A. 提問任務：在使用神經網路演算法對A股股指進行回歸預測時，哪些特徵量能較好的反應股市的漲跌本質，謝謝
這個問題太復雜，一般的模型只將股指開盤收盤，最高，最低價格，成交量，成交額作為輸入數據，更進一步的人，以均筆，資金流入量等等，作為輸入數據，讓人深感對於特徵量得提取有很大的不足，神經網路演算法，在預測社會科學范疇的股票價格時，關鍵問題在於輸入數據的特徵量如何提取，以反映事物的本質特徵，以及如何對參與者偏好的人心進行定量分析，或者，可以採用其他影響參與者預期的宏觀或者微觀經濟指標作為前導數據，模擬人心，進行人心的定量分析，或許 能設計出更准確預測股票價格的數學模型來。
兩大難點，一個是特徵量的選擇，一個是如何對人心進行定量分析，心理方面有群體效應，從眾心理，貪婪，恐懼，這目前是神經學，心理學，社會學研究的難點，暫時無解。
去全球著名的大學網站，讀讀那些經濟學，心理學教授的研究論文，階段性成果，或許會有幫助
B. 什麼是神經網路
神經網路可以指向兩種，一個是生物神經網路，一個是人工神經網路。
生物神經網路：一般指生物的大腦神經元，細胞，觸點等組成的網路，用於產生生物的意識，幫助生物進行思考和行動。
人工神經網路（Artificial Neural Networks，簡寫為ANNs）也簡稱為神經網路（NNs）或稱作連接模型（Connection Model），它是一種模仿動物神經網路行為特徵，進行分布式並行信息處理的演算法數學模型。這種網路依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。
人工神經網路：是一種應用類似於大腦神經突觸聯接的結構進行信息處理的數學模型。在工程與學術界也常直接簡稱為「神經網路」或類神經網路。
C. 如何用MATLAB的BP神經網路做股票預測
演算法選擇問題，我覺得3層夠了吧，但是多少個節點看數據量了！訓練過程演算法選擇也很重要！主要是這里個關鍵點吧
D. 如果用神經網路學習股票買賣，能做出一個完美的賺錢程序嗎
比較難，現在已經有這方面的研究和嘗試了，但股票變動的決定因素很多，影響的作用大小也不一樣，而且不同時期也有不同的規律，因此目前作用不大，更談不上完美。
E. 利用BP神經網路預測股票價格走勢
參考 matlab神經網路30例 中有一個股票預測的案例
我覺得svm做這個更好
F. 如何利用Python預測股票價格
預測股票價格沒有意義。
單支股票價格，多股組合，大盤這些都可以使用神經網路來學習，02年就做過了，漲跌預測平均能達到54%到57%的准確率，但是只能定性，無法定量，因此，在扣除印花稅之後無利可圖。
純粹使用股票交易數據來預測並保證總體獲利不是程序能辦到的，人也辦不到。
目前世界上最先進的炒股機器也只能利用網路時差那微不可計的零點幾秒在歐洲與美國證券間倒來倒去，那套系統研發費用數千萬，硬體（主要是獨立光纜）費用以億計。
G. 基於遺傳演算法的神經網路預測股票的價格有現實意義嗎 知乎
有一定參考價值
但你不能以此為實際購買股票的唯一依據，不然會賠的很慘
不要只依賴演算法結果…
望採納
H. 人工智慧：什麼是人工神經網路
許多 人工智慧 計算機系統的核心技術是人工神經網路(ANN)，而這種網路的靈感來源於人類大腦中的生物結構。
通過使用連接的「神經元」結構，這些網路可以通過「學習」並在沒有人類參與的情況下處理和評估某些數據。
這樣的實際實例之一是使用人工神經網路(ANN)識別圖像中的對象。在構建一個識別「貓「圖像的一個系統中，將在包含標記為「貓」的圖像的數據集上訓練人工神經網路，該數據集可用作任何進行分析的參考點。正如人們可能學會根據尾巴或皮毛等獨特特徵來識別狗一樣，人工神經網路(ANN)也可以通過將每個圖像分解成不同的組成部分(如顏色和形狀)進行識別。
實際上，神經網路提供了位於託管數據之上的排序和分類級別，可基於相似度來輔助數據的聚類和分組。可以使用人工神經網路(ANN)生成復雜的垃圾郵件過濾器，查找欺詐行為的演算法以及可以精確了解情緒的客戶關系工具。
