的初始量子比特输入至所述目标量子线路进行k次量子搜索，得到所述问题表示算子的解对应的目标输出比特之前，若第i次量子搜索得到的输出比特的测量结果与第i-1次量子搜索得到的
输出比特的测量结果之间的差值小于预设阈值，则停止迭代搜索，将所述第i次量子搜索得到的输出比特确定为所述目标输出比特。
[0026]
为了实现上述目的，根据本技术的一个方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项所述金融产品的推荐方法。
[0027]
为了实现上述目的，根据本技术的一个方面，提供了一种电子设备，包括一个或多个处理器和存储器，存储器用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述任意一项所述金融产品的推荐方法。
[0028]
通过本技术，采用以下步骤：确定n个待推荐的金融产品，其中，n是正整数；在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的grover适应性搜索算法；采用所述优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重，其中，所述目标效用函数是依据客户的预设收益和风险偏好构造的效用函数，m小于或等于n，m是正整数；依据所述m个权重，从所述n个待推荐的金融产品确定目标金融产品，解决了相关技术中采用grover适应性搜索算法求解多个金融产品收益最高的最优组合时，计算得到的金融产品组合中每个金融产品的权重相等，导致难以依据现有grover适应性搜索算法求得的金融产品组合为客户推荐合适的金融产品的问题。通过在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，能够得到包括准确权重的多项式计算结果，同时也得到了包括准确权重的金融产品组合，实现了在量子计算领域解决带权重的投资组合问题，达到了向客户提供包含准确权重的金融产品组合的效果，进一步达到了向客户提供更加准确的金融产品的投资方案的效果。
附图说明
[0029]
构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
[0030]
图1是根据本技术实施例一提供的金融产品的推荐方法的流程图；
[0031]
图2是根据本技术实施例一提供的可选的金融产品的推荐方法的示意图一；
[0032]
图3是根据本技术实施例一提供的可选的金融产品的推荐方法的示意图二；
[0033]
图4是根据本技术实施例一提供的可选的金融产品的推荐方法的示意图三；
[0034]
图5是根据本技术实施例二提供的金融产品的推荐装置的示意图；
[0035]
图6是根据本技术实施例五提供的金融产品的推荐电子设备的示意图。
具体实施方式
[0036]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
[0037]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息、用户的投资偏好等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据、推荐的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
[0038]
为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的
附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
[0039]
需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0040]
实施例一
[0041]
下面结合优选的实施步骤对本发明进行说明，图1是根据本技术实施例一提供的金融产品的推荐方法的流程图，如图1所示，该方法包括如下步骤：
[0042]
步骤s101，确定n个待推荐的金融产品，其中，n是正整数。
[0043]
在本实施例一中，待推荐的金融产品表示供客户选择投资的金融产品。目前，客户在选择投资的金融产品时往往不会选择单个金融产品进行投资，而是选择金融产品组合进行投资，即对多个金融产品进行投资，以免单个金融产品亏损使客户的财产受到损失。为了向客户推荐金融产品组合，首先，需要获取待推荐的多个金融产品，以便从多个待推荐的金融产品中依据客户的投资偏好确定向客户推荐的金融产品组合。
[0044]
步骤s102，在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的grover适应性搜索算法。
[0045]
现有技术中，可以通过grover适应性搜索算法在多个待推荐的金融产品中计算得到满足客户投资偏好的金融产品组合。但是，通过grover适应性搜索算法计算得到的多项式结果中，每一项的权重只能是0或1，无法得到每一项的权重，即无法确定金融产品组合中每个金融产品的投资比例。所以，依据grover适应性搜索算法得到的金融产品组合，无法向客户提供准确的金融产品组合的投资方案。
[0046]
