大家好，今天小编关注到一个比较有意思的话题，就是关于股票走势预测rnn的问题，于是小编就整理了2个相关介绍股票走势预测rnn的解答，让我们一起看看吧。
有没有可能通过机器学习预测股价走势？
谢谢邀请：我的看法是股市交易，极大多数人心易被市场当下情绪左右，很容易否定自己初衷和坚持，造成左右挨耳光，而机器学习不会为情绪左右，执行力更强，预测走势成功机率相对普通人要高，随着人工智能发展，优势应更明显，(如果这里预测走势是包含完善的机器决定交易全程的话)，当然这纯属于个人看法
给你讲个段子！真实的！
我去一家量化交易公司实习，一次meeting中，我和老总还有一个资深大佬谈机器学习在股票和期货里面的应用。
我：LSTM在时间序列上应用的效果比较好，我们可以尝试把LSTM应用在股票预测上。
此时，大佬在阴笑，老总默不作声...
我：你为啥笑
大佬: 不work啊！
我：为什么不work？！
这时老总也在旁边强掩笑容,大佬终于忍不住说了，有两个原因，第一个是你如何保证你的因子有效？
老总就补充到：对啊，你的模型很可能garbage in garbage out.
可以，但是效果并不是很好……
本人用RNN写过一次股票预测，不过数据源只有股票的历史价格，显然我做出来的效果并不是很好。
个人觉得一方面市场受太多因素决定；其次数据源单一，并不能简单的从股票价格方面进行预测。
这玩意儿做回测的时候，可以说效果非常好，但是正儿八经扔到实盘里面的时候，可能无法好的应对市场吧。
而且你也不太好解释你的训练结果……
不过单纯的线性模型，我觉得还是可以试一试的。
可能 而且是未来的方向。但是核心不是是不是使用ai而是有哪些输入？输入含有效信息人工也可以，无有效信息就是过拟合。楼上有说利用ai的漏洞反制的，参见阿尔法狗。在庞大的集群前人的大脑的运算速度很微弱，但是人工胜在有逻辑可以小样本学习。
什么是深度神经网络（DNN），它有哪些最新进展？
深度学习的概念
深度学习是神经网络的一个分支，深度学习的基本结构是深度神经网络。
深度神经网络是一种具备至少一个隐含层的神经网络。与浅层神经网络相比，深度神经网络也能为复杂非线性系统建模，但多出的层次为模型提供了更高的抽象层次，因而提高了模型的拟合能力。
深度神经网络通常是前馈型神经网络。多层前馈型神经网络都是深度神经网络，但是深度神经网络不都是多层前馈型神经网络,因为深度神经网络还包含了递归神经网络和卷积神经网络等
深度神经网络说的是一种结构，而不是一种算法
深度学习网络与神经网络的相同之处在于具有相似的分层结构，系统由包括输入层、隐层（多层）、输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接，这种分层结构比较接近人类大脑的结构。
传统的的神经网络一般只有2-3层隐含层，参数和计算单元有限，对复杂函数的表示能力有限，学习能力也有限，而深度神经网络隐藏层层数可以达到5-10层，甚至更多，并且引入了更高效的算法，深度神经网络的分层结构更接近于人类大脑的结构。
区别于传统的浅层学习，深度学习的不同在于：
强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点
明确突出了特征学习的重要性，也就是说通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易
唉！恕笔者直言，神经网络实在不是理工男的强项，还是先弄明白人脑的神经网络再说吧！至于神经网络在语音识别上取得突破，那简直是个笑话!迄今为止，听觉语音感知研究已停滞不前数十年了，不知道语音感知机理，语音识别能突破吗？
到此，以上就是小编对于股票走势预测rnn的问题就介绍到这了，希望介绍关于股票走势预测rnn的2点解答对大家有用。
