文章: 使用神经网络预测价格 新评论 MetaQuotes 2016.02.29 07:43 新文章 使用神经网络预测价格已发布：很多交易者会谈到神经网络，但很少人知道什么是神经网络以及它们真正的作用。本文旨在阐述人工智能的世界。本文将介绍如何正确地为此网络准备数据。在这里，您将看到使用程序 Matlab 的方式进行预测的示例。在过去几年中，我们发现了对神经网络的兴趣呈爆炸式增长，神经网络已成功用于商业、医药、科技、地质学和物理学等各个领域。神经网络已广泛用于需要进行预测、分类和管理的领域。获得如此重大的成功取决于以下几个因素： 广泛的可能性。神经网络是一个非常强大的建模工具，可复制极其复杂的关系。尤其是，神经网络本质上为非线性。很多年以来，线性建模一直是大多数领域的主要建模方法，因为它的优化程序非常完善。在线性近似不充分的任务中，线性模型运行状况不佳。除此之外，神经网络还解决了“维数灾难”问题，即当存在大量变量时不允许对线性关系进行建模的问题。易于使用。神经网络可通过例子进行学习。神经网络的用户整理代表性数据，然后启动可自动接受数据结构的训练算法。当然，用户对于选择和准备数据、选择适当的网络体系结构和解释结果的方式应有一套完整的启发式知识。然而，要成功地使用神经网络所需的知识水平比传统统计方法所需的知识水平低得多。 从直觉的角度看，神经网络很有吸引力，因为它们是基于神经系统的原始生物模型的。未来，此类神经生物模型的发展可以创造出真正智能的计算机。[1] 预测金融时间序列是任何投资活动的主要组成部分。投资的整体概念 - 现在投资金钱是为了将来能够获利 - 是基于预测未来这一想法的。因此，投资行业即所有证券交易和场外交易 (OTC) 市场的根本在于预测金融时间序列。 众所周知，在所有的交易中，99% 的交易是投机交易，即并不旨在实际交易额，而旨在使用“贱买贵卖”的方案获利。它们都是基于交易参与者们对价格变动做出的预测的。重点是，交易参与者们的 预测会完全相反。投机交易的数量说明了市场参与者们的预测之间的差别，即实际上说明了是金融时间序列的不可预测性。 市场时间序列的这一重要特征是基于 L. Bachelier 于 1900 年在论文中提出的“有效”市场理论的。根据该论 文，投资只能依靠根据纽约交易所的道琼斯指数或标普 500 指数等类似指数评估的平均市场盈利能力。任何投机利润都具有随机性质，就像赌博（赌博本身就有吸引力，不是吗？）。为什么市场曲线具有不可预测特性的原因 与为什么很少能在公共场所捡到钱的原因是相同的：太多人都想获得它。 自然，有效市场的理论不会受到市场参与者（他们正在到处寻找金钱）的支持。他们中很多人认为，所有时间序列尽管看似具有随机性，但其中充满了各 种隐藏的规律，也就是说具有可预测性，至少是局部可预测。三十年代，波浪分析的创始人 R. Elliot 曾在论文中尝试找出这类隐藏的经验性规律。 在八十年代，新出现的动态混沌理论出乎意外地支持该观点。该理论是基于混动状态和随机性（不可测性）的换质位法。混沌序列仅看似随机，但是一个确定性的动态过程，可进行短期预测。可能预测的范围在时间上受预测周期限制，但足以通过预测实现真正的盈利（Chorafas，1994 年）。那些使用可从噪声混沌序列中提取规律的最好的数学方法的人希望获得丰厚的利润，将以牺牲配备不良的同事的利益为代价。 在最后十年，技术分析大行其道，出现基于各种市场走势指标的各种经验法则。技术分析主要关注金融工具的个体行为，而与其他证券脱离开来。但是， 技术分析很主观，而且在图表右侧使用时效率低下，而在这里我们需要的就是价格方向的预测。这就是神经网络分析越来越受欢迎的原因，因为，与技术分析正好相 反，神经网络分析不会对输入信息的类型设定任何限制。输入信息可以是给定指标序列的指标，也可以是有关其他市场工具的行为的信息。不再徒劳的神经网络受到 使用大型投资组合并极其重视不同市场之间的关联性的机构投资者（例如大型养老投资基金）广泛使用。 纯粹的神经网络建模仅基于数据，不使用任何前期论证。这是它的强项，与此同时也是它的弱项。可用数据可能不足以进行训练，同时可能的输入内容的维度可能会过大。 这就是一个良好的预测为什么应使用功能强大的神经包的原因。 作者：Shashev Sergei 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
