对于预测技术而言,最初我们使用最多的是统计方法建模,随着计算机技术与网络技术迅猛发展,最近做的比较多得是神经网络、SVM等人工智能方法建模预测,就神经网络预测,我觉得最重要的是对数据结构的设计,这包括training set 和 test set , 对于training set 就是要确定input 与 output 的矩阵, 然后就是对网络的训练,最后我们可以sim()出我们预测的结果就醒了,对于传递函数的选择可以根据不同数据进行调整就行了。例如,对于股票价格,其是一个时间序列,而且我们还知道它是非平稳的,在建立股价预测模型之前我们有很多建模的技术,比方说线性模型ARIMA,DES,ADES等,还有非线性的:非参数估计、SVM、GA、GSA、PSO、CS还有神经网络等。现在选择ANN中的BP进行建模,我们可以外推法预测,就是多对一的数据结构,注意test 与train 数据结构一样。注意调整好BP中的参数(一般默认也可以的),网络训练完之后就可以进行仿真预测了。股价本身蕴含非线性的波动性,BP预测效率相对比较高的。