Algorithm 神经网络和算法，从过去预测未来结果

我正在研究一个算法，在这个算法中，我得到了一些输入和输出，并且给出了3个月的输出（给予或接受），我需要一种方法来找到/计算未来的输出。
现在，给出的这个问题可能与股票交易有关，我们得到了一定的约束和一定的结果，我们需要找到下一个。
我偶然发现了神经网络股票市场预测，你可以，或者你可以读到它，然后

要开始制作算法，我无法确定层的结构应该是什么。
给定的约束条件是：

• 输出将始终是整数
• 输出将始终在1和100之间
我们没有确切的输入，就像股票市场一样，我们只知道股票价格会波动1和100，所以我们可以（或不）把这看作是唯一的输入。
• 我们有过去3个月（或更长）的记录

现在，我的第一个问题是，我需要多少节点作为输入

输出只有一个，很好。但正如我所说的，我是否应该为输入层设置100个节点（假设股票价格始终是整数，并且始终是btw 1和100？）

隐藏层呢？有多少个节点？比如说，如果我在那里也有100个节点，我认为这不会对网络进行太多的训练，因为我认为对于每个输入，我们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/中间层中有90个节点（为了简单起见，每个月想象30天）。现在有两个案例

• 我们的预测是正确的，结果和我们预测的一样
• 我们的预测失败了，结果与我们的预测不同

不管是什么情况，现在当我们计算第4个月的第2天的输出时，我们不仅需要这90个输入，还需要最后的结果（不是预测，是相同的！），因此我们现在在中间/隐藏层中有91个节点

依此类推，它将每天不断增加节点的数量，AFAICT

所以，我的另一个问题是，如果隐藏层/中间层的节点数量动态变化，我如何定义/设置它的数量

我的最后一个问题是，有没有其他我不知道的算法（对于这类事情/东西）？我应该用它来代替神经网络的东西

---

最后，我是否遗漏了任何可能导致我（而不是我正在做的算法）预测输出的东西，我是指任何警告，或任何可能导致我遗漏的出错的东西？

成千上万想要赢得100万美元的人对这类问题进行了特别深入的研究

早些时候提交的意见书通常是基于。后来提交的意见书使用和。获胜者综合运用了几种技巧

阅读优秀的文章会给你很多关于从过去预测未来的最佳方法的见解。您还可以找到不同方法的大量源代码

有趣的是，神经网络很快就被抛弃了，因为它们没有产生任何有价值的东西（我个人还没有看到一个非平凡的神经网络产生任何有价值的东西）

如果你刚开始，我建议SVD作为第一条道路；它非常容易制作，并且常常对数据产生令人惊讶的见解

---

祝你好运

对于你的问题，有很多可以回答的。事实上，您的问题解决了时间序列预测的一般问题，以及神经网络在这项任务中的应用。我在这里只写了几个最重要的关键点，但在读了这些之后，你可能会深入研究Google的查询结果

时间序列预测神经网络

。有很多作品详细介绍了这些原则。各种软件实现（带有源代码）也确实存在（）

1） 我必须说，99%的问题是关于数据预处理和选择正确的输入/输出因子，只有1%的问题是关于要使用的具体仪器，无论是神经网络还是其他什么。作为补充，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），这与SVD密切相关，在另一个答案中提到

2） 很少有输入/输出值严格适合特定区域。现实生活中的数据可以被认为是绝对值无界的（即使它的变化似乎产生了一个通道，它也可以在瞬间被分解），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点和第i-1点之间的增量，或从它们的比率中提取

log

）。我建议您无论如何都要使用您的数据，尽管您声明它位于[01100]区域内。若你们不这样做，神经网络很可能会退化为一个所谓的朴素预测器，它会产生一个预测，下一个值等于上一个值

然后将数据标准化为[0，1]或[-1，+1]。第二种方法适用于时间序列预测的情况，其中+1表示上移，而-1表示下移。对网络中的神经元使用hypertanh激活功能

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，而每一点都是一天，你应该选择窗口的大小——比如说，一个月——然后逐日滑动，从过去到未来。窗口右边界处的一天是NN的目标输出。这是一种非常简单的方法（有更复杂的方法），我之所以提到它，是因为您询问如何处理不断到达的数据。答案是-你不需要每天改变/放大你的NN。只有你