什麼類型的神經網路最適合交易？
什麼類型的神經網路最適合預測收益？神經網路能否成為高頻交易策略的基礎？
神經網路的類型包括：
- 徑向基函式網路
- 多層感知器（標準架構）
- 卷積神經網路
- 遞歸神經網路
- Q 學習網路或深度強化學習
那麼高級架構呢，例如：
卷積
- LeNet-5
- 亞歷克斯網
- 初始網路
- VGGNet
- 資源網
經常性
- 雙向
- 注意力模型
我想說，在一般交易的背景下（對於 HFT，請參閱我上面的評論）循環神經網路(RNN) 的進一步發展，例如所謂的歷史一致性神經網路 (HCNN) 以及預測集成，是最先進的。
我發表了一篇關於 Springer Verlag 將於本月發表的文章（Zimmermann、Grothmann、Tietz、von Jouanne-Diedrich：使用歷史一致性神經網路進行市場建模、預測和風險分析）
只是為了讓您了解這裡的新範式，這裡有一個簡短的摘錄：
在本文中，我們提出了一種新型的循環神經網路，稱為歷史一致性神經網路 (HCNN)。HCNN 允許在多個時間尺度上對高度互動的非線性動力系統進行建模。HCNN 不區分輸入和輸出，而是對嵌入在大狀態空間的動態中的可觀察對象進行建模。
$$ … $$
RNN 用於使用非線性回歸方法對開放動態系統進行建模和預測。然而，許多現實世界的技術和經濟應用必須在各種（非線性）動力學及時相互作用的大型系統的背景下看待。投影在模型上，這意味著我們不區分輸入和輸出，而是談論可觀察的。由於大型系統的部分可觀察性，我們需要隱藏狀態來解釋可觀察的動態。模型應該以相同的方式處理可觀察變數和隱藏變數。術語 observables 包含輸入和輸出變數（即 Yτ := (yτ , uτ )）。如果我們能夠實現一個模型，其中可以描述所有可觀察對象的動態，
…從結論中：
大型遞歸神經網路中隱藏變數和觀察變數的聯合建模為規劃和風險管理提供了新的前景。基於 HCNN 的集成方法提供了一種預測未來機率分佈的替代方法。HCNN 完美地描述了過去可觀察的動態。然而，世界的部分可觀察性導致隱藏變數的非唯一重建，從而導致不同的未來情景。由於動態的真實發展是未知的，並且所有路徑具有相同的機率，因此可以將集合的平均值視為最佳預測，而分佈的頻寬則描述了市場風險。今天，我們使用 HCNN 預測來預測能源和貴金屬的價格，以優化採購決策的時機。目前正在進行的工作涉及對集成特性的分析以及這些概念在實際風險管理和金融市場應用中的實施。
編輯
部分論文現在可以公開查看：這裡
取決於您嘗試建模的數據。如果您的數據體驗機制發生變化，那麼使用 sigmoid 函式（arctan、hTan、…）
如果您的數據大部分是線性的，但確實有一些偏差，請使用徑向偏差。
這些是神經網路的一般準則。數據的頻率與上述陳述無關。
請記住，可以使任何一組基函式適應任何一組數據。這個想法是使用函式來揭示有關數據的一些潛在真相。