作為算法交易的從業(yè)者，您是否聽說過神經(jīng)網(wǎng)絡(luò)，并且被其神秘的名聲所吸引？很多人將神經(jīng)網(wǎng)絡(luò)視為交易機(jī)器人的“圣杯”，希望借此找到成功的捷徑。然而，這是否真的如人們期待的那樣呢？讓赫茲量化深入探討一下。

自訓(xùn)練神經(jīng)網(wǎng)絡(luò)
坦言之，若您不愿親自下手調(diào)整、分析模型，神經(jīng)網(wǎng)絡(luò)可能并不適合您。實(shí)際操作中，您可能需要花費(fèi)大量時(shí)間來解決模型錯(cuò)誤，優(yōu)化輸入數(shù)據(jù)等問題。以下內(nèi)容，將為您揭示更多細(xì)節(jié)。

赫茲量化從人工神經(jīng)網(wǎng)絡(luò)的定義開始本文。

人工神經(jīng)網(wǎng)絡(luò)是什么？
簡而言之，人工神經(jīng)網(wǎng)絡(luò)（通常稱為神經(jīng)網(wǎng)絡(luò)）是一種受生物神經(jīng)網(wǎng)絡(luò)啟發(fā)的計(jì)算系統(tǒng)。想了解更多基本信息，請參閱本系列的上一篇文章。

在之前的文章中，我講解了前饋神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識。而在本文中，赫茲量化將深入探討神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測試，甚至還將基于所討論的內(nèi)容創(chuàng)建一個(gè)交易機(jī)器人，看看它的實(shí)際表現(xiàn)如何。

多層感知器神經(jīng)網(wǎng)絡(luò)中，各層的神經(jīng)元/節(jié)點(diǎn)互相連接，形成復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)。這就是神經(jīng)網(wǎng)絡(luò)能夠發(fā)現(xiàn)數(shù)據(jù)中復(fù)雜關(guān)系的原因。當(dāng)然，模型越復(fù)雜，理解數(shù)據(jù)中的復(fù)雜關(guān)系的能力也越強(qiáng)，但這需要付出更多的計(jì)算成本，而且并不一定能保證準(zhǔn)確性。

在大多數(shù)情況下，單隱藏層已經(jīng)足夠解決很多問題。因此，赫茲量化將采用單層神經(jīng)網(wǎng)絡(luò)。

前向驗(yàn)算
前向驗(yàn)算操作相當(dāng)直接，只需幾行代碼即可完成。但若要讓神經(jīng)網(wǎng)絡(luò)更靈活，您必須深入了解矩陣和向量運(yùn)算，因?yàn)樗鼈儤?gòu)成了神經(jīng)網(wǎng)絡(luò)及本系列討論的許多機(jī)器學(xué)習(xí)算法的基礎(chǔ)。

您還需要明確神經(jīng)網(wǎng)絡(luò)將解決的問題類型，因?yàn)椴煌膯栴}需要不同配置的神經(jīng)網(wǎng)絡(luò)。這里主要有兩類問題：

回歸問題：回歸問題關(guān)注連續(xù)變量的預(yù)測，例如預(yù)測市場的下一個(gè)價(jià)格點(diǎn)。這類問題可以通過回歸神經(jīng)網(wǎng)絡(luò)來解決。

分類問題：分類問題關(guān)注離散/非連續(xù)變量的預(yù)測。在交易中，赫茲量化可能會預(yù)測市場趨勢，例如0表示市場下跌，1表示市場上漲。這類問題可以由分類神經(jīng)網(wǎng)絡(luò)或形態(tài)識別神經(jīng)網(wǎng)絡(luò)解決，在MATLAB中稱為形態(tài)網(wǎng)絡(luò)（patternnets）。

以上就是有關(guān)自訓(xùn)練神經(jīng)網(wǎng)絡(luò)和它們在股市中作用的探討。是否能夠跑贏股市，不僅僅取決于是否使用了神經(jīng)網(wǎng)絡(luò)，更在于如何有效、合理地使用它們。希望本文能為您提供一些實(shí)際操作中的方向與思考。