在本实施例一中，通过在grover适应性搜索算法的问题表示算子中配置金融产品的权重，对现有的grover适应性搜索算法进行优化，并使用优化后的grover适应性搜索算法得到包含每个金融产品的准确权重的金融产品组合。
[0047]
步骤s103，采用优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重，其中，目标效用函数是依据客户的预设收益和风险偏好构造的效用函数，m小于或等于n，m是正整数。
[0048]
在本实施例一中，通过优化后的grover适应性搜索算法，能够得到符合客户的投资偏好的金融产品组合以及该金融产品组合中每个金融产品对应的权重。例如，采用优化后的grover适应性搜索算法，在金融产品a1、金融产品a2、金融产品a3和金融产品a4中计算预期风险较小且预期收益较高的金融产品组合，得到的金融产品组合包括金融产品a1、金融产品a2和金融产品a4，以及金融产品a1的权重为0.5，金融产品a2的权重为0.125，金融产品a4的权重为0.375。
[0049]
步骤s104，依据m个权重，从n个待推荐的金融产品确定目标金融产品。
[0050]
具体地，采用优化后的grover适应性搜索算法在待推荐的金融产品a1、金融产品a2、金融产品a3和金融产品a4中，计算预期风险较小且预期收益较高的金融产品组合。计算得到两个符合客户投资偏好的金融产品组合，分别为金融产品组合b1和金融产品组合b2。其中，金融产品组合b1包括金融产品a1、金融产品a2和金融产品a4，以及金融产品a1的权重为0.5、金融产品a2的权重为0.125和金融产品a4的权重为0.375；金融产品组合b2包括金融产品a1、金融产品a2、金融产品a3和金融产品a4，以及金融产品a1的权重为0.3、金融产品a2的权重为0.1、金融产品a3的权重为0.5和金融产品a4的权重为0.1。但由于此时无法投资金融产品a3，所以将金融产品组合b1包括的金融产品a1、金融产品a2和金融产品a4确定为向客户推荐的目标金融产品，同时将金融产品组合b1中每个金融产品的权重提供给客户。
[0051]
综上所述，本技术实施例一提供的金融产品的推荐方法，通过确定n个待推荐的金融产品，其中，n是正整数；在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的grover适应性搜索算法；采用优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重，其中，目标效用函数是依据客户的预设收益和风险偏好构造的效用函数，m小于或等于n，m是正整数；依据m个权重，从n个待推荐的金融产品确定目标金融产品，解决了相关技术中采用grover适应性搜索算法求解多个金融产品收益最高的最优组合时，计算得到的金融产品组合中每个金融产品的权重相等，导致难以依据现有grover适应性搜索算法求得的金融产品组合为客户推荐合适的金融产品的问题。通过在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，能够得到包括准确权重的多项式计算结果，同时也得到了包括准确权重的金融产品组合，实现了在量子计算领域解决带权重的投资组合问题，达到了向客户提供包含准确权重的金融产品组合的效果，进一步达到了向客户提供更加准确的金融产品的投资方案的效果。
[0052]
可选地，在本技术实施例一提供的金融产品的推荐方法中，在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的grover适应性搜索算法包括：在问题表示算子中，采用h个量子比特表示金融产品的权重，得到优化后的问题表示算子，其中，h大于1，h是正整数；依据优化后的问题表示算子进行量子计算，得到优化后的grover适应性搜索算法。
[0053]
现有的grover适应性搜索算法中通过单一量子比特表示金融产品是否被选取，所以现有的grover适应性搜索算法只能计算出被选取的金融产品，而无法计算出被选取的每个金融产品所占有的权重，导致无法向客户提供准确的金融产品的投资方案。在本实施例一中，采用多个量子比特表示金融产品是否被选取，以及保存计算过程中得到的金融产品的权重。
[0054]
通过采用多个量子比特表示金融产品的权重，增加了grover适应性搜索算法的搜索空间的维度，实现了通过grover适应性搜索算法得到金融产品的准确权重，提高了计算得到的金融产品的投资方案的准确性，达到了向客户提供更加准确的金融产品的投资方案的效果。
[0055]
可选地，在本技术实施例一提供的金融产品的推荐方法中，在问题表示算子中，采用h个量子比特表示金融产品的权重，得到优化后的问题表示算子包括：设置金融产品x的权重为w，得到带权重的金融产品x
′
，其中，x
′
＝wx；使用h个量子比特表示带权重的金融产品x
′
，得到优化后的问题表示算子，优化后的问题表示算子如下所示，
[0056][0057][0058]
其中，y表示h个量子比特的叠加量子态，a
′y表示对量子态y进行幅度放大的操作，h表示量子比特的数量，n表示待推荐的金融产品的数量，m表示目标效用函数解的权重的数量，x表示金融产品，q表示n个待推荐的金融产品的预设风险矩阵，f(x
′
)表示目标效用函数，w表示n个待推荐的金融产品的权重，μ表示n个待推荐的金融产品的预期收益矩阵，t表示转置矩阵。
