我正在使用在这里找到的用Python编写的反向传播神经网络。它在提供的简单XOR示例中运行得很好。

然而，我想用它来做一些更复杂的事情：尝试预测股票价格。我知道神经网络不一定是最好的选择，而且可能根本不准确，但我还是想尝试一下。

我的第一次尝试是获取指定股票（例如GOOG）过去10天的收盘价。然后我希望用这些数据来训练神经网络，并预测下一天的收盘价，但随后我意识到了一件事：我只有一个输入值，在尝试获取预测时将没有任何输入提供。这是我所有困惑的根源，即输入/隐藏/输出节点的数量问题。

在一篇论文中，他们提到使用过去d天的股票最低价、最高价和平均值作为输入。这有3个输入（或者4个？如果算上d的话），然而为了预测下一天的价格，你将无法提供这些作为输入（除了可能的d？）。

在训练和预测时，如何处理输入数量的这种变化？你是否错过了神经网络及其使用的一些基本部分？谢谢！

回答：

@anana的评论帮助我明白了神经网络应该如何工作。正如她所说，我可以将过去d天（在我这里是5天）的股票平均值作为输入来尝试获取预测。

这意味着我的训练输入格式为：

[[rollingAverage, rollingMinimum, rollingMaximum], normalizedClosePrice] 用于过去五天（因此由于滚动窗口，总共分析了9天）。

当我希望在训练后获取预测时，我提供的输入节点格式为：

[rollingAverage, rollingMinimum, rollingMaximum] 用于最近的5天。

以下是所有相关逻辑，与我在原始问题中链接的神经网络结合使用：

## ================================================================def normalizePrice(price, minimum, maximum):    return ((2*price - (maximum + minimum)) / (maximum - minimum))def denormalizePrice(price, minimum, maximum):    return (((price*(maximum-minimum))/2) + (maximum + minimum))/2## ================================================================def rollingWindow(seq, windowSize):    it = iter(seq)    win = [it.next() for cnt in xrange(windowSize)] # First window    yield win    for e in it: # Subsequent windows        win[:-1] = win[1:]        win[-1] = e        yield windef getMovingAverage(values, windowSize):    movingAverages = []    for w in rollingWindow(values, windowSize):        movingAverages.append(sum(w)/len(w))    return movingAveragesdef getMinimums(values, windowSize):    minimums = []    for w in rollingWindow(values, windowSize):        minimums.append(min(w))    return minimumsdef getMaximums(values, windowSize):    maximums = []    for w in rollingWindow(values, windowSize):        maximums.append(max(w))    return maximums## ================================================================def getTimeSeriesValues(values, window):    movingAverages = getMovingAverage(values, window)    minimums = getMinimums(values, window)    maximums = getMaximums(values, window)    returnData = []    # build items of the form [[average, minimum, maximum], normalized price]    for i in range(0, len(movingAverages)):        inputNode = [movingAverages[i], minimums[i], maximums[i]]        price = normalizePrice(values[len(movingAverages) - (i + 1)], minimums[i], maximums[i])        outputNode = [price]        tempItem = [inputNode, outputNode]        returnData.append(tempItem)    return returnData## ================================================================def getHistoricalData(stockSymbol):    historicalPrices = []    # login to API    urllib2.urlopen("http://api.kibot.com/?action=login&user=guest&password=guest")    # get 14 days of data from API (business days only, could be < 10)    url = "http://api.kibot.com/?action=history&symbol=" + stockSymbol + "&interval=daily&period=14&unadjusted=1&regularsession=1"    apiData = urllib2.urlopen(url).read().split("\n")    for line in apiData:        if(len(line) > 0):            tempLine = line.split(',')            price = float(tempLine[1])            historicalPrices.append(price)    return historicalPrices## ================================================================def getTrainingData(stockSymbol):    historicalData = getHistoricalData(stockSymbol)    # reverse it so we're using the most recent data first, ensure we only have 9 data points    historicalData.reverse()    del historicalData[9:]    # get five 5-day moving averages, 5-day lows, and 5-day highs, associated with the closing price    trainingData = getTimeSeriesValues(historicalData, 5)    return trainingData