『壹』 股票價格的隨機遊走的含義
「隨機遊走」（random walk）是指基於過去的表現，無法預測將來的發展步驟和方向。應用到股市上，則意味著股票價格的短期走勢不可預知，意味著投資咨詢服務、收益預測和復雜的圖表模型全無用處。在華爾街上，「隨機遊走」這個名詞是個諱語，是學術界杜撰的一個粗詞，是對專業預言者的一種侮辱攻擊。若將這一術語的邏輯內涵推向極致，便意味著一隻戴上眼罩的猴子，隨意向報紙的金融版面擲一些飛鏢，選出的投資組合就可與投資專家精心挑選出的一樣出色。
『貳』 什麼是BP神經網路
誤差反向傳播（Error Back Propagation, BP）演算法
1、BP演算法的基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。
1）正向傳播：輸入樣本－>輸入層－>各隱層（處理）－>輸出層
注1：若輸出層實際輸出與期望輸出（教師信號）不符，則轉入2）（誤差反向傳播過程）
2）誤差反向傳播：輸出誤差（某種形式）－>隱層（逐層）－>輸入層
其主要目的是通過將輸出誤差反傳，將誤差分攤給各層所有單元，從而獲得各層單元的誤差信號，進而修正各單元的權值（其過程，是一個權值調整的過程）。
注2：權值調整的過程，也就是網路的學習訓練過程（學習也就是這么的由來，權值調整）。
2、BP演算法實現步驟（軟體）：
1）初始化
2）輸入訓練樣本對，計算各層輸出
3）計算網路輸出誤差
4）計算各層誤差信號
5）調整各層權值
6）檢查網路總誤差是否達到精度要求
滿足，則訓練結束；不滿足，則返回步驟2）
3、多層感知器（基於BP演算法）的主要能力：
1）非線性映射：足夠多樣本－>學習訓練
能學習和存儲大量輸入－輸出模式映射關系。只要能提供足夠多的樣本模式對供BP網路進行學習訓練，它便能完成由n維輸入空間到m維輸出空間的非線性映射。
2）泛化：輸入新樣本（訓練時未有）－>完成正確的輸入、輸出映射
3）容錯：個別樣本誤差不能左右對權矩陣的調整
4、標准BP演算法的缺陷：
1）易形成局部極小（屬貪婪演算法，局部最優)而得不到全局最優；
2）訓練次數多使得學習效率低下，收斂速度慢（需做大量運算）；
3）隱節點的選取缺乏理論支持；
4）訓練時學習新樣本有遺忘舊樣本趨勢。
注3：改進演算法—增加動量項、自適應調整學習速率（這個似乎不錯)及引入陡度因子
『叄』 r語言lm函數可以做非線性回歸嗎
模型擬合
對於人口模型可以採用Logistic增長函數形式，它考慮了初期的指數增長以及總資源的限制。其函數形式如下。
首先載入car包以便讀取數據，然後使用nls函數進行建模，其中theta1、theta2、theta3表示三個待估計參數，start設置了參數初始值，設定trace為真以顯示迭代過程。nls函數默認採用Gauss-Newton方法尋找極值，迭代過程中第一列為RSS值，後面三列是各參數估計值。然後用summary返回回歸結果。
library(car)
pop.mod1 <- nls(population ~ theta1/(1+exp(-(theta2+theta3*year))),start=list(theta1 = 400, theta2 = -49, theta3 = 0.025), data=USPop, trace=T)
summary(pop.mod)
在上面的回歸過程中我們直接指定參數初始值，另一種方法是採用搜索策略，首先確定參數取值范圍，然後利用nls2包的暴力方法來得到最優參數。但這種方法相當費時。
還有一種更為簡便的方法就是採用內置自啟動模型(self-starting Models)，此時我們只需要指定函數形式，而不需要指定參數初始值。本例的logistic函數所對應的selfstarting函數名為SSlogis
pop.mod2 <- nls(population ~ SSlogis(year,phi1,phi2,phi3),data=USPop)
二、判斷擬合效果
非線性回歸模型建立後需要判斷擬合效果，因為有時候參數最優化過程會捕捉到局部極值點而非全局極值點。最直觀的方法是在原始數據點上繪制擬合曲線。
library(ggplot2)
p <- ggplot(USPop,aes(year, population))
『肆』 如何用R 語言 建立 股票價格的時間序列
在下想用R語言對股票價格進行時間序列分析。
問題出在第一步，如何將股票價格轉換為時間序列。
我想用的語句是 pri <- ts (data, start=(), frequency= )
但是我不知道frequency 項該如何填？
因為股票的交易日是一周五天的。 那麼這個frequency 該如何設置呢？