[0059]
在本实施例一中，将单个量子比特表示金融产品是否选取优化为使用多个量子比特表示金融产品是否被选取以及金融产品被选取后所占用的权重，并且通过多个量子比特保存金融产品的权重。图2表示现有的问题表示算子的线路图。在使用多个量子比特表示金融产品的权重的基础上，优化问题表示算子，得到优化后的问题表示算子。具体地，在量子比特数量受限的情况下，可以用2个量子比特表示金融产品的权重，再使用1个量子比特表示金融产品的符号位(符号位可用于表示金融产品的卖空场景，此处可以将符号位初始化为0)，所以，实际上此处使用3个量子比特表示金融产品的权重。
[0060]
在得到优化后的问题表示算子后，可以将优化后的问题表示算子代入g算子中，得到优化后的g算子。g算子表示采用grover搜索算法对问题表示算子进行一次量子搜索，即采用grover搜索算法对问题表示算子求一次解。现有的grover适应性搜索算法中g算子可以表示为g＝ada
+
o(其中，a表示问题表示算子，d表示振幅放大算子，o算子用于将输出结果中的负号提取到输入量子比特之前)，将优化后的问题表示算子代入g算子后，得到优化后的g算子，即g
′
算子，g
′
算子可以表示为g
′
＝a
′
da
′
+
o。在得到g
′
算子之后，后续即可使用优化后的g
′
算子进行量子搜索。
[0061]
通过采用h个量子比特表示金融产品的权重，优化了grover适应性搜索算法对带有权重的问题多项式进行求解的过程，增加了量子搜索的空间维度，使计算得到的多项式包含每一项的权项，实现了计算出被选取的金融产品的权重，达到了向客户提供更加准确的金融产品的投资方案的效果。
[0062]
可选地，在本技术实施例一提供的金融产品的推荐方法中，在采用优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重之前，上述的方法还包括：确定n个待推荐的金融产品的预期收益矩阵μ和预设风险矩阵q；将预期收益矩阵μ、预设风险矩阵q和每个金融产品的权重代入均值方差模型中，得到目标效用函数；将每个金融产品的权重之和等于1设置为目标效用函数的约束条件，其中，约束条件表示目标效用函数的解需要满足的条件。
[0063]
均值方差模型是一种用于评估金融产品的投资风险和投资收益的方法，在金融领域构造多个金融产品的最优投资组合时被广泛应用。在本实施例一中，为了将均值方差模型应用到金融产品的投资组合问题中，需要构造一个效用函数，以便得到符合客户个人的经济预算和风险偏好等因素的计算结果。
[0064]
具体地，假设存在n个待推荐金融产品，n个待推荐金融产品对应的预期收益矩阵
为μ∈rn，协方差矩阵为σ∈rn×n。此外，依据客户的经济预算和风险偏好设置预设风险矩阵q，其中，q≥0，q越小表示客户越偏好风险投资。通过构造金融产品的组合期望收益以及表示预期风险的历史变动协方差，能够得到金融产品的组合的效用函数，效用函数可表示为：
[0065][0066]
其中，u表示金融产品组合的效用分值，表示n个待推荐的金融产品的权重之和为1。从效用函数中可以看出效用分值随着组合期望收益的增加以及预期风险的减少而增加，即收益越高且风险越小的金融产品组合的效用分值越高。对于同一风险偏好的最优投资组合就是max(u)的解，max(u)可表示为：的最优投资组合就是max(u)的解，max(u)可表示为：
[0067]
通过引入客户的经济预算和风险偏好，并采用均值方差模型构造金融产品组合的效用函数，能够得到符合客户投资偏好的金融产品的投资方案，达到了向客户提供更加准确的金融产品的投资方案的效果。
[0068]
可选地，在本技术实施例一提供的金融产品的推荐方法中，采用优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重包括：确定计算问题表示算子的解的计算次数k和表示m个权重的初始量子比特；依据问题表示算子和计算次数k，构造用于计算目标效用函数的解的目标量子线路，其中，目标量子线路中包括对问题表示算子的解进行k次量子搜索的过程，每次量子搜索均包括对应的输入比特和输出比特，问题表示算子的解对应的m个权重满足约束条件；将m个权重的初始量子比特输入至目标量子线路进行k次量子搜索，得到问题表示算子的解对应的目标输出比特；依据目标输出比特的测量结果，确定m个权重。
[0069]
grover适应性搜索算法结合了grover搜索算法和染色体遗传算法(chromosome genetic algorithm)，将问题多项式的优化问题转换为二次二值无约束优化问题(quadratic unconstrained binary optimization，qubo)问题，并使用grover搜索算法对问题多项式的解进行搜索，利用染色体遗传算法对搜索结果进行评估和进化，以找到问题多项式的更优解决方案。具体地，图3是grover搜索算法的线路图的示意图。如图3所示，部分量子寄存器用于存储n个量子比特，另一部分量子寄存器用于存储oracle的工作空间。h门表示量子计算线路中的hadamard门，g表示grover搜索算法的g算子。g算子作用一次表示对问题表示算子的解进行1次量子搜索。在得到优化后的问题表示算子之后，将优化后的问题表示算子代入g算子中，得到优化后的g算子，即可使用优化后的g算子代替grover搜索算法中的g算子进行量子搜索。
