用R语言实现神经网络预测股票实例

 神经网络是一种基于现有数据创建预测的计算系统。最近我们被客户要求撰写关于神经网络的研究报告，包括一些图形和统计输出。

如何构建神经网络？

神经网络包括：

• 输入层：根据现有数据获取输入的层
• 隐藏层：使用反向传播优化输入变量权重的层，以提高模型的预测能力
• 输出层：基于输入和隐藏层的数据输出预测
• 

用神经网络解决分类问题

在这个特定的例子中，我们的目标是开发一个神经网络来确定股票是否支付股息。

因此，我们使用神经网络来解决分类问题。通过分类，我们指的是按类别对数据进行分类的分类。例如，水果可分为苹果，香蕉，橙等。

我们的自变量如下：

• fcfps：每股自由现金流量
• income_growth：过去一年的盈利增长（％）
• de：债务与权益比率
• mcap：股票的市值
• current_ratio：流动比率（或流动资产/流动负债）

我们首先设置目录并将数据加载到R环境中：

setwd("你的工作文件目录")
attach(mydata)

形成神经网络时最重要的过程之一是数据标准化。这涉及将数据调整到一致的比例，以便准确地比较预测值和实际值。无法对数据进行标准化通常会导致所有观察结果中的预测值保持不变，而与输入值无关。

我们在下面实现了这两种技术，但选择使用max-min标准化技术。

缩放标准化

scaleddata <-scale（mydata）