在阅读财报的时候突然跳出来的想法，我相信，这个想法应该很陈旧了。 训练样本 1.优先各项财务指标（由于人工神经网络的非线性优越性，优先的难度很小，就是随便挑几个意义不重复的就可以） 2.结合该股二级市场走势，对走势特征分级 3.训练学习，找出权重系数 评估 把待评估的样本输入，等待二级市场走势，验证。 或者把通行业内训练一些，保留一些做验证。 因为本人硕士论文就是有关人工神经网络的，自己也编写了一个人工神经网络的软件，但是没搞技术几年了，今天才突然想起来，不知道效果，或者可能的效果会如何？望高手指点。因为如果真的去做的话，工作量可能不小，所以，这里想听听意见。 另外，如果要做的话，我粗略估计要考虑的问题还不少，比如训练财报选几年？如果选的年份很多的话，很可能不收敛（BP模型）。如果选一二年的话，是否具备意义？ 盼望意见，坚定信念！
mailema兄的硕士论文是有关人工神经网络的,自己也编写过人工神经网络软件，应该十分清楚人工神经网络只不过是非线性拟合与外推的许多工具中的一种而已,而且也应该十分熟悉人工神经网络可以处理或者适宜处理的问题. 近十几年来,国内以人工神经网络应用为题的博硕士学位论文迅速泛滥,但真正值得一看的略为严谨一点的论文并不多见.国外的,台湾的此类论文,还有些可供参考. mailema兄想将人工神经网络应用于价值投资的想法,如果是为了写一篇论文,试试也不无不可;但如果是为了用于实战,在下以为,不必为此浪费精力.对于以财务分析指标为主要依据的问题,不仅是人工神经网络,就是更广义一点的诸如进化算法等人工智能方法,都可能不是一种适宜的工具! 记得在几年前,MACD的坛主曾转载过两篇国外早期的研究文章,理论阐述与指标选取均有可供借鉴之处,但在下始终认为其方法缺乏可用性,特别是象我国现阶段证券市场极不规范的情况更是如此. 人工神经网络虽然可以处理非线性拟合与外推,但是非线性并非无所不包.首先,您在观念上是否真正认为各项财务指标与个股二级市场走势会存在某种非线性相关关系,然后才是选择适宜分析研究方法的问题. 神经网络适于样本数据较多,数据真实完整,对象自身结构变化较少的情况.我国现阶段证券市场财务数据人为操纵痕迹严重,财务数据又常常是随意的朝发夕改,数据样本少且缺残不全,股本结构与会计准则多变.对于这类对象的研究分析,人工神经网络并不是一种适宜的工具方法.如果一定要用的话,就意味着您默认这些问题均许可纳入您的非线性人工神经网络模型之中.在这种情况下,您敢于对这种分析结果寄予厚望吗? 一点浅见,仅供参考!
恩，不准备弄这个东西，如上所言，财务报表与2级市场走势相关系数不大，朝令夕改。。。，不过，我本意是对同样的一组公司进行报表分析，比如我只分析茅台，五粮液，和老白干酒， 那么一个新问题是：如何通过报表的对比来识别一个公司的相对优劣？因为各指标有的表现好，有的表现坏。 黄帮主的灰系统的提议，我的浅见是还不如神经网络，因为我早就尝试过了，看起来，等于没有
请问。您研究支持向量机使用的工具。是数据挖掘软件（weka,spss.matlab）还是在交易软件（tradingsolutions,mt)。是（open_svm，libsvm),还是其他。 我了解svm 有几年了，一直不入门。 目前希望将其应用到ｃ＃的（rightedge,quantdeveloper)，或者是ｃ＋＋的（metatrade)当中。希望多多指教。
mailema兄说,本意是对同样的一组公司进行报表分析,识别一个公司的相对优劣.即使如此,神经网络方法仍然不是一种适宜的方法.灰色系统模型是基于微分方程的,其中最常用的GM（1，1）是适于指数型增长数据的方法,对mailema兄的问题也不适宜.灰关联分析方法可能有些帮助,但较适宜的应是多准则评价与决策一类方法.这类方法甚多,按个人喜好选择即可.