新文章 使用神经网络预测价格已发布：
很多交易者会谈到神经网络，但很少人知道什么是神经网络以及它们真正的作用。本文旨在阐述人工智能的世界。本文将介绍如何正确地为此网络准备数据。在这里，您将看到使用程序 Matlab 的方式进行预测的示例。
在过去几年中，我们发现了对神经网络的兴趣呈爆炸式增长，神经网络已成功用于商业、医药、科技、地质学和物理学等各个领域。神经网络已广泛用于需要进行预测、分类和管理的领域。获得如此重大的成功取决于以下几个因素：
从直觉的角度看，神经网络很有吸引力，因为它们是基于神经系统的原始生物模型的。未来，此类神经生物模型的发展可以创造出真正智能的计算机。[1]
预测金融时间序列是任何投资活动的主要组成部分。投资的整体概念 - 现在投资金钱是为了将来能够获利 - 是基于预测未来这一想法的。因此，投资行业即所有证券交易和场外交易 (OTC) 市场的根本在于预测金融时间序列。
众所周知，在所有的交易中，99% 的交易是投机交易，即并不旨在实际交易额，而旨在使用“贱买贵卖”的方案获利。它们都是基于交易参与者们对价格变动做出的预测的。重点是，交易参与者们的 预测会完全相反。投机交易的数量说明了市场参与者们的预测之间的差别，即实际上说明了是金融时间序列的不可预测性。
市场时间序列的这一重要特征是基于 L. Bachelier 于 1900 年在论文中提出的“有效”市场理论的。根据该论 文，投资只能依靠根据纽约交易所的道琼斯指数或标普 500 指数等类似指数评估的平均市场盈利能力。任何投机利润都具有随机性质，就像赌博（赌博本身就有吸引力，不是吗？）。为什么市场曲线具有不可预测特性的原因 与为什么很少能在公共场所捡到钱的原因是相同的：太多人都想获得它。
自然，有效市场的理论不会受到市场参与者（他们正在到处寻找金钱）的支持。他们中很多人认为，所有时间序列尽管看似具有随机性，但其中充满了各 种隐藏的规律，也就是说具有可预测性，至少是局部可预测。三十年代，波浪分析的创始人 R. Elliot 曾在论文中尝试找出这类隐藏的经验性规律。
在八十年代，新出现的动态混沌理论出乎意外地支持该观点。该理论是基于混动状态和随机性（不可测性）的换质位法。混沌序列仅看似随机，但是一个确定性的动态过程，可进行短期预测。可能预测的范围在时间上受预测周期限制，但足以通过预测实现真正的盈利（Chorafas，1994 年）。那些使用可从噪声混沌序列中提取规律的最好的数学方法的人希望获得丰厚的利润，将以牺牲配备不良的同事的利益为代价。
在最后十年，技术分析大行其道，出现基于各种市场走势指标的各种经验法则。技术分析主要关注金融工具的个体行为，而与其他证券脱离开来。但是， 技术分析很主观，而且在图表右侧使用时效率低下，而在这里我们需要的就是价格方向的预测。这就是神经网络分析越来越受欢迎的原因，因为，与技术分析正好相 反，神经网络分析不会对输入信息的类型设定任何限制。输入信息可以是给定指标序列的指标，也可以是有关其他市场工具的行为的信息。不再徒劳的神经网络受到 使用大型投资组合并极其重视不同市场之间的关联性的机构投资者（例如大型养老投资基金）广泛使用。
纯粹的神经网络建模仅基于数据，不使用任何前期论证。这是它的强项，与此同时也是它的弱项。可用数据可能不足以进行训练，同时可能的输入内容的维度可能会过大。
这就是一个良好的预测为什么应使用功能强大的神经包的原因。
作者：Shashev Sergei