1. 國外最好的研究神經網路的大學
參考最權威的2015年QS大學歷史專業排名：
第一名：哈佛大學
第二名：劍橋大學
第三名：牛津大學
第四名：加利福利亞大學伯克利分校
第五名：耶魯大學
第六名：倫敦政治經濟學院
第七名：普林斯頓大學
第八名：斯坦福大學
第九名：澳大利亞國立大學
第十名：哥倫比亞大學
以上排名每年都有變化，但最強的外國歷史專業就在這幾家大學之間徘徊。除了耳熟名詳的名校外，加州伯克利分校、澳大利亞國立大學、倫敦政治經濟學院這三家的歷史系非常優秀，學費卻遠低於美英名校，是更好的選擇。
2. 高頻交易都有哪些著名的演算法
統計套利
另一種策略設置高頻交易是經典套利策略可能涉及的范圍等幾個證券利率平價在外匯市場的關系賦予外國貨幣之間的價格計價債券的國內債券，一，現貨價格貨幣和價格的遠期合約的貨幣。如果有足夠的市場價格從模型中所隱含的不同，以支付交易成本，然後四個交易，可保證無風險的利潤。高頻類似套戥交易允許使用更復雜，涉及許多超過4證券模式。在塔布集團估計，每年的總延時套利策略目前的低利潤超過210億美元。
統計套利的戰略已經制定了一系列決定，使交易的基礎上作出的偏差從統計學的關系。像市場莊家策略，統計套利可以適用於所有資產類別。
低延時交易
高頻交易是經常混淆低延時交易，使用計算機在幾毫秒內執行，或「行業具有極低延遲」在該行業的行話。低延時交易是高度超低延遲網路的依賴性。他們的演算法利潤提供信息，如競爭性招標，並提供到他們比競爭對手更快微秒。
低延時交易的速度revolutionary in advance已導致need為公司具有即時時間，同位trading平台，以得益於高頻率的戰略實施。戰略是不斷改變，以反映市場的細微變化以及打擊造成威脅的戰略的逆向工程競爭者。
還有一個非常強大的壓力不斷增加新功能或改進某一特定演算法，如client具體的修改和enhancing變化的各種性能（regarding基準交易表現，以及為貿易firm或許多其他的實現range cost減少）。這是由於演算法交易策略的演變性質——它們必須能夠適應和貿易智能，無論市場條件，這涉及足夠的靈活性，能夠承受巨大的市場情景陣列。因此，從企業的重大收入凈額的比例是花費在研發系統D這些自主交易。
戰略的實施
大部分的演算法策略是使用現代編程語言，雖然仍有部分執行試算表的設計策略。基本模型可以依靠低至一元線性回歸，而更復雜的游戲理論和模式識別或預測模型也可以用於啟動交易。神經網路和遺傳規劃已被用來創建這些模型。
3. 用人工神經網路進行股票預測，數據樣本為開盤，收盤，最高，最低，成交量，成交額。用weka或matlab實現
把樣本數據分為訓練樣本和測試樣本，然後用訓練樣本訓練網路，用測試樣本進行模型驗證
4. EA交易本質是什麼
外匯交易近兩年也受到了人工智慧的沖擊，EA交易經常出現在交易員的話題中。有人追捧EA交易系統簡直完美避免了人性的弱點，有人不相信人生產出來的東西怎麼可能戰勝人呢？
華爾街60%以上的交易都是通過EA程序化交易完成的，國外相對較成熟。但因為國內還沒有開放外匯保證金交易，所以可能也有些匯友一直聽說EA交易但不曾了解。今天我就站在中立的角度，客觀揭示EA交易系統的真實面目！
01
EA交易模式
所謂EA也就是 Expert Advisor 智能化交易系統的簡稱。在外匯交易中，EA交易系統是基於MT4或MT5開發的一套程序化自動交易系統，需要結合編程語言和交易策略。
EA交易比外匯託管高一個層次，外匯託管是交給別人操作，至於別人用不用EA自動交易那就不確定了。外匯託管就像是找了個代駕而EA交易就像無人駕駛汽車，按照我們設定好的不同的場景和實況，決定是前進還是轉彎。省時省力但是沒有十足的把控感！
國外成熟的EA交易系統還分為貨幣相關類、趨勢類、神經網路類、網格類、剝頭皮類和綜合類6種。不同種類各有優劣勢，綜合類是對各種類型的取精去糟。EA交易系統可以進行進場、平倉，風險管理和資金管理操作。
EA的核心是交易策略，常用的EA交易模型有3類，順勢類、逆勢類和形態類。跟我們平常研究的交易策略類似。
目前交易者獲得EA交易系統的方式有3種：購買、自己開發或者利用一些平台搭好的框架生成自己的EA交易系統。
5. AI都能炒股了，以後就要拼誰的演算法牛了
人工智慧量化交易平台宣布獲得數百萬人民幣融資。據悉，本輪融資將主要用於團隊建設、產品開發和硬體設備投入。
是一家基於人工智慧的量化投資公司，成立於2017年10月，主要將技術應用於量化投資領域，實現低風險高收益的投資回報。