支持向量算法与神经网络是同一类的.每种方法都有它的理论基础与适用范围.使用支持向量算法这类非线性方法时,即使是面对它的适宜问题,一定要注意研究对象的物理实质,避免过拟合这种常见的误区.公开发表的各种论文,包括许多博硕士论文,此类现象比比皆是.如果是对于股市期货类实战目的的研究工作,过拟合就是走火入魔,只能是害了自己.
使用LibSVM是目前研究SVM最常用的工具包。我现在遇到建模的问题。 如果按照一些文章中说的那样建立非线性时间序列的曲线，并在高维空间求解，并预测下一数据点的值。实际上是一种数据曲线的拟合，其误差当在2％。离实际应用还不够。由于SVM的分类能力较强，比拟合的实际应用领域更广泛。所以我想如果把数据整理一下，例如，每天的收盘价如果上升就把它看成1，下跌就看成-1，基本不变（变化小于正负1％）为0，这样整理过的数据就变成了分类问题，也就是使用SVM来预测第二天的方向。不知这样预测的准确度如何，有待于验证。如果预测准确度大于50％，就有了实际应用意义。 在MetaTrader2008年的锦标赛上，用户BETTER采用了PNN（概率神经网络）取得了很好的名次。我对此理解得还不够。我想，采用一些先进的数学方法，并结合计算机的优势，建模。从MetaTrader上取测试数据，再用遗传算法对自己的策略进行参数优化。如果能研发出来这么一个赚钱的自动交易系统，那可太好了。有没有人了解概率神经网络? 从理论上说，SVM比神经网络最大的好处解决了fract说的过拟合现象。但鲜有成功运用的例子。SVM采用了使用结构风险最小化原则替代经验风险最小化。我们还有好多需要学习的地方。
1、我做过验证，你这个思路还不够。原因是你简单化了价格变化。从表面上看，价格变化是一条孤立曲线，但实际上价格变化是个结果，驱动它变化的参与者的博弈行为，因此需要用其他更充分反映博弈行为的数据进行拟合。 2、拟合的结果究竟是用于预报还是评估，这个问题还需要大量的实证验证。我们都知道拟合本身不完全等同实际情况，其中总是或多或少存在差值。关键的问题是，到底是消除差值更合理方向，还是利用差值进行拐点分析是更合理方向，这还是一个问题，这个问题影响到你的后继处理和整体策略。 3、就预报或者分类而言，无论哪一种，有一个方向是较为容易入手的地方，就是对传统的图表分析技术进行深度分析，提高其准确率，由于存在一个干净的基准，容易进行验证和改进。
先生所言极是！模型适用性的问题常常被忽略。 前些日子根据中国国情做了一个系统（现在正在完善中），用在PE和VC这类的资本投资效果不错，股市的话，修改下应用的效果也应不错，但是仅限于长期投资（颇像沃伦的价值投资理念）
偶的觀點，先在市場交易中形成自己能盈利的系統，再來考慮神經網絡、SVM、相空間重構這類復雜的AI系統，提高成功率，否則是走彎路了。 AI不是偉哥，只是為了增加情趣，錦上添花。 收集的一些神經網絡有價值的相關討論，海洋上也有不少，可以自己搜搜。 http://www.hylt.net/vb/showthread.php?t=13688 http://www.hylt.net/vb/showthread.php?t=5786 http://bbs.fx998.cn/viewthread.php?tid=31084 http://turnal.blog.hexun.com/19311700_d.html http://bbs.520fx.com/viewthread.php?tid=7555&extra=&page=1 http://www.fortuneseeds.com/viewtopic.php?t=5964&sid=b2e5b8ac457dc9cd899e85a8f5eb5aa0 http://ijun2008.blogspot.com/2008/10/2007ea.html
神经网络应该适用于外汇场外交易市场，基于价格变动的历史数据做时间序列分析我想是个可行的方式。这个判断的前提是：在普通的特定的交易时段，价格变化是有规律的。这里“普通”指刨去可能影响外汇交易市场的各国特殊政治、经济信息发布时段，“特定”是指每周的某个指定时段，在面对某段K线时，所有投资者的交易行为应该是受人类普遍的潜意识支配，因为贪婪、恐惧是人类共有的本质。某种k线就应该对应某种交易行为，单个个体可能千差万别，但是作为一个集合反应到市场上，结果应该是确定的。所以，做时间序列分析没准能够发掘出几个有价值的模式。