BlogTrader Platform相关内容专帖

神经网络的训练真的与算命先生很象
给神经网络一些数据 神经网络就开始分析演算其生成基因 如果神经网络由分析出的基因能够十分准确地讲出这些数据的历史 那么我们也就十分相信神经网络预测的数据的未来 大伙说说两者象不象

另1 已在神坛注册 希望能拉过来几位神坛高手与之乎兄过招 脑力激荡头脑风暴后的神经网络肯定会有更好的表现
另2 搞神经网络的估计已到研究生水平 若能将海洋BT系列选成课题那不快事一桩

 

之乎兄又有新成果了大家速去观赏
当训练数据加到3600后 神奇初现

 

绝好的神经网络过去与将来

http://www.youngfan.com/forum/topic.php?forumid=9&filename=f_1

 

恭喜之乎兄的神经网络训练又向前迈了一大步 敢问之乎兄有无信心用现在的神经模块做几幅---各周期的上证指数的向前向后推广图 意义极其重大

 

目前的神经网络模块还是个很初步的东西，不过，既然提到了上证指数，那就试试。

中国的证券市场波动非常剧烈，对上证指数的训练比较难收敛，所以减小了学习的步长，每次运算都要花比较长的时间。这里先给出一种结果（训练5000代后），图片请访问：
http://blogtrader.net/page/dcaoyuan?entry=prediction_on_another_stock_index

有趣的是这个结果在推广后（尤其往历史方向推广时），在图线的形态方面挺相似的。但由于训练误差还是比较大（也许训练时间还可以加长些），所以在细节方面损失了很多。至于这个结果的未来指向，我只贴出了部分结果，但大方向应该和现在的实际走势还是相符的。

 

OK 可喜的尝试 请之乎静候来自国内各路人马最聪明头脑最猛烈地挑战和惊叹
更望之乎兄再接再励 作出符合国人习性的更大贡献

 

个人认为 神经网络 是不可能用在投机上的。

 

那应该是用在哪里好？

 

MLP神经网络相当于一种可解决各种难题的非线性回归，与其他回归方法一样，用于投机分析是可以的。

 

强烈建议楼上两位重温马克思主义哲学对新生事物的论述

 

不过，神经网络当然并非万能，也不能痴迷与此。一种较好的平衡是用统计学解释、规范神经网络，并应用于投机资产管理。

 

看来rororo对神经网络比较熟悉了，刚好以前在论坛我发表过一些疑问：

http://www.hylt.net/club/viewtopic.php?t=6333&highlight=%C9%F1%BE%AD%CD%F8%C2%E7




神经网络，开头我也比较感兴趣，对neuro-lab也看了一段时间，发现有不少东西没法解决。

1。还是相当于黑箱系统，里面干了什么有种无法掌握的感觉；觉得NN相当于对过去历史数据的曲线拟合，对将来的变动的适应性，无把握。

2。NN的网络结构应该是如何设置才好，训练到什么程度为好，好像并无定论，也没有比较直接的参数可以加以比较。

3。就算设置好了一个系统，隔一段时间应该还要重新训练，以适应新的环境；由于以上的种种模糊，不知重新训练成什么样子才好。

4。输入的变量据说是多一些没问题，可是怎样的变量比较有效，也是心中无数。

这么多东西还是一团浆糊，所以还是先放弃了。这些问题估计也比较初级，各位高手指教指教

 

之乎者应该是网上敢于把他的推广结果贴出来的少数人。让我们看看接下来会发生什么。一种方案是将神经网络与交易系统连接，通过统计解释和风险管理的结合实现一种稳定的盈利。或者证明此种途径比其他技术分析方法没有什么优势，（大部分技术分析方法都是将历史数据经过过滤--通过整理成一种指标--来对后市作出判断）。

 

在一个活跃、复杂和庞大的债券交易市场，任何偏离统计学的理念，其最终结果都是不确定的。

 

应该是“证券交易市场”才对。

 

神经网络就是历史曲线拟合。
神经网络的本质就是模糊匹配，适用于语言识别、OCR等。它经过训练对各种情况都可以匹配，在我们看来它识别出来了。这样它可以处理各种情况，用来处理很难的语言识别系统等。

语言识别、OCR等特点是他们都是有明确的答案的。有了答案就有了目标，程序可以去匹配。但是投机市场没有答案，永远也不会有答案，也没有对与错，计算机程序去匹配什么，它只能是历史曲线拟合。

 

这个链接很好，讨论的问题和你提出的问题都是相当让人浆糊的，这里我说说我的观点：

1。神经网络相当于黑箱，但可以应用统计学来解释。考虑到物理学领域也有很多问题目前只能用统计学解释，这一点不妨碍神经网络的应用。

2。参数的设置目前还未找到有效的理论来指导，只有一些初略的公式来推测参数个数对网络推广能力的关系，一般来说，可变参数越少，理论上推广能力越强。但很多时候需要不断地调整、测试。

3。隔一段时间重新训练是很有必要的，因为你面对的是一个未知的系统。其实人的神经系统也是一样的，需要不断地学习以应对变化的环境。

4。输入的变量的选择是最关键的，这个选择说明了你对这个系统的先验猜想，如果你输入的是豪不相干的东西，训练出来的网络没有任何用处。现在有了一些方法来检验输入的相关性，并据此可以对输入进行裁减。

最后强调一点，设计一个有用的网络的关键是你的洞察力。