问题分析
分类
作为分类问题如果预测涨但是涨了0.1，但是某次预测涨结果跌了0.9，这一次的预测失误导致全部赔光了。
这样是不可以接受的，作为分类问题很难考虑到涨跌的实际值是多少。
回归
作为回归问题如果预测股票的走势，在理论上是可行的但是，当预测为某个值时，此时实际值要高于这个值
这样的结果是可以接受的，因为相当于多赚了，但是电脑认为实际值与预测值有差距所以会因为这个调整参数
矛盾出来了，此时人可以接受但是机器不接受。如果实际值比预测值低很多此时人不接受，机器对待这两种
情况是一个态度，都会强烈的调整参数。作为回归问题也是不合适的。
网络结构
首先是一个rnn网络，输入是30天的数据每天的数据是当天股票的情况，这个情况下有若干个特征，输入是
一个矩阵，输出取网络的最后一个输出作为输出。
损失函数
一个新的损失函数是必须的，目的是最大化钱，考虑如何投资才能使钱最多，这个问题是资金分配问题
加入你要买这只股票，你应该投入多少钱去买这只股票呢，最终的输出是分配的比例
loss=p(r-c),
p表示你投钱的比例，r表示当天的股票波动率，c表示用p钱因为没有存银行导致没收到的利率。
新的损失函数只考虑人最关心的资金问题，可以和机器同心。
我的拙见
首先股票是一个二阶混沌系统，影响他的因素不仅有外界的环境，它自身也会影响自己，假如一个人知道了
股票的涨跌情况那他就会去买卖，他只要买卖就会影响股票的价格，导致预测的不准确，所以我觉得不可能
存在预测股票的能力，因为混沌系统无法预测。无数的猴子无数的打印机，猴子也无法打出莎士比亚的诗。23333
FEATURED TAGS
c语言
c++
面向对象
指针
容器
python
函数
数据结构
回归
损失函数
神经网络
机器学习
似然函数
极大似然
标准化
深度学习
卷积网络
参数估计
beta分布
数据处理
gradio
模型工程化
网页
模型加速工具
c++实现
变量
占位符
tensorflow
线性回归
学习tensorflow
HMM
RNN
强化学习
LSTM
pandas
不定长序列损失
pytorch
目标检测
RPN
非极大值抑制
ROIpooling
VGG16
Transformer
BERT
Python
装饰器
方法
Pytorch
FPN
图像分类
CNN
多模态
生成
GPT
Tranformer
生成模型
audio