我知道通常frequency= 12 為月度數據，frequency= 4 為季度數據，frequency= 1 為年度數據 但日數據怎麼寫我就不知道了
初學R語言，還望各位大俠多多幫助。
『伍』 幾何布朗運動
問題一：幾何布朗運動的均值函數怎麼求 設布朗運動為B(t),布朗運動本身是正態分布,而且滿足分布~N（0,t）.幾何布朗運動是W（t）=exp（B（t））；這是一個很好的線性對應關系.所以均值就是（如圖）
解這個簡單的積分,就得到均值：exp（t/2） 順便方差也求了吧：exp（2t）-exp(t)
問題二：請問如何用R語言做大量次數的幾何布朗運動的模擬（參數μ，σ已知） 10分 這上網搜應該搜的到吧，比如這篇文章
股票價格行為關於幾何布朗運動的模擬--基於中國上證綜指的實證研究
,照著幾何布朗運動的公式直接寫代碼應該就行了吧，代碼邏輯都很清晰。
下面是照著這片文章模擬一次的代碼，模擬多次的話，外面再套個循環應該就行了。然後再根據均方誤差(一般用這個做准則的多)來挑最好的。
話說你的數據最好別是分鍾或者3s切片數據，不然R這速度和內存夠嗆。
N 問題三：研究衍生品的時候為什麼用幾何布朗運動來模擬股票價格的運行軌跡 其實很簡單，GBM（至少在一定程度上）符合人們對市場的觀察。例如，直觀的說，股票的價格看起來很像隨機遊走，再例如，股票價格不會為負，這樣起碼GBM比普通的布朗運動合適，因為後者是可以為負的。
再稍微復雜一點，對收益率做測試（ S(t)/S(t-1) - 1）做測試，發現，哎居然還基本是個正態分布。收益率是正態的，股價就是GBM模型
總之，就是大家做了很多統計測試，發現假設成GBM還能很好的逼近真實數值，比較接近事實。所以就用這個。
其實將精確的數學模型應用到金融的時間非常短。最早是1952年的Markowitz portfolio selection. 那個其實就是一個簡單的優化問題。後來的CAPM APT等諸多模型，也僅僅研究的是一系列證券，他們之間回報、收益率以及其他影響因素關系，沒有涉及到對股價運動的描述。
第一次提出將股價是GBM應用在嚴格模型的是black-scholes model 。在這個模型中提出了若干個假設，其中一個就是股價是GBM的。
問題四：如何確定幾何布朗運動模型中的參數 幾何布朗運動只是模型，是 exp{Bt }這樣的形式。你用模型什麼事是關鍵，確定參數，在英文中叫calibration.
如果你是用 geometric brownian motion 去模型options, 這樣的東西，是關系你的模型本身，比如black-scholes模型，關於它的參數calibration，這樣的技術其實已經很完備，經典的金融數學教科書上都有的，其主要是根據市場上option的價格反推出模型的參數的。
『陸』 R語言怎麼把股票日收盤價轉換成對數收益率
知道一系列收盤價向量X,length=1000,求對數收益率的R語言代碼
acf(int[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly
acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly
log return')
Box.test(int[,2], lag = 5, type = "Ljung-Box")
Box.test(int[,2], lag = 10, type = "Ljung-Box")
Box.test(int.l[,2], lag = 5, type = "Ljung-Box")
Box.test(int.l[,2], lag = 10, type = "Ljung-Box")
運行結錯誤辦
> int <- read.table("d-intc7208.txt", head=T)
錯誤於file(file, "rt") : 打鏈結
外: 警告信息：
In file(file, "rt") :
打文件'd-intc7208.txt': No such file or directory
+ acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly
錯誤: 意外符號 in:
"
acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int"
> log return')
錯誤: 意外符號 in "log return"
『柒』 正在學慣用R語言編寫股票自動交易軟體，但是對股票以及R語言都知之甚少。求高手指點。
我和你一樣，也在學，大智慧新一代，通達信，和飛狐這幾個你任選一個先學，以後慢慢的都會了。飛狐相對要復雜一些，要想編出功能更強大的公式，飛狐里還會用到VBS和JS腳本，還會用到C語言，別的公式不會用到這些。