基于深度神经网络的股价预测

A. 相对于传统预测方法，基于神经网络的预测方法有哪些优势

问太哪吧神经网络预测般已数据进行非线性拟合已简单说拟合与传统拟合相比些优点用神经网络预测定非准确
.

B. 当前深度学习中适合预测数据的神经网络有哪些

看你预测什么数据了
主要以下几个大类
最普通 全连接
图像分类 CNN
语言理解 RNN LSTM

C. 该代码为基于bp神经网络的预测算法怎么看

BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算内法训练的多层前馈网络，容是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。

上传的m文件里是一个电力系统负荷预测的实例，用的是最简单的BP算法，你可以参考。
很抱歉，回答者上传的附件已失效

D. 采用什么手段使神经网络预测更加准确

1. 优化神经网络结构。抄如BP神经网络改变隐层神经元数量、训练算法等；

2. 使用其他神经网络。如Elman神经网络考虑了前一时刻的输出，比较适合用于预测，预测效果往往更好。RBF神经网络的训练速度很快，训练效果也很好。
   

3. 改进的神经网络算法。例如BP神经网络增加动量项、自适应学习率等措施，防止陷入局部极小影响预测效果。

4. 组合神经网络。取长补短，将全局搜索能力强的算法与局部逼近快的算法组合起来，如遗传算法优化初始权值，再训练。这种方法比较灵活，可以和许多算法融合。

5. 全面考虑影响因素。未来的预测值受许多因素影响，所以应该在基于历史数据的基础上，充分考虑各种因素，考虑得越周全，预知信息越多，预测效果一般更好。

E. 基于遗传算法的神经网络预测股票的价格有现实意义吗 知乎

有一定参考价值
但你不能以此为实际购买股票的唯一依据，不然会赔的很惨
不要只依赖算法结果…

望采纳

F. 求教，谁会使用深度信念网络做数据预测

深度学习算法是一个统称，我说的ANN （人工神经网络算法）应该是其中的一种，且据说是比较成功版的一种权，详细你可以参考wikipedia的英文版，以及相关的参考链接。
我记得老外有一篇白话文般的ANN编程解说，非常易读。
除非搞理论，否者绝不国内发表的文章，只嘴皮子，不动手，且让读者难以理解，且千篇一律。

G. 如何用BP神经网络实现预测

BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力，解决了简专单感知器不能解决的异或(Exclusive OR，XOR)和一些属其他问题。从结构上讲，BP网络具有输入层、隐藏层和输出层；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。

H. 如何用神经网络实现连续型变量的回归预测

神经网络最开始是机器学习的一种模型，但其训练的时间和其他几种模型相比不占优势，且结果也不尽人意，所以一直没有被广泛使用。但随着数学的深入研究以及计算机硬件质量的提高，尤其是GPU的出现，给深度学习的广泛应用提供了基础。GPU最初是为了给游戏玩家带来高质量的视觉体验，由于其处理矩阵运算的能力特别优秀，也被用于深度学习中模型的训练，以往数十天才能训练好的模型在GPU上训练几天就可以训练好，大大减少了深度学习的训练时间，因而深度学习的应用越来越多。

通常使用Python来搭建神经网络，Python自带深度学习的一些库，在进行回归预测时，我们只需用调用函数，设定几个参数，如隐藏层层数和神经元个数等，剩下的就是等模型自行训练，最终便能完成回归预测，非常的方便。