我想使用神经网络来预测金融时间序列。我来自 IT 背景，对神经网络有一些了解，我一直在阅读以下内容：
我一直在为他们搜索 R 包，但我只找到了一个用于 RNN 的 RNN 包，它具有 elman 和 jordan 实现的 RNN。
那么，递归神经网络对（金融）时间序列有用吗？因为他们（引用之前引用的 RNN 上的维基百科链接）：
在每个时间步，输入以标准的前馈方式传播，然后应用学习规则。固定的反向连接导致上下文单元始终保持隐藏单元先前值的副本（因为它们在应用学习规则之前通过连接传播）。因此，网络可以保持某种状态，允许它执行诸如序列预测之类的任务，这些任务超出了标准多层感知器的能力。
在实践中与时间延迟神经网络不同吗？如果不是，与时间延迟神经网络有哪些区别？两者都适合与时间序列一起使用还是哪个更适合？
预先感谢！
我从未使用过循环网络，但据我所知，在实践中，一些 RNN 和 TDNN 可以用于您想要的相同目的：预测时间序列值。但是，它们的工作方式不同。
使用 TDNN 是可能的：
一些 RNN，比如NARX也允许你这样做，它也用于预测金融时间序列，通常比 TDNN 更好。
TDNN 看起来更像是一个前馈网络，因为时间方面仅通过其输入插入，不像 NARX 还需要预测/实际未来值作为输入。这一特性使得 TDNN 在预测值方面不如 NARX 健壮，但需要更少的处理并且更容易训练。
如果您试图找到流程和流程的过去值，而 TDNN 没有。
我推荐阅读 Simon Haykin 的神经网络：综合基础（第 2 版）和这个常见问题解答。有很多神经网络架构和变体。有时他们有很多名字，或者他们的分类没有共识。
TDNN 是一种表示过去值和现在值之间映射的简单方法。TDNN 中的延迟在整个训练过程中保持不变，并且在之前通过反复试验和一些启发式方法进行估计。然而，这些固定延迟可能无法捕获时间相关性的实际时间位置。另一方面，RNN 结构的“记忆”特征可以通过学习这些依赖关系来捕获这些信息。RNN 的问题在于，当使用传统技术（例如通过时间的反向传播）进行训练以学习长期依赖时，使用它们是不切实际的。这个问题源于所谓的“消失/爆炸” 梯度，这基本上意味着当我们通过网络结构向后传播误差信号时，它们往往会消失或爆炸。更高级的循环结构（例如 LSTM）具有缓解此问题的特性，并且可以学习长期依赖关系，并且特别适合学习顺序数据。