中國私、公募基金規模呈大跨步發展，截止2018年2月底，中國私募基金規模已達12.01萬億元，公募資金規模已達12.64萬億，在控制風險的前提下，提高獲得投資收益的效率，是公、私募投資最大需求，國外盛行的量化交易越來越被國內機構所接受。
在量化交易這個領域，目前已有不少項目：私人量化交易平台JoinQuant、RiceQuant以及優礦，為量化交易領域提供核心演算法支持的眾加，量化策略商城微量網、以量財富為代表的量化理財平台，以及為量化投資者提供智能交易和分析工具的名策數據。
量化交易策略的建立是量化交易的重要環節。目前主要方式有兩種，一種是輸入與這套邏輯相關聯的因子，比如歷史表現、公司財務數據、宏觀經濟數據、上下游供應商數據等眾多參數，建立一套模型，以算出標的上漲或下跌的概率，並生成投資組合和調倉策略。隨著近幾年人工智慧興起，不少人開始選用機器學習等方式，輸入眾多因子，讓AI自己生成策略。
創始人兼CEO龐表示，的做法則不同，是用神經管網路替代原來用邏輯和策略構建的數學模型，通過輸入股票相關數據，利用訓練不同結構的神經網路來實現機器自主的量化交易。想做量化交易界的Deepmind（研發阿爾法狗的團隊），成為中國的基金。
目前，的首個產品A股機器人「狗」已上線，應用於國內二級市場的投資，產品已實盤測試8個月。數據顯示，狗實盤業績顯著，在2017年11月A股普跌的情況下(中證1000跌幅超4%)，狗依然實現了5.23%的收益，最大回撤控制在2.7%，並在2018年1月底上證指數大跌12%的情況下，智富狗做到了提前清盤避險，業績明顯優於大盤。
投資人黃表示：「人工智慧是非常好的提高效率的方式，非常關注人工智慧在各個領域的應用，我們認為以為代表的、基於神經網路的人工智慧量化交易平台，能極大地提高大型的高頻交易的效率。人的精力有限，一個再好的操盤手也不可能同時看2000支股票，但機器能輕易辦到。」
6. 什麼是神經網路共識演算法
Seele元一綜合當前主流共識演算法的優缺點，提出了全新基於「微實數」非同步排序技術（ϵ-differential agreement, EDA），將共識問題轉化為對非同步系統中大規模並發請求的處理以及在此環境下數據排序問題。它將共識過程的離散型投票變更為連續型投票，針對不同使用環境實現效率參數可調節，並具有節能降耗、低傳輸開銷和兼容多種網路等優勢。神經網路共識演算法的線性拓展性使其在100K節點的網路環境下，TPS達到了10W，並首次將交易的確認延遲提升到秒級。
7. 國內外人工神經網路的研究現狀
基於人工神經網路的土壩病害診斷知識獲取方法
摘要：以土壩測壓管水位異常診斷為實例，對反向傳播(BP)神經網路進行訓練，然後通過典型示例經網路計算生成顯式的診斷規則，為專家系統診斷推理時直接調用。該方法是土壩病害診斷知識獲取的一種新方法，是對傳統知識獲取方式的拓展和補充。
關鍵詞：土壩；病害診斷；測壓管異常；神經網路；知識獲取
我國目前已修建各種類型水庫8.6萬余座（是世界水庫最多的國家之一），大中型水閘7.6萬座，河道堤防20多萬公里。這些水利工程和設施所發揮的巨大作用和效益大大促進了社會和經濟的發展。然而從另一方面還應看到，在已建的水利工程中尚存許多不安全因素，由於修建當時的經濟、技術條件限制以及其它一些因素的影響，使很多工程存在病害或隱患，另外，由於長期受各種自然或人為因素影響，加之年久失修，管理跟不上，老化現象也很嚴重，很大程度上影響了工程正常運行和效益的發揮，有些工程因此而失事。僅就土石壩而，歷年累積潰壩率就高達3.4%。因此如何准確、及時地診斷出建築物的隱患和病害，並對建築物的安全性做出合理科學的評價意義十分重大。是當前水利工程管理中亟待解決的一項重要課題。水工建築物的病害診斷是一項非常復雜的工作，需要有豐富經驗的專家才能勝任。解決上述問題的一個好的辦法是在做好監測的基礎上，把專家經驗、人工智慧（AI）技術、計算機應用技術以及數值分析計算等有機結合起來，建造專家系統（Expert System簡稱：ES）。而專家系統開發中最關鍵的「瓶頸」問題就是知識獲取，它既包括知識的體系結構、內容等難於獲取，也包括推理規則中的推理參數（如可信度）難以確定等。筆者以土壩為研究對象開發了具有學習功能的土壩病害診斷專家系統ESLEDFDS[1,2]，在系統開發中為解決知識獲取問題，採取了傳統的訪談（Interview）式的知識獲取與從病害工程實例中抽取知識（事例學習）相結合的形式。實踐證明該形式效果良好。論文將以土壩測壓管水位異常診斷知識的獲取為例，介紹一種基於人工神經網路事例學習的土壩病害診斷知識的獲取方法。
