如何使用神經網路進行技術分析？

我正在建立一個用於股票技術分析的神經網路。我的輸入是過去 2 年的開盤價和兩個（到目前為止）技術指標：RSI 和威廉的 R。我可以包含更多的數據點和功能，但到目前為止我只需要測試這個概念。我對此有以下疑問：

1. 我決定使用此模型將股票分為 3 類：買入、賣出和持有。這個配方合適嗎？如果是，有沒有辦法為訓練生成這些目標標籤？如果不是，合適的目標應該是什麼？
2. 神經元在某個門檻值後觸發，但許多指標需要不同的解釋，而不僅僅是門檻值限制。這需要在模型中糾正還是不會產生任何影響？如果是，應該使用什麼方法來糾正它？

任何幫助將非常感激。

Q1：轉向分類設置是迄今為止文獻中最常見的技術。最典型的是預測某個定義範圍內的移動方向，例如 1 天或 1 個月。一種先進的技術是應用三重屏障標籤並丟棄稀有類標籤。

Q2：Jigar Patel 等人寫了一篇關於趨勢確定性數據準備的好論文，將技術指標轉化為趨勢預期論文。您可能會發現這種類型的特徵工程很有用。

附加：如果您只使用價格數據和價格相關指標，那麼您的模型很可能會採用眾所周知的因素，即動量和趨勢反轉。這將幫助您設計可以解釋利用這些市場異常情況的功能。（另請注意，如果沒有正確的解釋變數，您不太可能利用其他因素）

我認為您目前的功能集無法提供太多價值：

1. 不能使用開盤價，它是非平穩的。最典型的是使用價格的一階對數差異，這將是對數回報。假設收益是平穩的且正態分佈的，價格是對數正態分佈的。
2. 每日回報非常難以預測，請嘗試轉向每月或每週回報。
3. 添加成交量數據和市場因素 (S&P500)，您可能會在非線性 CAPM 樣式模型中取得一些成功。

以下是來自 Journal of Financial Data Science 的一篇好論文：Neural Networks in Finance: Design and Performance

引用自：https://quant.stackexchange.com/questions/50201