[0070]
在本实施例一中，通过构造用于求解问题表示算子的目标量子线路，并依据目标量子线路计算金融产品的投资组合。具体地，首先，确定目标量子线路使用grover搜索算法对问题表示算子的解进行量子搜索的迭代计算次数k和m个权重的初始量子比特。然后，依据目标效用函数构造迭代k次grover搜索算法的目标量子线路。接着，将m个权重的初始量子比特输入至目标量子线路中，通过目标量子线路的k次量子搜索过程搜索符合目标效用函数的金融产品组合。当搜索到满足目标效用函数的金融产品组合时，输出当前量子搜索得到的目标输出比特。其中，每次量子搜索得到的输出比特对应的m个权重满足目标效用函
数的约束条件，即m个权重的和等于1。然后，将当前量子搜索的输出比特作为下一次量子搜索的输入比特继续进行迭代计算，直到完成k次量子搜索。最后，将k次量子搜索中输出的目标输出比特进行测量，得到目标输出比特对应的m个权重。
[0071]
通过目标效用函数构造目标量子线路，并依据目标量子线路搜索符合目标效用函数的解，能够通过量子计算快速地计算出准确的金融产品组合，并且能够得到金融产品组合对应的权重，提高了金融产品的投资方案的准确性，达到了向客户提供更加准确的金融产品的投资方案的效果。
[0072]
可选地，在本技术实施例一提供的金融产品的推荐方法中，将m个权重的初始量子比特输入至目标量子线路进行k次量子搜索，得到问题表示算子的解对应的目标输出比特包括：若存在第g次量子搜索的输出比特的测量结果存在负值，则将第g次量子搜索得到的输出比特确定为目标输出比特。
[0073]
在本实施例一中，对每次量子搜索得到的输出比特进行测量，若当前量子搜索得到输出比特的测量结果存在负值，则说明当前量子搜索得到输出比特满足目标效用函数，即当前量子搜索得到的输出比特对应的m个权重能够作为一个符合客户投资偏好的金融产品投资方案。
[0074]
通过对每次量子搜索得到的输出比特进行测量，能够确定符合目标效用函数的目标金融产品，并且能够提供丰富的金融产品的投资方案，达到了向客户提供多种金融产品投资方案的效果。
[0075]
可选地，在本技术实施例一提供的金融产品的推荐方法中，将m个权重的初始量子比特输入至目标量子线路进行k次量子搜索，得到问题表示算子的解对应的目标输出比特之前，上述的方法还包括：若第i次量子搜索得到的输出比特的测量结果与第i-1次量子搜索得到的输出比特的测量结果之间的差值小于预设阈值，则停止迭代搜索，将第i次量子搜索得到的输出比特确定为目标输出比特。
[0076]
在本实施例一中，对每次量子搜索得到的输出比特进行测量，若当前量子搜索得到输出比特的测量结果与上一次量子搜索得到输出比特的测量结果的差值小于预设阈值，则确定当前量子搜索得到输出比特的优化空间较小，即不需要对当前量子搜索得到输出比特继续进行计算。然后，将当前量子搜索得到的输出比特和已执行过的量子搜索输出的输出比特确定为目标输出比特。
[0077]
通过比较每次量子搜索得到的输出比特的测量结果，能够及时地计算量子搜索得到的输出比特的优化空间，以确定是否需要继续进行量子搜索，减少了不必要的量子计算，节省了计算资源，达到了提高优化后的grover适应性搜索算法的效率的效果。
[0078]
可选地，在本实施例一中，图4是grover适应性搜索算法流程的示意图。如图4所示，首先，确定迭代计算次数上限c和效用函数初始值y0，其中，效用函数初始值y0中包括预期收益矩阵μ、协方差矩阵为σ∈r和m个权重的输入比特。然后，在预设数值1和迭代次数上限c之间随机选择一个整数作为g算子的作用次数k。接着，通过grover搜索算法对效用函数初始值y0进行量子搜索，其中，每次量子搜索的过程中时g算子作用k次。然后，获取当前量子搜索的输入比特和输出比特，若当前量子搜索的输出比特存在负值结果，则获取输出比特表示的数值δy
′0，并依据公式y0＝y0+δy
′0更新y0的值，保存当前的输出比特。将当前量子搜索的输出比特作为下一次量子搜索的输入比特继续进行迭代计算。直到量子搜索的迭
代次数达到迭代次数上限c，输出的每个已保存的输出比特。
[0079]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0080]
实施例二
[0081]
本技术实施例二还提供了一种金融产品的推荐装置，需要说明的是，本技术实施例二的金融产品的推荐装置可以用于执行本技术实施例一所提供的用于金融产品的推荐方法。以下对本技术实施例二提供的金融产品的推荐装置进行介绍。
[0082]
图5是根据本技术实施例二的金融产品的推荐装置的示意图。如图5所示，该装置包括：第一确定单元501、第一配置单元502、计算单元503和第二确定单元504。
[0083]
具体的，第一确定单元501，用于确定n个待推荐的金融产品，其中，n是正整数。
[0084]
第一配置单元502，用于在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的grover适应性搜索算法。
[0085]
计算单元503，用于采用优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重，其中，目标效用函数是依据客户的预设收益和风险偏好构造的效用函数，m小于或等于n，m是正整数。
