告诉大家一个秘密，今年六月新开的这个股票账户，不到五个月，我买入了11次，持有时间最长三天，盈利概率竟然100%，但是我总认为，以前你盈利100%，不代表下次买入盈利100%（因为我炒股赔了十年，股市折磨的我没有胆量了），所以我对股市总是战战兢兢，恭恭敬敬。也许这辈子我就是一个无胆，无福之人[流泪]。
1、谈及AI时常听到的「神经网络」和「深度学习」到底是什么意思？
关于神经网络和深度学习，我尽量用一个通俗易懂的方式来解答吧。
因为如果用比较专业的语言来描述的话，可能看完了也还是不懂是什么，这样就没啥意义了。
先说说神经网络
神经网络分为两种：
一种是生物的，例如：人、猫、狗
还有一种是我们人造的，因为我们能造出聪明一点的机器人。
那人的神经网络是什么样的呢？
我们打开我们的生物书，里面就会有这样的图，这是一个神经元的结构图。
举个例子：我们的皮肤其实就连接着各种各样的神经末梢，然后我们摸了一个东西，然后我们的神经末梢就将摸到的这种感觉变成了一种生物电，然后通过神经纤维（就是上图中黄色的一节一节的东西）传递到了细胞体中，而神经元细胞体存在于我们的脑和脊髓中。
那我们人体有千千万万条这样的神经元，这些神经元就构成了我们人体的神经网络。
我们人也就是通过神经网络，来感知世界的。
那人工神经网络又是怎么回事呢？
其实，人工神经网络也就是通过模拟人的神经网络架构，而设计出的一套计算机的神经网络算法。
例如：我们在读一封邮件的时候，我们怎么判断它是垃圾邮件呢？
可能是，看到题目里面有某个特定的词，那它就是垃圾邮件，或者内容中出现一些词，他就是垃圾邮件。
那我们把这封邮件丢到我们人造的神经网络里面，然后我们的众多神经元都接收到了邮件里的拆分出来的词汇，然后各个神经元去判断这个邮件的内容，最后汇总一个答案。
这个案例就是一种最最简单的神经网络的应用场景。
那这些词汇，我们叫做输入，在第一层的神经元中，我们已经包含了很多的特征（例如某个关键词），根据输入是否存在这种特征，我们做出判断，那是不是垃圾邮件，我们给出一个答案，0代表不是，1代表是，0和1我们成为输出。
那第一层神经元的输出，作为了第二层神经元的输入，第二层神经元只有一个，我们可以给第二层神经元也定一个特征，例如：有一个输入是1，那就是垃圾邮件。
那最终，我们就可以判定这个邮件是否是垃圾邮件了。
那什么是深度学习呢？
原理我们就不讲了，我们只需要知道，深度学习是在神经网络的发展中被研究出来的一种算法模型。
就用刚才我们的邮件来举例吧。
我们在讲述邮件的时候，提到了一个东西，特征，但是我们刚才的描述中，并没有明确这些特征是怎么来的。
那深度学习呢，就可以问我们解决这个问题。
例如：我们找到一个小孩子，让他看一封邮件，他其实并不知道这个邮件是不是垃圾邮件。
但是这个没有关系，我们就找出很多很多这样的邮件来，然后告诉这个小孩子，这封是垃圾邮件，这封不是垃圾邮件。
慢慢的，这个小孩子就能够从这一堆邮件中，提取出垃圾邮件的特性。
可能最开始他提取了一些特性，但是我们让他学习的过程中，他回答我们这个是垃圾邮件，但是我们告诉他，这个不是垃圾邮件，他就会将这种特性的判断结果做相应的调整。
慢慢的，随着他学习的深度，他给出的答案就越准确。
而这个学习的过程，其实就是深度学习了。
小结
简单的知识我们就讲这么多，如果大家真的对神经网络和深度学习感兴趣的话，可以去看看李宏毅教授的《1天搞懂深度学习》，一个ppt，还比较易懂。
要学习神经网络，深度学习，最重要的就是学好数学，所以，好好学习才能天天向上。
AI（Artificial Intelligence），全称叫人工智能，是一种基于计算机的多学科交叉的新兴科学技术。它的意义跟我们想象中的一样，它能够代替人类做很多繁重的工作。
而神经网络和深度学习，则是实现人工智能的方式，未来可能用神经网络实现我们想象中的人工智能，也可能以深度学习的方式实现。也就是说，人工智能是目标，而神经网络和深度学习是方法。
那神经网络和深度学习有什么区别呢，相信你已经略知一二，他俩是两种不同的方法。这两种方法既有相同点又有不同点。
人工神经网络是生物学里根据人的大脑里神经元的运转方式而抽象总结出来的一种方法，其特点是通过不断迭代、负反馈的方式求最佳解的过程。
