这个说法很有道理. 前句, "如果你的交易策略是获利的，你提取的数据就包含了可以获利的模式，那么只要训练得当的话，你的神经网络就是可以获利的". 后半句, "如果你平时都不能获利，就不要指望用神经网络能帮助你了", 补充一点, 如果平时都不能获利, 即使做出来一个可以获利的神经网络也很难指望它能帮得上. 能不能获利是一个大系统的问题, 方方面面, 最后到交易技术\交易时机选择这个层面上, 占的比例很小了, 有的人说这方面不到5%, 还有的人说3%, 我觉得最多不会超过30%(3/7开). 剩下的属于管理规划控制. BP后面的概念是预测, 或者类似的东东, 用一个BP网络仿真一个sin函数, 或者更复杂的, easy.
首先对于标题的这个问题，2，3，4，5楼，都已经回答了（包括后面几楼恕不一一列举）。这个问题属于”机器学习“的范畴，参看这方面的书籍就可以找到答案。 看来多数回复者对于在交易中应用复杂算法的效果持保留意见。对此我的看法稍有不同。复杂的算法，只有得到适当地应用，才会产生效果。小孩只会用长枪大刀，给他火箭炮也不知怎么用，先把自己炸死了。多数研究复杂算法的，是象牙塔里的学者，可恰恰不是交易者，在真正的市场面前就好比一小孩。 世界上有无数的交易规则和交易策略，对于一个给定的市场，只有策略集合中的较小部分策略是有效地，这其中又只有很小一部分是相当有效的，可以投入实战应用。策略的开发者，就是在浩瀚的策略集合中寻求有效解。使用传统的方法开发策略，就如”神农尝百草”，是原始而粗糙的。而采用先进的算法工具，则如同现代的新药配方研制，能够在整个求解空间中以更加有效率，覆盖更完整，并且更为精细的方式找到更多的有效解。所以问题不是工具本身是否足够锋利，而是该如何使用工具。
还是看你到底想干什么。神经网络说到底只是一个连续函数模型，如果你的问题是一个不连续函数，那神经网络一开始就不合适。 很多决策过程可以归结为马科夫决策过程。对这类问题，形成所谓的转移概率表就成了学习的关键。
这只是说人要清晰地表达他的问题，直到他的问题可以抽象为止。 举个例子来说，有人说要用神经网络来解决选股问题，用来作“价值”投资，然后问该怎么做。这样的话没有意义。从技术上讲，他没有清晰表达他的问题。因为他没有定义什么是”价值投资“，也没有定义”选股“是什么意思。 在物理问题都没有清晰表达的时候，就说要用一个广义连续函数，即神经网络，来解他的投资问题，难道不是有些奇怪？
我不认为神经网络有什么特别的“缺陷”。常人所说的缺陷，其实是一个模型的适用性问题。这又回到了数学问题和物理问题的纠葛上去了。 一般的神经网络，由于使用了无限可导的核函数，它所表达的曲线或曲面很光滑，但通常不是很平坦。因此，神经网络一般适合于表达对一个连续经验函数的数值上的逼近，而对这样的函数的增量的逼近，如导数，试图用对神经网络求导来逼近就不合适。