[0086]
第二确定单元504，用于依据m个权重，从n个待推荐的金融产品确定目标金融产品。
[0087]
本技术实施例二提供的金融产品的推荐装置，通过第一确定单元501确定n个待推荐的金融产品，其中，n是正整数；第一配置单元502在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的grover适应性搜索算法；计算单元503采用优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重，其中，目标效用函数是依据客户的预设收益和风险偏好构造的效用函数，m小于或等于n，m是正整数；第二确定单元504依据m个权重，从n个待推荐的金融产品确定目标金融产品，解决了相关技术中采用grover适应性搜索算法求解多个金融产品收益最高的最优组合时，计算得到的金融产品组合中每个金融产品的权重相等，导致难以依据现有grover适应性搜索算法求得的金融产品组合为客户推荐合适的金融产品的问题。通过在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，能够得到包括准确权重的多项式计算结果，同时也得到了包括准确权重的金融产品组合，实现了在量子计算领域解决带权重的投资组合问题，达到了向客户提供包含准确权重的金融产品组合的效果，进一步达到了向客户提供更加准确的金融产品的投资方案的效果。
[0088]
可选地，在本技术实施例二提供的金融产品的推荐装置中，上述的第一配置单元502包括：获取子单元，用于在问题表示算子中，采用h个量子比特表示金融产品的权重，得到优化后的问题表示算子，其中，h大于1，h是正整数；第一计算子单元，用于依据优化后的问题表示算子进行量子计算，得到优化后的grover适应性搜索算法。
[0089]
可选地，在本技术实施例二提供的金融产品的推荐装置中，上述的获取子单元包括：配置模块，用于设置金融产品x的权重为w，得到带权重的金融产品x
′
，其中，x
′
＝wx；获取模块，用于使用h个量子比特表示带权重的金融产品x
′
，得到优化后的问题表示算子，优化后的问题表示算子如下所示，
[0090][0091][0092]
其中，y表示h个量子比特的叠加量子态，a
′y表示对量子态y进行幅度放大的操作，h表示量子比特的数量，n表示待推荐的金融产品的数量，m表示目标效用函数解的权重的数量，x表示金融产品，q表示n个待推荐的金融产品的预设风险矩阵，f(x
′
)表示目标效用函数，w表示n个待推荐的金融产品的权重，μ表示n个待推荐的金融产品的预期收益矩阵，t表示转置矩阵。
[0093]
可选地，在本技术实施例二提供的金融产品的推荐装置中，上述的装置还包括：第三确定单元，用于在采用优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重之前，确定n个待推荐的金融产品的预期收益矩阵μ和预设风险矩阵q；获取单元，用于将预期收益矩阵μ、预设风险矩阵q和每个金融产品的权重代入均值方差模型中，得到目标效用函数；第二配置单元，用于将每个金融产品的权重之和等于1设置为目标效用函数的约束条件，其中，约束条件表示目标效用函数的解需要满足的条件。
[0094]
可选地，在本技术实施例二提供的金融产品的推荐装置中，上述的计算单元503包括：第一确定子单元，用于确定计算问题表示算子的解的计算次数k和表示m个权重的初始量子比特；构造子单元，用于依据问题表示算子和计算次数k，构造用于计算目标效用函数的解的目标量子线路，其中，目标量子线路中包括对问题表示算子的解进行k次量子搜索的过程，每次量子搜索均包括对应的输入比特和输出比特，问题表示算子的解对应的m个权重满足约束条件；第二计算子单元，用于将m个权重的初始量子比特输入至目标量子线路进行k次量子搜索，得到问题表示算子的解对应的目标输出比特；第二确定子单元，用于依据目标输出比特的测量结果，确定m个权重。
[0095]
可选地，在本技术实施例二提供的金融产品的推荐装置中，上述的第二计算子单元包括：确定模块，用于若存在第g次量子搜索的输出比特的测量结果存在负值，则将第g次量子搜索得到的输出比特确定为目标输出比特。
[0096]
可选地，在本技术实施例二提供的金融产品的推荐装置中，上述的计算单元503还包括：第三确定子单元，用于将m个权重的初始量子比特输入至目标量子线路进行k次量子搜索，得到问题表示算子的解对应的目标输出比特之前，若第i次量子搜索得到的输出比特的测量结果与第i-1次量子搜索得到的输出比特的测量结果之间的差值小于预设阈值，则停止迭代搜索，将第i次量子搜索得到的输出比特确定为目标输出比特。
[0097]
所述金融产品的推荐装置包括处理器和存储器，上述的第一确定单元501、第一配置单元502、计算单元503和第二确定单元504等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0098]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高向客户推荐的金融产品的准确性。
[0099]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存
储芯片。
