algorithm - 神经网络和算法，预测过去的 future 结果

Question

我正在研究一种算法，我得到了一些输入并得到了它们的输出，并给出了 3 个月的输出(给予或接受)我需要一种方法来查找/计算 future 的输出.
现在，给定的这个问题可能与证券交易有关，我们有一定的约束条件和一定的结果，我们需要找到下一个。
我偶然发现了神经网络股市预测，你可以Google它，或者你可以阅读它 here , here和 here .

为了开始制作算法，我无法弄清楚层的结构应该是什么。
给定的约束是:

• 输出总是整数。
• 输出总是在 1 到 100 之间。
• say 没有确切的输入，就像股票市场一样，我们只知道股票价格会在 1 和 100 之间波动，所以我们可能(或不？)认为这是唯一的输入。
• 我们有最近 3 个月(或更长时间)的记录。

现在，我的第一个问题是，我需要多少个节点作为输入？

输出只有一个，很好。但正如我所说，我是否应该为输入层取 100 个节点(假定股票价格始终是整数并且总是 btw 1 和 100？)

隐藏层呢？有多少个节点？比如说，如果我也在那里使用 100 个节点，我认为这不会对网络进行太多训练，因为我认为对于每个输入，我们还需要考虑所有以前的输入。

比如说，我们正在计算第 4 个月的第 1 天的输出，我们应该在隐藏层/中间层有 90 个节点(为简单起见，假设每个月为 30 天)。现在有两种情况

• 我们的预测是正确的，结果也和我们预测的一样。
• 我们的预测失败了，结果与我们预测的不同。

无论如何，现在当我们计算第 4 个月第 2 天的输出时，我们不仅需要那 90 个输入，还需要最后一个结果(而不是预测，如果相同的话!)，所以我们现在在中间/隐藏层中有 91 个节点。

依此类推，它会不断增加每天的节点数量，AFAICT。

所以，我的另一个问题是，如果动态变化，我该如何定义/设置隐藏层/中间层中的节点数。

我的最后一个问题是，是否还有我不知道的其他特定算法(对于这种事情/东西)？我应该使用它而不是摆弄这些神经网络的东西？

最后，有什么我可能遗漏的东西可能会导致我(而不是我正在制作的算法)预测输出，我的意思是任何警告，或者任何可能导致我可能遗漏的错误的东西？

Answer 1

您的问题的答案有很多。事实上，您的问题解决了一般时间序列预测的问题，以及神经网络在该任务中的应用。我在这里只写了几个最重要的关键，但在阅读本文之后，您可能应该深入了解 Google 的查询结果 time series prediction neural network。有很多作品详细介绍了原理。也存在各种软件实现(带有源代码)( here is just one of examples with codes in c++ )。

1) 我必须说，问题 99% 与数据预处理和选择正确的输入/输出因素有关，只有 1% 与使用的具体仪器有关，无论是神经网络还是其他。附带说明一下，神经网络可以在内部实现大多数其他数据分析方法。例如，您可以使用神经网络进行主成分分析 (PCA)，它与另一个答案中提到的 SVD 密切相关。

2) 输入/输出值严格符合特定区域的情况非常罕见。现实生活中的数据可以认为是绝对值无界的(即使它的变化看起来产生了 channel ，也可以在一瞬间分解)，但神经网络只能在稳定的条件下运行。这就是为什么数据通常首先转换为增量(通过计算第 i 个点和 i-1 之间的增量，或者从它们的比率中获取 log)。我建议你还是用你的数据来做，尽管你声明它在 [0, 100] 区域内。如果不这样做，神经网络很可能会退化为所谓的朴素预测器，它会生成每个下一个值都等于前一个值的预测。

然后数据被归一化为 [0, 1] 或 [-1, +1]。第二种适用于时间序列预测的情况，其中 +1 表示向上移动，-1 - 向下移动。对网络中的神经元使用 hypertanh 激活函数。

3) 您应该向 NN 提供从日期的滑动窗口获得的输入数据。例如，如果你有一年的数据，每个点都是一天，你应该选择窗口的大小——比如一个月——然后一天一天地滑动它，从过去到 future 。恰好位于窗口右边界的那一天是 NN 的目标输出。这是一种非常简单的方法(还有更复杂的方法)，我提到它只是因为你问如何处理连续到达的数据。答案是——您不需要每天更改/扩大您的神经网络。只需使用具有固定窗口大小的常量结构并“忘记”(不向神经网络提供)最旧的点。重要的是不要将所有数据都视为单一输入，而是将其分成许多小向量并在其上训练神经网络，这样网络就可以概括数据并找到规律性。

4) 滑动窗口的大小就是你的神经网络输入大小。输出大小为 1。您应该调整隐藏层大小以获得更好的性能。从输入和输出之间的某个值开始，例如 sqrt(in*out)。

根据最新研究，Recurrent Neural Networks似乎更适合时间序列预测任务。