我正在尝试预测外汇时间序列。市场的本质是80%的时候价格是无法预测的，但有20%的时候是可以预测的。例如，如果价格下跌非常深，有 99% 的概率会有一个恢复过程，这就是我要预测的。
那么，我该如何训练一个前馈网络，让它只预测那些有 99% 的确定性发生的情况，而对于其余的情况，它会输出“不可预测”的状态？
想象一下，我的数据集有 24 小时的连续价格数据作为输入（作为 1 分钟的样本），然后作为输出，我希望网络预测 1 小时的未来价格数据。我需要实施的唯一限制是，如果网络不能“确定”价格是可预测的，它将超过 0。那么，如何在网络输出的预测中实现安全性呢？
看来我的问题类似于 Google Compose，它会在您输入时预测下一个单词，例如，如果您输入“thank you”，它会添加“very much”，这将是 95% 正确。我想要同样的，但只是我的问题太复杂了。谷歌使用 RNN，所以也许我应该尝试多层 RNN 的深度网络？
像这样的事情现在是一个非常热门的研究课题，在股票市场这样的混乱系统上很难获得高精度。话虽如此，我可能会建议对您的数据进行预处理，而不是让您的主要神经网络决定接受什么，不接受什么。
例如，在您的特定情况下，您可以将泡沫破裂建模为负指数下降或类似的东西。这也可能包括机器学习。您可以收集股市数据的历史跌幅，并使用某种回归（贝叶斯可能会很好）来估计最佳函数，以用作指示是否发生急剧下跌的指标。如果是这样，那么请专门使用您的神经网络对股票的命运进行分类。我认为你会按照这样的专业路线获得更大的成功，而不是尝试根据市场的总体趋势来训练网络。
就神经网络的结构而言，您可能需要考虑使用卷积神经网络 (CNN) 而不是递归神经网络 (RNN)。RNN 假设您的时间序列中的当前点取决于所有先前的点，从您的数据开始。我不认为这对股市普遍适用。CNN 学习的过滤器适用于学习提取某些特征，并且 CNN 将以它认为最佳的方式将过滤器应用于数据的特定部分。它们都是非线性模型，但 CNN 的训练计算成本会更低。您还可以尝试使用梯度增强回归方法而不是神经网络。话虽如此，像 LSTM RNN（长期短期记忆）之类的东西并不一定是坏的——只是我的两分钱。
我不知道您将如何将您的数据应用到技术中，我将简要概述时间序列预测中使用的技术：
最后，您可以查看有关时间序列建模方法的概述。强化学习也用于时间序列预测，但据我所知，这样做并不容易。这是谷歌学术搜索结果。
Tbh 我认为股票价格基本上是不可能预测的，因为你没有考虑到来自股票市场之外的数据。
我认为任何成功的模型都需要接受新闻、消费者情绪等方面的培训。
唯一可能起作用的是高频交易。