[0100]
本发明实施例三提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现金融产品的推荐方法。
[0101]
本发明实施例四提供了一种处理器，处理器用于运行程序，其中，程序运行时执行金融产品的推荐方法。
[0102]
如图6所示，本发明实施例五提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：通过确定n个待推荐的金融产品，其中，n是正整数；在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的grover适应性搜索算法；采用优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重，其中，目标效用函数是依据客户的预设收益和风险偏好构造的效用函数，m小于或等于n，m是正整数；依据m个权重，从n个待推荐的金融产品确定目标金融产品。
[0103]
处理器执行程序时还实现以下步骤：在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的grover适应性搜索算法包括：在问题表示算子中，采用h个量子比特表示金融产品的权重，得到优化后的问题表示算子，其中，h大于1，h是正整数；依据优化后的问题表示算子进行量子计算，得到优化后的grover适应性搜索算法。
[0104]
处理器执行程序时还实现以下步骤：在问题表示算子中，采用h个量子比特表示金融产品的权重，得到优化后的问题表示算子包括：设置金融产品x的权重为w，得到带权重的金融产品x
′
，其中，x
′
＝wx；使用h个量子比特表示带权重的金融产品x
′
，得到优化后的问题表示算子，优化后的问题表示算子如下所示，
[0105][0106][0107]
其中，y表示h个量子比特的叠加量子态，a
′y表示对量子态y进行幅度放大的操作，h表示量子比特的数量，n表示待推荐的金融产品的数量，m表示目标效用函数解的权重的数量，x表示金融产品，q表示n个待推荐的金融产品的预设风险矩阵，f(x
′
)表示目标效用函数，w表示n个待推荐的金融产品的权重，μ表示n个待推荐的金融产品的预期收益矩阵，t表示转置矩阵。
[0108]
处理器执行程序时还实现以下步骤：在采用优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重之前，上述的方法还包括：确定n个待推荐的金融产品的预期收益矩阵μ和预设风险矩阵q；将预期收益矩阵μ、预设风险矩阵q和每个金融产品的权重代入均值方差模型中，得到目标效用函数；将每个金融产品的权重之和等于1设置为目标效用函数的约束条件，其中，约束条件表示目标效用函数的解需要满足的条件。
[0109]
处理器执行程序时还实现以下步骤：采用优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重包括：确定计算问题表示算子的解的计算次数k和表示m个权重的初始量子比特；依据问题表示算子和计算次数k，构造用于计算目标效用函数的解的目标量子线路，其中，目标量子线路中包括对问题表示算子的解进行k次量子搜索的过程，每
次量子搜索均包括对应的输入比特和输出比特，问题表示算子的解对应的m个权重满足约束条件；将m个权重的初始量子比特输入至目标量子线路进行k次量子搜索，得到问题表示算子的解对应的目标输出比特；依据目标输出比特的测量结果，确定m个权重。
[0110]
处理器执行程序时还实现以下步骤：将m个权重的初始量子比特输入至目标量子线路进行k次量子搜索，得到问题表示算子的解对应的目标输出比特包括：若存在第g次量子搜索的输出比特的测量结果存在负值，则将第g次量子搜索得到的输出比特确定为目标输出比特。
[0111]
处理器执行程序时还实现以下步骤：将m个权重的初始量子比特输入至目标量子线路进行k次量子搜索，得到问题表示算子的解对应的目标输出比特之前，上述的方法还包括：若第i次量子搜索得到的输出比特的测量结果与第i-1次量子搜索得到的输出比特的测量结果之间的差值小于预设阈值，则停止迭代搜索，将第i次量子搜索得到的输出比特确定为目标输出比特。
[0112]
本文中的设备可以是服务器、pc、pad、手机等。
[0113]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：通过确定n个待推荐的金融产品，其中，n是正整数；在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的grover适应性搜索算法；采用优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重，其中，目标效用函数是依据客户的预设收益和风险偏好构造的效用函数，m小于或等于n，m是正整数；依据m个权重，从n个待推荐的金融产品确定目标金融产品。
[0114]
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的grover适应性搜索算法包括：在问题表示算子中，采用h个量子比特表示金融产品的权重，得到优化后的问题表示算子，其中，h大于1，h是正整数；依据优化后的问题表示算子进行量子计算，得到优化后的grover适应性搜索算法。
