基於深度神經網路的股價預測

A. 相對於傳統預測方法，基於神經網路的預測方法有哪些優勢

問太哪吧神經網路預測般已數據進行非線性擬合已簡單說擬合與傳統擬合相比些優點用神經網路預測定非准確
.

B. 當前深度學習中適合預測數據的神經網路有哪些

看你預測什麼數據了
主要以下幾個大類
最普通 全連接
圖像分類 CNN
語言理解 RNN LSTM

C. 該代碼為基於bp神經網路的預測演算法怎麼看

BP（Back Propagation）神經網路是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算內法訓練的多層前饋網路，容是目前應用最廣泛的神經網路模型之一。BP網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。BP神經網路模型拓撲結構包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。

上傳的m文件里是一個電力系統負荷預測的實例，用的是最簡單的BP演算法，你可以參考。
很抱歉，回答者上傳的附件已失效

D. 採用什麼手段使神經網路預測更加准確

1. 優化神經網路結構。抄如BP神經網路改變隱層神經元數量、訓練演算法等；

2. 使用其他神經網路。如Elman神經網路考慮了前一時刻的輸出，比較適合用於預測，預測效果往往更好。RBF神經網路的訓練速度很快，訓練效果也很好。
   

3. 改進的神經網路演算法。例如BP神經網路增加動量項、自適應學習率等措施，防止陷入局部極小影響預測效果。

4. 組合神經網路。取長補短，將全局搜索能力強的演算法與局部逼近快的演算法組合起來，如遺傳演算法優化初始權值，再訓練。這種方法比較靈活，可以和許多演算法融合。

5. 全面考慮影響因素。未來的預測值受許多因素影響，所以應該在基於歷史數據的基礎上，充分考慮各種因素，考慮得越周全，預知信息越多，預測效果一般更好。

E. 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

F. 求教，誰會使用深度信念網路做數據預測

深度學習演算法是一個統稱，我說的ANN （人工神經網路演算法）應該是其中的一種，且據說是比較成功版的一種權，詳細你可以參考wikipedia的英文版，以及相關的參考鏈接。
我記得老外有一篇白話文般的ANN編程解說，非常易讀。
除非搞理論，否者絕不國內發表的文章，只嘴皮子，不動手，且讓讀者難以理解，且千篇一律。

G. 如何用BP神經網路實現預測

BP神經網路具有任意復雜的模式分類能力和優良的多維函數映射能力，解決了簡專單感知器不能解決的異或(Exclusive OR，XOR)和一些屬其他問題。從結構上講，BP網路具有輸入層、隱藏層和輸出層；從本質上講，BP演算法就是以網路誤差平方為目標函數、採用梯度下降法來計算目標函數的最小值。

H. 如何用神經網路實現連續型變數的回歸預測

神經網路最開始是機器學習的一種模型，但其訓練的時間和其他幾種模型相比不佔優勢，且結果也不盡人意，所以一直沒有被廣泛使用。但隨著數學的深入研究以及計算機硬體質量的提高，尤其是GPU的出現，給深度學習的廣泛應用提供了基礎。GPU最初是為了給游戲玩家帶來高質量的視覺體驗，由於其處理矩陣運算的能力特別優秀，也被用於深度學習中模型的訓練，以往數十天才能訓練好的模型在GPU上訓練幾天就可以訓練好，大大減少了深度學習的訓練時間，因而深度學習的應用越來越多。

通常使用Python來搭建神經網路，Python自帶深度學習的一些庫，在進行回歸預測時，我們只需用調用函數，設定幾個參數，如隱藏層層數和神經元個數等，剩下的就是等模型自行訓練，最終便能完成回歸預測，非常的方便。