1 知識源分析及知識獲取方法的選擇
土壩病害診斷的知識源主要有3個：（1）壩工診斷專家。大量的經驗性知識存在於專家的大腦中，具有專有性和潛在性等特點。有時連專家本人也不容易系統地總結、歸納自己的知識，而且不易做出解釋。這也就決定了它的難於獲取，但它是ES知識的主要來源。（2）相關文獻資料。文獻資料作為一種信息載體，包含了大量理論和經驗知識。其特點是量大、分散。而且，由於不同的文獻來源於不同的著者，對同一問題的看法和分析結果可能有所差異，甚至相悖，所以有助於消除單個專家知識的片面性。但從大量分散的文獻中抽取ES知識庫所需的知識和方法，需經反復分析比較。（3）實例。一般情況下，專家頭腦中知識的存儲往往是片斷的、非系統的，以訪談的形式，讓專家敘述自己的知識時，一個個片斷很難一下子系統地組織起來。而一旦真正面對實際問題（實例）壩工診斷專家卻能夠作很好的分析，說明這種刺激能使專家自覺或不自覺地去組織自己的知識。所以，同專家一同分析實例，可以了解專家的推理過程及所用知識，同時，經過專家分析的工程實例中蘊涵了專家的經驗知識和推理判斷，並且大多實例分析結果的正確與否已經得到實際驗證。因此，實例是一種非常重要的知識源，可以通過一些模型、方法對實例進行學習，提煉出蘊涵在實例中的診斷知識。
筆者在ESLEDFDS的知識獲取中綜合利用了以上3種知識源。通過走訪專家、同專家一起分析文獻資料，把診斷知識整理成一條條規則，存儲於外部知識庫中。此外，為補充專家經驗知識的不足，還對收集的80餘例土壩病害實例，應用人工神經元網路進行了事例學習和新規則生成。
......
8. 神經網路研究現狀
光譜分析因其能夠靈敏、高精度、無破壞、快速地檢測物質的化學成分和相對含量而廣泛應用於分析化學、生物化學與分子生物學、農業、醫學等領域。目前，光譜分析技術日趨成熟，引入光譜分析理論的高光譜遙感技術應用日益廣泛，尤其是在農業領域，可以有效地獲取農田信息、判斷作物長勢、估測作物產量、提取病害信息。光譜分析技術雖然具有很強的物質波譜「透視力」，但在分析 「同譜異物」 和 「異物同譜」等方面需要與現代分析手段相結合，如小波變換、卡爾曼濾波、人工神經網路（Artificial Neural Net－work，ANN）、遺傳演算法（Genetic Algorithm，GA）等。
在光譜分析領域，ANN多用於物質生化組分的定量分析（陳振寧等，2001；印春生等，2000），在光度分析中也有較多應用，如，於洪梅等（2002）利用ANN分析鉻和鋯的混合吸收光譜，並結合分光度法對二者進行測定。ANN在非線性校準與光譜數據處理等方面也有應用（Blank，1993；方利民等；2008）。而在模式識別中ANN應用最為廣泛，如，Eiceman et al.（2006）利用遺傳演算法（是ANN的一種）對混合小波系數進行分類識別。
目前，自組織特徵映射（Self－organizing Feature Maps，SOFM）神經網路在高光譜影像的模式識別方面，國內外還較少有研究與應用，而結合遙感波譜維光譜分析技術的應用研究就更少。SOFM常用於遙感圖像處理方面，如，Moshou et al.（2005）利用SOFM神經網路進行數據融合，使分類誤差減小到1％；Doucette et al.（2001）根據SOFM設計的SORM演算法，從分類後的高解析度影像中提取道路；Toivanen et al.（2003）利用SOFM神經網路從多光譜影像中提取邊緣，並指出該方法可應用於大數據量影像邊緣的提取；Moshou et al.（2006）根據5137個葉片的光譜數據，利用SOFM神經網路識別小麥早期黃銹病，准確率高達99％。然而，SOFM不需要輸入模式期望值（在某些分類問題中，樣本的先驗類別是很難獲取的），其區別於BP（Back Propagation）等其他神經網路模型最重要的特點是能夠自動尋找樣本的內在規律和本質屬性，這大大地拓寬了SOFM在模式識別和分類方面的應用。
基於以上幾點，本章從光譜分析的角度對高光譜遙感影像進行分析識別和信息提取，給出了在不同光譜模型下，高光譜數據的不同分解，之後利用SOFM對具有較高光譜重疊度的這些分解進行分類識別，結合光譜分析對采樣點進行類別辨識，並通過對小麥條銹病的病情嚴重度信息提取，提出了高光譜影像波譜維光譜分析的新途徑。
9. 神經網路怎樣用在外匯交易中
用神經網路演算法去預測匯率
望採納