[0115]
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在问题表示算子中，采用h个量子比特表示金融产品的权重，得到优化后的问题表示算子包括：设置金融产品x的权重为w，得到带权重的金融产品x
′
，其中，x
′
＝wx；使用h个量子比特表示带权重的金融产品x
′
，得到优化后的问题表示算子，优化后的问题表示算子如下所示，
[0116][0117][0118]
其中，y表示h个量子比特的叠加量子态，a
′y表示对量子态y进行幅度放大的操作，h表示量子比特的数量，n表示待推荐的金融产品的数量，m表示目标效用函数解的权重的数量，x表示金融产品，q表示n个待推荐的金融产品的预设风险矩阵，f(x
′
)表示目标效用函数，w表示n个待推荐的金融产品的权重，μ表示n个待推荐的金融产品的预期收益矩阵，t表示转置矩阵。
[0119]
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在采用
优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重之前，上述的方法还包括：确定n个待推荐的金融产品的预期收益矩阵μ和预设风险矩阵q；将预期收益矩阵μ、预设风险矩阵q和每个金融产品的权重代入均值方差模型中，得到目标效用函数；将每个金融产品的权重之和等于1设置为目标效用函数的约束条件，其中，约束条件表示目标效用函数的解需要满足的条件。
[0120]
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：采用优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重包括：确定计算问题表示算子的解的计算次数k和表示m个权重的初始量子比特；依据问题表示算子和计算次数k，构造用于计算目标效用函数的解的目标量子线路，其中，目标量子线路中包括对问题表示算子的解进行k次量子搜索的过程，每次量子搜索均包括对应的输入比特和输出比特，问题表示算子的解对应的m个权重满足约束条件；将m个权重的初始量子比特输入至目标量子线路进行k次量子搜索，得到问题表示算子的解对应的目标输出比特；依据目标输出比特的测量结果，确定m个权重。
[0121]
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：将m个权重的初始量子比特输入至目标量子线路进行k次量子搜索，得到问题表示算子的解对应的目标输出比特包括：若存在第g次量子搜索的输出比特的测量结果存在负值，则将第g次量子搜索得到的输出比特确定为目标输出比特。
[0122]
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：将m个权重的初始量子比特输入至目标量子线路进行k次量子搜索，得到问题表示算子的解对应的目标输出比特之前，上述的方法还包括：若第i次量子搜索得到的输出比特的测量结果与第i-1次量子搜索得到的输出比特的测量结果之间的差值小于预设阈值，则停止迭代搜索，将第i次量子搜索得到的输出比特确定为目标输出比特。
[0123]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0124]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0125]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0126]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或
其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0127]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0128]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0129]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0130]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0131]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0132]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种金融产品的推荐方法，其特征在于，包括：确定n个待推荐的金融产品，其中，n是正整数；在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的grover适应性搜索算法；采用所述优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重，其中，所述目标效用函数是依据客户的预设收益和风险偏好构造的效用函数，m小于或等于n，m是正整数；依据所述m个权重，从所述n个待推荐的金融产品确定目标金融产品。2.根据权利要求1所述的方法，其特征在于，在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的grover适应性搜索算法包括：在所述问题表示算子中，采用h个量子比特表示金融产品的权重，得到优化后的问题表示算子，其中，h大于1，h是正整数；依据所述优化后的问题表示算子进行量子计算，得到所述优化后的grover适应性搜索算法。3.根据权利要求2所述的方法，其特征在于，在所述问题表示算子中，采用h个量子比特表示金融产品的权重，得到优化后的问题表示算子包括：设置金融产品x的权重为w，得到带权重的金融产品x