人工神經網路如何工作
人工神經網路的靈感來自人腦的神經組織，使用類似於神經元的計算節點構造而成，這些節點沿著通道(如神經突觸的工作方式)進行信息交互。這意味著一個計算節點的輸出將影響另一個計算節點的處理。
神經網路標志著人工智慧發展的巨大飛躍，在此之前，人工智慧一直依賴於使用預定義的過程和定期的人工干預來產生所需的結果。人工神經網路可以使分析負載分布在多個互連層的網路中，每個互連層包含互連節點。在處理信息並對其進行場景處理之後，信息將傳遞到下一個節點，然後向下傳遞到各個層。這個想法是允許將其他場景信息接入網路，以通知每個階段的處理。
單個「隱藏」層神經網路的基本結構
就像漁網的結構一樣，神經網路的一個單層使用鏈將處理節點連接在一起。大量的連接使這些節點之間的通信得到增強，從而提高了准確性和數據處理吞吐量。
然後，人工神經網路將許多這樣的層相互疊放以分析數據，從而創建從第一層到最後一層的輸入和輸出數據流。盡管其層數將根據人工神經網路的性質及其任務而變化，但其想法是將數據從一層傳遞到另一層，並隨其添加附加的場景信息。
人腦是用3D矩陣連接起來的，而不是大量堆疊的圖層。就像人類大腦一樣，節點在接收到特定刺激時會在人工神經網路上「發射」信號，並將信號傳遞到另一個節點。但是，對於人工神經網路，輸入信號定義為實數，輸出為各種輸入的總和。
這些輸入的值取決於它們的權重，該權重用於增加或減少與正在執行的任務相對應的輸入數據的重要性。其目標是採用任意數量的二進制數值輸入並將其轉換為單個二進制數值輸出。
更復雜的神經網路提高了數據分析的復雜性
早期的神經網路模型使用淺層結構，其中只使用一個輸入和輸出層。而現代的系統由一個輸入層和一個輸出層組成，其中輸入層首先將數據輸入網路，多個「隱藏」層增加了數據分析的復雜性。
這就是「深度學習」一詞的由來——「深度」部分專門指任何使用多個「隱藏」層的神經網路。
聚會的例子
為了說明人工神經網路在實際中是如何工作的，我們將其簡化為一個實際示例。
想像一下你被邀請參加一個聚會，而你正在決定是否參加，這可能需要權衡利弊，並將各種因素納入決策過程。在此示例中，只選擇三個因素——「我的朋友會去嗎?」、「聚會地點遠嗎?」、「天氣會好嗎?」
通過將這些考慮因素轉換為二進制數值，可以使用人工神經網路對該過程進行建模。例如，我們可以為「天氣」指定一個二進制數值，即『1'代表晴天，『0'代表惡劣天氣。每個決定因素將重復相同的格式。
然而，僅僅賦值是不夠的，因為這不能幫助你做出決定。為此需要定義一個閾值，即積極因素的數量超過消極因素的數量。根據二進制數值，合適的閾值可以是「2」。換句話說，在決定參加聚會之前，需要兩個因素的閾值都是「1」，你才會決定去參加聚會。如果你的朋友要參加聚會(『1')，並且天氣很好(『1')，那麼這就表示你可以參加聚會。
如果天氣不好(『0')，並且聚會地點很遠(『0')，則達不到這一閾值，即使你的朋友參加(『1')，你也不會參加聚會。
神經加權
誠然，這是神經網路基本原理的一個非常基本的例子，但希望它有助於突出二進制值和閾值的概念。然而，決策過程要比這個例子復雜得多，而且通常情況下，一個因素比另一個因素對決策過程的影響更大。
要創建這種變化，可以使用「神經加權」——-通過乘以因素的權重來確定因素的二進制值對其他因素的重要性。
盡管示例中的每個注意事項都可能使你難以決策，但你可能會更重視其中一個或兩個因素。如果你不願意在大雨中出行去聚會，那惡劣的天氣將會超過其他兩個考慮因素。在這一示例中，可以通過賦予更高的權重來更加重視天氣因素的二進制值：
天氣= w5
朋友= w2
距離= w2
如果假設閾值現在已設置為6，則惡劣的天氣(值為0)將阻止其餘輸入達到所需的閾值，因此該節點將不會「觸發」(這意味著你將決定不參加聚會)。
雖然這是一個簡單的示例，但它提供了基於提供的權重做出決策的概述。如果要將其推斷為圖像識別系統，則是否參加聚會(輸入)的各種考慮因素將是給定圖像的折衷特徵，即顏色、大小或形狀。例如，對識別狗進行訓練的系統可以對形狀或顏色賦予更大的權重。
