參考 matlab神經網路30例 中有一個股票預測的案例
我覺得svm做這個更好
Ⅱ 提問任務：在使用神經網路演算法對A股股指進行回歸預測時，哪些特徵量能較好的反應股市的漲跌本質，謝謝
這個問題太復雜，一般的模型只將股指開盤收盤，最高，最低價格，成交量，成交額作為輸入數據，更進一步的人，以均筆，資金流入量等等，作為輸入數據，讓人深感對於特徵量得提取有很大的不足，神經網路演算法，在預測社會科學范疇的股票價格時，關鍵問題在於輸入數據的特徵量如何提取，以反映事物的本質特徵，以及如何對參與者偏好的人心進行定量分析，或者，可以採用其他影響參與者預期的宏觀或者微觀經濟指標作為前導數據，模擬人心，進行人心的定量分析，或許 能設計出更准確預測股票價格的數學模型來。
兩大難點，一個是特徵量的選擇，一個是如何對人心進行定量分析，心理方面有群體效應，從眾心理，貪婪，恐懼，這目前是神經學，心理學，社會學研究的難點，暫時無解。
去全球著名的大學網站，讀讀那些經濟學，心理學教授的研究論文，階段性成果，或許會有幫助
Ⅲ 如果用神經網路學習股票買賣，能做出一個完美的賺錢程序嗎
比較難，現在已經有這方面的研究和嘗試了，但股票變動的決定因素很多，影響的作用大小也不一樣，而且不同時期也有不同的規律，因此目前作用不大，更談不上完美。
Ⅳ 基於遺傳演算法的神經網路預測股票的價格有現實意義嗎 知乎
有一定參考價值
但你不能以此為實際購買股票的唯一依據，不然會賠的很慘
不要只依賴演算法結果…
望採納
Ⅳ 你好看你發帖問過用BP神經網路預測股票價格的提問
首先你要搞清bp的基本原理，基於梯度法的原則，因為這種演算法按梯度走，極易進入局部最小點二出不來，所以對於比較簡單的模型如高斯曲面有一定的逼近能力，但是現實如你所說的股票，相關因素特別多，也就是說神經網路輸入通道會很多，而且通道和通道直接喲相關性，模型在超曲面上就像是大海海面一樣跌宕起伏，使用bp明顯太過於困難，而且實際中樣本有限的很，bp理論基於樣本無限的學習規則（21實際70年代），你要證明的話，可以例舉一個簡單的單極二次型函數，用來試試看bp能否完全逼近這個函數
Ⅵ 如何用MATLAB的BP神經網路做股票預測
演算法選擇問題，我覺得3層夠了吧，但是多少個節點看數據量了！訓練過程演算法選擇也很重要！主要是這里個關鍵點吧
Ⅶ 如何利用Python預測股票價格
預測股票價格沒有意義。
單支股票價格，多股組合，大盤這些都可以使用神經網路來學習，02年就做過了，漲跌預測平均能達到54%到57%的准確率，但是只能定性，無法定量，因此，在扣除印花稅之後無利可圖。
純粹使用股票交易數據來預測並保證總體獲利不是程序能辦到的，人也辦不到。
目前世界上最先進的炒股機器也只能利用網路時差那微不可計的零點幾秒在歐洲與美國證券間倒來倒去，那套系統研發費用數千萬，硬體（主要是獨立光纜）費用以億計。
Ⅷ 請教用人工神經網路進行股票預測在weka
預測股票可不是有以往股票數據就能的，要考慮因果性，現實事件與股票波動有因果性，也就是時序性。在這情況下有LSTM單元組成循環神經網路可以做到，但訓練集的強度跟體積可是很大的，這需要注意。
Ⅸ 神經網路 能對股票 預測嗎
因為他么有未來函數，但是有未來函數的又是會隨著行情的演變而變的，所以沒有預測的軟體，只有預測的人，盤感很重要，不要迷信軟體，那樣不是會看軟體的人就能賺錢了。關注資金動向是你首先應該學習的。
Ⅹ 神經網路預測股票准嗎
目前還達不到非常准確的效果，決定股票走勢的因子很多，有些如突發的並購、減持、宏觀經濟的事件、公司人事的更迭等等，這些事件神經網路沒法給出好的判斷。