『壹』 股票价格的随机游走的含义
“随机游走”（random walk）是指基于过去的表现，无法预测将来的发展步骤和方向。应用到股市上，则意味着股票价格的短期走势不可预知，意味着投资咨询服务、收益预测和复杂的图表模型全无用处。在华尔街上，“随机游走”这个名词是个讳语，是学术界杜撰的一个粗词，是对专业预言者的一种侮辱攻击。若将这一术语的逻辑内涵推向极致，便意味着一只戴上眼罩的猴子，随意向报纸的金融版面掷一些飞镖，选出的投资组合就可与投资专家精心挑选出的一样出色。
『贰』 什么是BP神经网络
误差反向传播（Error Back Propagation, BP）算法
1、BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。
1）正向传播：输入样本－>输入层－>各隐层（处理）－>输出层
注1：若输出层实际输出与期望输出（教师信号）不符，则转入2）（误差反向传播过程）
2）误差反向传播：输出误差（某种形式）－>隐层（逐层）－>输入层
其主要目的是通过将输出误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值（其过程，是一个权值调整的过程）。
注2：权值调整的过程，也就是网络的学习训练过程（学习也就是这么的由来，权值调整）。
2、BP算法实现步骤（软件）：
1）初始化
2）输入训练样本对，计算各层输出
3）计算网络输出误差
4）计算各层误差信号
5）调整各层权值
6）检查网络总误差是否达到精度要求
满足，则训练结束；不满足，则返回步骤2）
3、多层感知器（基于BP算法）的主要能力：
1）非线性映射：足够多样本－>学习训练
能学习和存储大量输入－输出模式映射关系。只要能提供足够多的样本模式对供BP网络进行学习训练，它便能完成由n维输入空间到m维输出空间的非线性映射。
2）泛化：输入新样本（训练时未有）－>完成正确的输入、输出映射
3）容错：个别样本误差不能左右对权矩阵的调整
4、标准BP算法的缺陷：
1）易形成局部极小（属贪婪算法，局部最优)而得不到全局最优；
2）训练次数多使得学习效率低下，收敛速度慢（需做大量运算）；
3）隐节点的选取缺乏理论支持；
4）训练时学习新样本有遗忘旧样本趋势。
注3：改进算法—增加动量项、自适应调整学习速率（这个似乎不错)及引入陡度因子
『叁』 r语言lm函数可以做非线性回归吗
模型拟合
对于人口模型可以采用Logistic增长函数形式，它考虑了初期的指数增长以及总资源的限制。其函数形式如下。
首先载入car包以便读取数据，然后使用nls函数进行建模，其中theta1、theta2、theta3表示三个待估计参数，start设置了参数初始值，设定trace为真以显示迭代过程。nls函数默认采用Gauss-Newton方法寻找极值，迭代过程中第一列为RSS值，后面三列是各参数估计值。然后用summary返回回归结果。
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)
在上面的回归过程中我们直接指定参数初始值，另一种方法是采用搜索策略，首先确定参数取值范围，然后利用nls2包的暴力方法来得到最优参数。但这种方法相当费时。
还有一种更为简便的方法就是采用内置自启动模型(self-starting Models)，此时我们只需要指定函数形式，而不需要指定参数初始值。本例的logistic函数所对应的selfstarting函数名为SSlogis
pop.mod2 <- nls(population ~ SSlogis(year,phi1,phi2,phi3),data=USPop)
二、判断拟合效果
非线性回归模型建立后需要判断拟合效果，因为有时候参数最优化过程会捕捉到局部极值点而非全局极值点。最直观的方法是在原始数据点上绘制拟合曲线。
library(ggplot2)
p <- ggplot(USPop,aes(year, population))
『肆』 如何用R 语言 建立 股票价格的时间序列
在下想用R语言对股票价格进行时间序列分析。
问题出在第一步，如何将股票价格转换为时间序列。
我想用的语句是 pri <- ts (data, start=(), frequency= )
但是我不知道frequency 项该如何填？
因为股票的交易日是一周五天的。 那么这个frequency 该如何设置呢？
我知道通常frequency= 12 为月度数据，frequency= 4 为季度数据，frequency= 1 为年度数据 但日数据怎么写我就不知道了
初学R语言，还望各位大侠多多帮助。
『伍』 几何布朗运动
问题一：几何布朗运动的均值函数怎么求 设布朗运动为B(t),布朗运动本身是正态分布,而且满足分布~N（0,t）.几何布朗运动是W（t）=exp（B（t））；这是一个很好的线性对应关系.所以均值就是（如图）
解这个简单的积分,就得到均值：exp（t/2） 顺便方差也求了吧：exp（2t）-exp(t)
问题二：请问如何用R语言做大量次数的几何布朗运动的模拟（参数μ，σ已知） 10分 这上网搜应该搜的到吧，比如这篇文章
股票价格行为关于几何布朗运动的模拟--基于中国上证综指的实证研究
,照着几何布朗运动的公式直接写代码应该就行了吧，代码逻辑都很清晰。
下面是照着这片文章模拟一次的代码，模拟多次的话，外面再套个循环应该就行了。然后再根据均方误差(一般用这个做准则的多)来挑最好的。
话说你的数据最好别是分钟或者3s切片数据，不然R这速度和内存够呛。
N 问题三：研究衍生品的时候为什么用几何布朗运动来模拟股票价格的运行轨迹 其实很简单，GBM（至少在一定程度上）符合人们对市场的观察。例如，直观的说，股票的价格看起来很像随机游走，再例如，股票价格不会为负，这样起码GBM比普通的布朗运动合适，因为后者是可以为负的。
再稍微复杂一点，对收益率做测试（ S(t)/S(t-1) - 1）做测试，发现，哎居然还基本是个正态分布。收益率是正态的，股价就是GBM模型
总之，就是大家做了很多统计测试，发现假设成GBM还能很好的逼近真实数值，比较接近事实。所以就用这个。
其实将精确的数学模型应用到金融的时间非常短。最早是1952年的Markowitz portfolio selection. 那个其实就是一个简单的优化问题。后来的CAPM APT等诸多模型，也仅仅研究的是一系列证券，他们之间回报、收益率以及其他影响因素关系，没有涉及到对股价运动的描述。
第一次提出将股价是GBM应用在严格模型的是black-scholes model 。在这个模型中提出了若干个假设，其中一个就是股价是GBM的。
问题四：如何确定几何布朗运动模型中的参数 几何布朗运动只是模型，是 exp{Bt }这样的形式。你用模型什么事是关键，确定参数，在英文中叫calibration.
如果你是用 geometric brownian motion 去模型options, 这样的东西，是关系你的模型本身，比如black-scholes模型，关于它的参数calibration，这样的技术其实已经很完备，经典的金融数学教科书上都有的，其主要是根据市场上option的价格反推出模型的参数的。
『陆』 R语言怎么把股票日收盘价转换成对数收益率
知道一系列收盘价向量X,length=1000,求对数收益率的R语言代码
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")
运行结错误办
> int <- read.table("d-intc7208.txt", head=T)
错误于file(file, "rt") : 打链结
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
错误: 意外符号 in:
"
acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int"
> log return')
错误: 意外符号 in "log return"
『柒』 正在学习用R语言编写股票自动交易软件，但是对股票以及R语言都知之甚少。求高手指点。
我和你一样，也在学，大智慧新一代，通达信，和飞狐这几个你任选一个先学，以后慢慢的都会了。飞狐相对要复杂一些，要想编出功能更强大的公式，飞狐里还会用到VBS和JS脚本，还会用到C语言，别的公式不会用到这些。