股票预测可以用哪些神经网络，神经网络 能对股票 预测吗？

一、神经网络 能对股票 预测吗？

因为他么有未来函数，但是有未来函数的又是会随着行情的演变而变的，所以没有预测的软件，只有预测的人，盘感很重要，不要迷信软件，那样不是会看软件的人就能赚钱了。
关注资金动向是你首先应该学习的。

二、bp神经网络如何用于预测

关键在于输入向量的制定：可选择前3年的数据作为输入，输入节点设为3；
第4年的数据为输出，输出节点数设

三、如果是以预测为准，是BP神经网络好，还是径向量什么网络好？

1、这是一个发展的问题，在神经网络的发展过程中，在前期，径向量的效果好；
2、自从出现了卷积神经网络、循环神经网络出现后，神经网络的效果好。

四、利用RBF神经网络做预测

在命令栏敲nntool，按提示操作，将样本提交进去。
还有比较简单的是用广义RBF网络，直接用grnn函数就能实现，基本形式是y=grnn(P,T,spread)，你可以用help grnn看具体用法。
GRNN的预测精度是不错的。
广义RBF网络：从输入层到隐藏层相当于是把低维空间的数据映射到高维空间，输入层细胞个数为样本的维度，所以隐藏层细胞个数一定要比输入层细胞个数多。
从隐藏层到输出层是对高维空间的数据进行线性分类的过程，可以采用单层感知器常用的那些学习规则，参见神经网络基础和感知器。
注意广义RBF网络只要求隐藏层神经元个数大于输入层神经元个数，并没有要求等于输入样本个数，实际上它比样本数目要少得多。
因为在标准RBF网络中，当样本数目很大时，就需要很多基函数，权值矩阵就会很大，计算复杂且容易产生病态问题。
另外广RBF网与传统RBF网相比，还有以下不同：1.径向基函数的中心不再限制在输入数据点上，而由训636f707962616964757a686964616f31333337373730练算法确定。
2.各径向基函数的扩展常数不再统一，而由训练算法确定。
3.输出函数的线性变换中包含阈值参数，用于补偿基函数在样本集上的平均值与目标值之间的差别。
因此广义RBF网络的设计包括：1.结构设计--隐藏层含有几个节点合适2.参数设计--各基函数的数据中心及扩展常数、输出节点的权值。

五、如果是以预测为准，是BP神经网络好，还是径向量什么网络好？

1、这是一个发展的问题，在神经网络的发展过程中，在前期，径向量的效果好；
2、自从出现了卷积神经网络、循环神经网络出现后，神经网络的效果好。

六、神经网络 能对股票 预测吗？

因为他么有未来函数，但是有未来函数的又是会随着行情的演变而变的，所以没有预测的软件，只有预测的人，盘感很重要，不要迷信软件，那样不是会看软件的人就能赚钱了。
关注资金动向是你首先应该学习的。

七、用于预测的BP神经网络预测有哪些特点？

快速，准确，简单

参考文档