深度学习的概念正是源于神经网络，在神经网络的基础上其含有多个隐含层和多个感知器。深度学习像一种贪心算法，追求从最低层找到一个事物的多种表达方式，比如一幅图像，最简单直接的形式是表达成像素点的形式。同样，图像也可以表达为各种轮廓的边构成，由颜色构成，梯度构成或者更高一层次的元素如：四肢、棱、柱子等构成。在这个基础上对事物进行分类辨别。
从广义上讲，深度学习也是神经网络的一种。传统的神经网络只有输入层、隐含层、输出层。但深度学习则是在多层神经网络的基础上还有特征学习部分，这就是我上面讲的对信息的分级处理。
「神经网络」和「深度学习」是人工智能AI中常见的用语。
神经网络是一门重要的机器学习技术。它是目前最为火热的研究方向--深度学习的基础。学习神经网络不仅可以让你掌握一门强大的机器学习方法，同时也可以更好地帮助你理解深度学习技术。
简单来说，神经网络就像一个呀呀学语的小孩子。开始的时候一片空白，你需要一点一点的教他认东西。比如第一天，他看见一只京巴狗，你告诉他这是狗；第二天他看见一只猫，他开心地说，”狗"，"狗"。你要纠正他，这是猫；第三天，他看见一泰迪狗，他又迷惑了，你要告诉他这是狗，泰迪狗……直到有一天，他可以自己分清任何一只猫或者狗。这个学习的过程就是不断深入的过程，也就是“深度学习”。
其实神经网络最初得名，就是其在模拟我们人的大脑，我们可以把每一个节点当作一个神经元，而这些“神经元”组成的网络就是神经网络。神经网络是一种模拟人脑的神经网络以期能够实现类人工智能的机器学习技术，也可以称之为人工神经网络。人脑中的神经网络是一个非常复杂的组织，成人的大脑中估计有1000亿个神经元之多，是非常复杂的。
由于计算机出色的计算能力和细节把握能力，在大数据的基础上，人工神经网络往往有比人更出色的表现。
第一，具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。
第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。
要想人工智能AI具有深度学习功能，就必须使用多层神经网络。
2、研一刚入学，从未接触过神经网络，python也是才开始学，现在导师要我做LSTM，我应该去学什么？
做LTSM股票预测
Python基本语法学一下，跑了lstm的demo比较简单， tensorflow pytorch都有很多例子。还有tf keras这样的库，封装的七七八八了，几十行代码就搞定了。
3、以神经网络为核心的智能算法是否可以预测股票价格？
毫无疑问，优秀的神经网络模型能够更加准确地预测股票未来走势。
如何才能创建一个优秀的神经网络模型呢？
1． 选择关联度高的因子
举个例子，要预测一个人是男还是女，有以下两组因子可供选择：
A. 头发颜色、皮肤颜色、是否双眼皮
B. 是否长胡子、是否有喉结、体重
这简直就是送分题，选项B几乎能够完全准确的预测出真实结果。
所以要想创建优秀的神经网络模型，必须选择关联度高的因子。
2． 选择合理的神经网络架构
同样的因子，在不同的神经网络架构下，预测出的结果会大不相同。
结构过于简单，会存在“欠拟合”的情况，简单说就是该分析出来的没分析出来；结构过于复杂，又会出现“过拟合”的情况，简单说就是不该分析出来的分析出来了。恰到好处的网络结构，才能够分析出想要的结果。
以过拟合举个例子：
一名学生，生活在一个偏远的A村，考上了城里的B高中，他是村子有史以来唯一考上B高中的人，高考后，又如愿考上了清华大学。
如果模型出现过拟合，就会认为：“生活在A村”并且“就读于B高中”的人，100%能够考上清华大学。这是事实，但显然不是我们想要的结论。
直接上图：
巴菲特，公认的投资大师，在过去的20年平均回报率高达20%；詹姆斯.西蒙斯，运用他的量化模型，1989-2009年，平均回报率约35%。
神经网络模型预测股票走势必将大势所趋。
关注我！
用数据说话，探索投资方向。
预测股价可能做不到，大数到是可以，比如一个股突然点击量和关注量增加，股价还没启动，除了网络别的也无法做到
算法不能预测价格，但是高频交易可以做套利交易，就是掏对手口袋里的钱