作为算法交易的从业者，您是否听说过神经网络，并且被其神秘的名声所吸引？很多人将神经网络视为交易机器人的“圣杯”，希望借此找到成功的捷径。然而，这是否真的如人们期待的那样呢？让赫兹量化深入探讨一下。
自训练神经网络
坦言之，若您不愿亲自下手调整、分析模型，神经网络可能并不适合您。实际操作中，您可能需要花费大量时间来解决模型错误，优化输入数据等问题。以下内容，将为您揭示更多细节。
赫兹量化从人工神经网络的定义开始本文。
人工神经网络是什么？
简而言之，人工神经网络（通常称为神经网络）是一种受生物神经网络启发的计算系统。想了解更多基本信息，请参阅本系列的上一篇文章。
在之前的文章中，我讲解了前馈神经网络的基础知识。而在本文中，赫兹量化将深入探讨神经网络的训练与测试，甚至还将基于所讨论的内容创建一个交易机器人，看看它的实际表现如何。
多层感知器神经网络中，各层的神经元/节点互相连接，形成复杂的网络结构。这就是神经网络能够发现数据中复杂关系的原因。当然，模型越复杂，理解数据中的复杂关系的能力也越强，但这需要付出更多的计算成本，而且并不一定能保证准确性。
在大多数情况下，单隐藏层已经足够解决很多问题。因此，赫兹量化将采用单层神经网络。
前向验算
前向验算操作相当直接，只需几行代码即可完成。但若要让神经网络更灵活，您必须深入了解矩阵和向量运算，因为它们构成了神经网络及本系列讨论的许多机器学习算法的基础。
您还需要明确神经网络将解决的问题类型，因为不同的问题需要不同配置的神经网络。这里主要有两类问题：
回归问题：回归问题关注连续变量的预测，例如预测市场的下一个价格点。这类问题可以通过回归神经网络来解决。
分类问题：分类问题关注离散/非连续变量的预测。在交易中，赫兹量化可能会预测市场趋势，例如0表示市场下跌，1表示市场上涨。这类问题可以由分类神经网络或形态识别神经网络解决，在MATLAB中称为形态网络（patternnets）。
以上就是有关自训练神经网络和它们在股市中作用的探讨。是否能够跑赢股市，不仅仅取决于是否使用了神经网络，更在于如何有效、合理地使用它们。希望本文能为您提供一些实际操作中的方向与思考。