當神經網路處於訓練狀態時，權重和閾值將設置為隨機值。然後，當訓練數據通過網路傳遞時將不斷進行調整，直到獲得一致的輸出為止。
神經網路的好處
神經網路可以有機地學習。也就是說，神經網路的輸出結果並不受輸入數據的完全限制。人工神經網路可以概括輸入數據，使其在模式識別系統中具有價值。
他們還可以找到實現計算密集型答案的捷徑。人工神經網路可以推斷數據點之間的關系，而不是期望數據源中的記錄是明確關聯的。
它們也可以是容錯的。當神經網路擴展到多個系統時，它們可以繞過無法通信的缺失節點。除了圍繞網路中不再起作用的部分進行路由之外，人工神經網路還可以通過推理重新生成數據，並幫助確定不起作用的節點。這對於網路的自診斷和調試非常有用。
但是，深度神經網路提供的最大優勢是能夠處理和聚類非結構化數據，例如圖片、音頻文件、視頻、文本、數字等數據。在分析層次結構中，每一層節點都在前一層的輸出上進行訓練，深層神經網路能夠處理大量的這種非結構化數據，以便在人類處理分析之前找到相似之處。
神經網路的例子
神經網路應用還有許多示例，可以利用它從復雜或不精確數據中獲得見解的能力。
圖像識別人工神經網路可以解決諸如分析特定物體的照片等問題。這種演算法可以用來區分狗和貓。更重要的是，神經網路已經被用於只使用細胞形狀信息來診斷癌症。
近30年來，金融神經網路被用於匯率預測、股票表現和選擇預測。神經網路也被用來確定貸款信用評分，學習正確識別良好的或糟糕的信用風險。而電信神經網路已被電信公司用於通過實時評估網路流量來優化路由和服務質量。
I. AI都能炒股了，以後就要拼誰的演算法牛了
人工智慧量化交易平台宣布獲得數百萬人民幣融資。據悉，本輪融資將主要用於團隊建設、產品開發和硬體設備投入。
是一家基於人工智慧的量化投資公司，成立於2017年10月，主要將技術應用於量化投資領域，實現低風險高收益的投資回報。
中國私、公募基金規模呈大跨步發展，截止2018年2月底，中國私募基金規模已達12.01萬億元，公募資金規模已達12.64萬億，在控制風險的前提下，提高獲得投資收益的效率，是公、私募投資最大需求，國外盛行的量化交易越來越被國內機構所接受。
在量化交易這個領域，目前已有不少項目：私人量化交易平台JoinQuant、RiceQuant以及優礦，為量化交易領域提供核心演算法支持的眾加，量化策略商城微量網、以量財富為代表的量化理財平台，以及為量化投資者提供智能交易和分析工具的名策數據。
量化交易策略的建立是量化交易的重要環節。目前主要方式有兩種，一種是輸入與這套邏輯相關聯的因子，比如歷史表現、公司財務數據、宏觀經濟數據、上下游供應商數據等眾多參數，建立一套模型，以算出標的上漲或下跌的概率，並生成投資組合和調倉策略。隨著近幾年人工智慧興起，不少人開始選用機器學習等方式，輸入眾多因子，讓AI自己生成策略。
創始人兼CEO龐表示，的做法則不同，是用神經管網路替代原來用邏輯和策略構建的數學模型，通過輸入股票相關數據，利用訓練不同結構的神經網路來實現機器自主的量化交易。想做量化交易界的Deepmind（研發阿爾法狗的團隊），成為中國的基金。
目前，的首個產品A股機器人「狗」已上線，應用於國內二級市場的投資，產品已實盤測試8個月。數據顯示，狗實盤業績顯著，在2017年11月A股普跌的情況下(中證1000跌幅超4%)，狗依然實現了5.23%的收益，最大回撤控制在2.7%，並在2018年1月底上證指數大跌12%的情況下，智富狗做到了提前清盤避險，業績明顯優於大盤。
投資人黃表示：「人工智慧是非常好的提高效率的方式，非常關注人工智慧在各個領域的應用，我們認為以為代表的、基於神經網路的人工智慧量化交易平台，能極大地提高大型的高頻交易的效率。人的精力有限，一個再好的操盤手也不可能同時看2000支股票，但機器能輕易辦到。」
J. 基於神經網路的股票預測
還要含代碼？
你的 t 讓門夾了吧？