′
，其中，所述x
′
＝wx；使用所述h个量子比特表示带权重的金融产品x
′
，得到所述优化后的问题表示算子，所述优化后的问题表示算子如下所示，述优化后的问题表示算子如下所示，其中，y表示h个量子比特的叠加量子态，a
′
y
表示对量子态y进行幅度放大的操作，h表示量子比特的数量，n表示待推荐的金融产品的数量，m表示目标效用函数解的权重的数量，x表示金融产品，q表示n个待推荐的金融产品的预设风险矩阵，f(x
′
)表示目标效用函数，w表示n个待推荐的金融产品的权重，μ表示n个待推荐的金融产品的预期收益矩阵，t表示转置矩阵。4.根据权利要求1所述的方法，其特征在于，在采用所述优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重之前，所述方法还包括：确定所述n个待推荐的金融产品的预期收益矩阵μ和预设风险矩阵q；将所述预期收益矩阵μ、所述预设风险矩阵q和每个金融产品的权重代入均值方差模型中，得到所述目标效用函数；将每个金融产品的权重之和等于1设置为所述目标效用函数的约束条件，其中，所述约束条件表示所述目标效用函数的解需要满足的条件。5.根据权利要求4所述的方法，其特征在于，采用所述优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重包括：确定计算所述问题表示算子的解的计算次数k和表示所述m个权重的初始量子比特；
依据所述问题表示算子和所述计算次数k，构造用于计算所述目标效用函数的解的目标量子线路，其中，所述目标量子线路中包括对所述问题表示算子的解进行k次量子搜索的过程，每次量子搜索均包括对应的输入比特和输出比特，所述问题表示算子的解对应的m个权重满足所述约束条件；将所述m个权重的初始量子比特输入至所述目标量子线路进行k次量子搜索，得到所述问题表示算子的解对应的目标输出比特；依据所述目标输出比特的测量结果，确定所述m个权重。6.根据权利要求5所述的方法，其特征在于，将所述m个权重的初始量子比特输入至所述目标量子线路进行k次量子搜索，得到所述问题表示算子的解对应的目标输出比特包括：若存在第g次量子搜索的输出比特的测量结果存在负值，则将第g次量子搜索得到的输出比特确定为所述目标输出比特。7.根据权利要求5所述的方法，其特征在于，将所述m个权重的初始量子比特输入至所述目标量子线路进行k次量子搜索，得到所述问题表示算子的解对应的目标输出比特之前，所述方法还包括：若第i次量子搜索得到的输出比特的测量结果与第i-1次量子搜索得到的输出比特的测量结果之间的差值小于预设阈值，则停止迭代搜索，将所述第i次量子搜索得到的输出比特确定为所述目标输出比特。8.一种金融产品的推荐装置，其特征在于，包括：第一确定单元，用于确定n个待推荐的金融产品，其中，n是正整数；第一配置单元，用于在grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的grover适应性搜索算法；计算单元，用于采用所述优化后的grover适应性搜索算法求解目标效用函数的解，得到m个权重，其中，所述目标效用函数是依据客户的预设收益和风险偏好构造的效用函数，m小于或等于n，m是正整数；第二确定单元，用于依据所述m个权重，从所述n个待推荐的金融产品确定目标金融产品。9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的金融产品的推荐方法。10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的金融产品的推荐方法。

技术总结
本申请公开了一种金融产品的推荐方法、装置、处理器及电子设备，该方法应用于量子计算领域，该方法包括：确定n个待推荐的金融产品；在Grover适应性搜索算法的问题表示算子中，配置金融产品的权重，得到优化后的Grover适应性搜索算法；采用优化后的Grover适应性搜索算法求解目标效用函数的解，得到m个权重；依据m个权重，从n个待推荐的金融产品确定目标金融产品。通过本申请，解决了相关技术中采用Grover适应性搜索算法求解多个金融产品收益最高的最优组合时，计算得到的金融产品组合中每个金融产品的权重相等，导致难以依据现有Grover适应性搜索算法求得的金融产品组合为客户推荐合适的金融产品的问题。合适的金融产品的问题。合适的金融产品的问题。


技术研发人员：皇甫晓洁 周逢源 周魁 许璟亮
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.05.23
技术公布日：2023/8/21