何時以及如何使用 RNN 進行股票分析或交易
我正在學習神經網路，並自己在前饋網路中創建了一些小型網路。我對循環神經網路 (RNN) 很好奇，並閱讀了一些關於 RNN 在交易中的論文。那些使用 RNN 的論文中的結果似乎很有希望，但我對 RNN 有一些一般性和假設性的懷疑。我了解到 RNN 最適合用於學習順序和時間序列數據。
假設我製作了兩個模型來預測股票的未來價格，一個在 RNN 中訓練，另一個在 MLP（多層感知器）中使用來自 SPY 的 10 年 (OHLC) 數據進行訓練，準確度很高。然後我想使用這些訓練有素的模型來預測另一隻股票的未來價格（可能與 SPY 相關，也可能不相關），例如 GOOGLE 的明天價格。
（第一個問題）哪種算法有更多的機會給出準確的預測？
我知道這兩個模型很有可能無法正確預測不同產品（此處為 GOOG）的未來價格，因為該模型是在 SPY 數據中訓練的。
但問題是；因為 RNN 用於序列和時間序列數據的訓練模型。RNN 是否比 MLP 具有更高的失敗預測機率，因為它專門針對 SPY 進行了訓練？
假設我製作了兩個模型來預測股票的未來價格，一個在 RNN 中訓練，另一個在 MLP（多層感知器）中使用來自 SPY 的 10 年 (OHLC) 數據進行訓練，準確度很高。
哪種算法有更多的機會給出準確的預測？
選擇使用哪種模型進行訓練很重要，遠不及用於訓練的具體參數。你的 RNN 和感知器模型有多少層？RNN 的啟動函式是什麼？你用什麼算法來初始化權重？你的損失函式是什麼？培訓率是多少？您是使用整體反向傳播還是批量進行訓練？您是否使用隨機梯度下降？
您可以只“訓練一個 RNN”或“訓練一個 MLP”並期望它從樣本預測中做出好的想法是一種幻想，即使您沒有嘗試對與您訓練的資產不同的資產進行預測上。您想在 SPY 上進行訓練並在 GOOG 上進行預測這一事實只會增加額外的複雜性（以及更多導致模型失敗的方式）。
如果你想了解神經網路，你應該從他們已知擅長的問題開始（例如文件分類）。如果您想預測股票價格，請使用已知在預測股票價格方面表現良好的算法（很難找到這些，但可能從某種穩健的線性模型開始）。
僅僅選擇一種流行的機器學習方法和一個流行的問題來解決就是失敗的秘訣。
回答你的問題
何時以及如何使用 RNN 進行股票分析或交易？
何時是“從不”，如何是無關緊要的。