我正在研究一种算法，我给它一些输入，我给它们输出，并给出输出3个月（给或拿）我需要一种方法来查找/计算可能是未来的输出。
现在，给出的这个问题可能与证券交易所有关，我们给出了证明约束和某些结果，我们需要找到下一个。
我偶然发现了神经网络股票市场预测，你可以Google，或者你可以阅读它here，here和here。
为了开始制作算法，我无法弄清楚层的结构应该是什么 给定的约束是：
现在，我的第一个问题是，我需要输入多少个节点？
输出只有一个，很好。但正如我所说，我应该为输入层采用100个节点（假设股票价格总是整数，并且总是btw 1和100？）
隐藏层怎么样？那里有多少个节点？比方说，如果我在那里采用100个节点，我认为这不会对网络进行太多训练，因为我认为对于每个输入我们都需要考虑所有先前的输入。
说，我们正在计算第4个月第1天的输出，我们应该在隐藏/中间层有90个节点（为了简单起见，想象每个月是30天）。现在有两种情况
无论情况如何，现在当我们计算第4个月第2天的输出时，我们不仅需要那些90个输入，还需要最后的结果（而不是预测，不管它是否相同！），所以我们现在在中间/隐藏层有91个节点。
依此类推，它每天都会增加节点数量，AFAICT。
所以，我的另一个问题是，如果动态变化，我如何定义/设置隐藏/中间层中的节点数。
我的最后一个问题是，有没有其他特殊的算法（对于这种事物/东西），我不知道？我应该使用而不是搞乱这种神经网络的东西？
最后，还有什么，我可能会失踪，可能会导致我（而不是我正在做的算法）预测输出，我的意思是任何警告，或任何可能使我错过的东西，我可能会失踪？
答案 0 :(得分：25)
作为您问题的答案，还有很多要说的。实际上，您的问题通常涉及时间序列预测的问题，以及神经网络应用于此任务的问题。我在这里只写了几个最重要的键，但在阅读完之后你应该深入研究Google的查询结果time series prediction neural network。有很多作品详细介绍了这些原则。还存在各种软件实现（包含源代码）（here is just one of examples with codes in c++）。
1）我必须说，问题是关于数据预处理和选择正确的输入/输出因子的99％，并且只有1％关于使用的具体仪器，无论是神经网络还是其他。正如附注，神经网络可以在内部实现大多数其他数据分析方法。例如，您可以将神经网络用于与SVD密切相关的主成分分析（PCA），在另一个答案中提到。
2）很少有输入/输出值严格适合特定区域。现实生活中的数据可以被视为绝对值无限制（即使它的变化似乎产生了一个通道，它可以在一瞬间被分解），但神经网络只能在稳定的条件下运行。这就是为什么数据通常首先转换为增量（通过计算第i个点和i-1之间的增量，或从它们的比率中取log）。无论如何，我建议您使用您的数据，尽管您声明它在[0,100]区域内。如果你不这样做，神经网络很可能会退化为一个所谓的天真预测器，它产生一个预测值，每个下一个值等于之前的值。
然后将数据归一化为[0,1]或[-1，+ 1]。第二个适用于时间序列预测的情况，其中+1表示向上移动，-1表示向下移动。对你网中的神经元使用hypertanh激活函数。
3）您应该向NN提供从sliding window日期获得的输入数据。例如，如果您有一年的数据且每个点都是一天，您应该选择窗口的大小 - 例如，一个月 - 并从过去到未来逐日滑动。刚好在窗口右边界的那一天是NN的目标输出。这是一个非常简单的方法（有更复杂的方法），我之所以提到它只是因为你问如何处理连续到达的数据。答案是 - 您不需要每天更换/扩大您的NN。只需使用具有固定窗口大小的常量结构并“忘记”（不向NN提供）最旧的点。重要的是，您不要将所有数据视为单个输入，而是将其划分为许多小向量并在其上训练NN，因此网络可以推广数据并找到规律性。
4）滑动窗口的大小是您的NN输入大小。输出大小为1.您应该使用隐藏的图层大小来发现更好的性能。从输入和输出之间的值开始，例如sqrt（in * out）。
根据最新研究，Recurrent Neural Networks似乎对时间序列预测的任务运作得更好。
答案 1 :(得分：6)
我同意斯坦的说法
1）我必须说数据预处理的问题是99％
我已经将神经网络应用了25年以上用于各种航空航天应用，包括直升机飞行控制 - 设置输入/输出数据集就是一切 - 所有其他都是次要的。
我很惊讶，在smirkman的评论中，神经网络被迅速放弃“因为它们没有产生任何有价值的东西” - 这告诉我，使用神经网络的人几乎没有经验。
鉴于该主题讨论了神经网络股票市场预测 - 我会说我已经使它成功了。测试结果可从我的网站www.nwtai.com下载。
我不会泄露它是如何完成的，但是有足够的有趣数据可以让你更加认真地使用神经网络进行探索。
答案 2 :(得分：2)
成千上万想赢取1M $ NetFlix prize的人对这类问题进行了特别好的研究。
之前的提交通常基于K Nearest Neigbours。之后的提交是使用Singular Value Decomposition，Support Vector Machines和Stochastic Gradient Descent进行的。获胜者使用了几种技术的混合。
阅读优秀的Community forums将为您提供有关预测过去未来的最佳方法的许多见解。您还可以找到不同方法的大量源代码。
有趣的是，神经网络迅速被丢弃，因为它们没有产生任何有价值的东西（我个人还没有看到一个非平凡的NN产生任何有价值的东西）。
如果你刚开始，我会建议将SVD作为第一条道路;它很容易制作，并且经常会产生令人惊讶的数据洞察力。
祝你好运！