在R神经网络页面中，我正在使用神经网络函数尝试预测股票价格。
训练数据包含High、Low、Open、Close四列。
myformula <- close ~ High+Low+Openneuralnet(myformula,data=train_,hidden=c(5,3),linear.output=T)我的问题是，根据下面的数据示例，你能告诉我公式应该是什么样的吗？
我有一个表格，包含“High”、“Low”、“Open”、“Close”四列，它有两行的值，每行代表一天的K线图。所以数据中的两行是前两天的K线图。我的目标是根据前两天的K线图预测下一根K线图，即“Open”、“High”、“Low”、“Close”。
我的神经网络将一次处理一个K线图的先前数据。我想知道下一根K线图是什么样的，那么我的R公式应该是什么样的？
谢谢，让我知道
回答：
我的神经网络将一次处理一个K线图的先前数据。我想知道下一根K线图是什么样的，那么我的R公式应该是什么样的？
在前馈神经网络中，你需要指定用于预测的特征以及要预测的目标。在你上面的例子中，特征例如是prev_close，目标是close。正如你在训练数据中看到的，你还没有prev_close，这就是我回答的重点，你需要先正确地表述问题。
如果你只有close，那么训练前馈神经网络是没有公式可用的。你需要创建prev_close，然后公式会是close ~ prev_close。
*循环神经网络（RNN）可以基于序列进行训练，并根据输入序列输出预测，但那完全是另一回事
简单示例：基于最后两个收盘价预测收盘价
我编了一个非常简单的例子，只是为了说明问题表述，预测close，基于最后两个close值。我选择了一个隐藏层，里面有一个神经元。我设置了linear.output=TRUE，因为我们预测的是连续值（如之前讨论的回归问题，并且在neuralnet文档中提到，如果该值为TRUE，则不会有激活函数act.fct）
*如果你用这个进行交易，你肯定会亏损。这只是为了展示如何在神经网络中构建这样的预测问题。不要用于实际操作。
问题表述
我想明确的一点是，如果你有一列价格，你需要为预测创建特征
prev_close_1 | prev_close_2 | close神经网络面临的问题是基于prev_close_1和prev_close_2预测close，因此公式是close ~ prev_close_1 + prev_close_2
这是网络架构
注意输入的是之前的收盘值，输出的是预测的收盘值。
library(neuralnet)N = 10prices <- data.frame(close=1:N) # 虚拟的直线上升趋势，持续N个周期 print(prices)shift <- function(x, n){ c(x[-(seq(n))], rep(NA, n))}# 形成训练数据框train <- data.frame( prev_close_1=prices$close, prev_close_2=shift(prices$close, 1), close=shift(prices$close, 2))# 当对列进行时间滞后效果的移位时，一些行会出现NA# 让我们移除这些NAstrain <- na.omit(train)print(train)nn <- neuralnet( formula=close ~ prev_close_1 + prev_close_2, data=train, hidden=c(1), # 一个隐藏层中有一个神经元 linear.output=TRUE # 我们想要回归而不是分类)print(prediction(nn))plot(nn)虚拟价格的外观
这是你所拥有的，只是历史股票价格
close1 12 23 34 45 56 67 78 89 910 10神经网络训练的数据
这是你需要的，特征和目标，尝试形成下面的训练数据框中的行以理解移位/滞后效果。
prev_close_1 prev_close_2 close1 1 2 32 2 3 43 3 4 54 4 5 65 5 6 76 6 7 87 7 8 98 8 9 10神经网络的预测
prev_close_1 prev_close_2 close1 1 2 2.9942918642 2 3 4.0178283013 3 4 5.0029147894 4 5 5.9688557295 5 6 6.9786448496 6 7 8.0308100427 7 8 9.0510634568 8 9 9.945595495