用于股票预测比较的神经网络类型

Question

我目前正在做一个使用神经网络进行股票价格预测的项目。我打算使用相同的数据输入（历史数据和一些技术指标）比较 3 个不同的神经网络，然后使用不同的 NN 预测第二天的收盘价。

我知道多层感知器 (MLP) 可能是最基本的，那么我应该将它与其他 2 个人工神经网络进行比较，为什么？任何帮助我指出正确方向的帮助将不胜感激。谢谢！

我在这个项目中使用 MATLAB，所以如果有任何可用的源代码作为开始，我可以查看代码并尝试了解正在发生的事情会很好

Answer 1

解决方案焦点消歧：

关注 ANN 类型：

如果您的演示项目意图只专注于演示在基于 ANN 的预测器中使用的不同“技术”，则可以找到 3 种不同类型的可行学术资源 - {感知器、RBM、自动编码器、循环神经网络、深度循环 } - 进行测试，因为您希望获得要发布的原始结果。请注意，您的某些类型的计算资源不需要那么简单。因此，请根据您的时间、计划处理的详细程度和预算谨慎选择。

关注人工神经网络训练过程的质量：

如果您的项目旨在比较各种ANN在ANN-Training过程中的各自进展（收敛性，对偏差的敏感性/过拟合，能力/泛化程度），则无需花费很多ANN 设计的努力，但您将需要足够数量的data[M,N] 一个良好的基于​​优化器的框架来微调您的实验 ANN 的参数化。记住问题的计算复杂度... O( f(N) ) ...您的战斗将在优化器参数化状态空间与 O( f(N) ) 上的实际数据规模[m, n+s]

关注预测质量在前向测试中产生（针对样本外数据）：

如果您的项目旨在对预测器的输出进行更复杂的定量比较，那么还有更重要的方面，而不仅仅是类型-of-Neural-Network。

1. ANN-OutputLAYER 设计 Out[j]（预期预测器的输出究竟应该是什么？）
2. 输入数据[M,N]cleaning[m<M,N] & sanity
3. 丢失和错误的数据元素处理
4. 特征[n<N] 选择和综合特征[s] 构造...即 特征工程
5. ANN-InputLAYER 设计In[n+s]
6. ANN-架构设计 { In[n+s], Hidden[xthLAYER][varNODEs], Out[j] }
7. ANN 架构连接模型