策略模組- 類神經網路(1)

類神經網路(Neural Network)是人工智慧的一支，我十幾年前就開使接觸這類東西，現在好像已改名叫『深度學習』。本質上就是利用數學所建構出來的一門學問，如果要玩玩其實也不難，我以前就是用matlab的工具箱，把參數設一設，然後把資料丟進這個黑盒子，也不去探究其理論(這理論說實在的，也不容易懂)，結果程式跑出來就是"Garbage In,  Garbage Out"。所以建議有心要把這玩意應用到股票市場的人，要對其數學理論有些了解才行，這方面資料請見參考資料一 。

用matlab有個壞處，它可能為了商業利益，幾乎年年改版，雖然只是改一些皮毛的東西(核心部分很少改) ，但如果版本不符，程式執行時就會有問題。在此將利用Java語言為工具，重新檢視類神經網路及其應用，本篇只是開頭，後面將有實際應用到股票市場的預測。首先，來作一個Iris(鳶尾花)的分類問題，為什麼會先作這個問題﹖Iris資料集可說是在樣式辨認研究中，最常被引用到的資料集，它可以很客觀地確認系統的分類能力，這樣去作更複雜的問題才能走得更穩。

此外，在這邊使用一個Oracle的開源碼 - Neuroph，它是用來開發神經網路架構的輕量級java框架。該框架提供一個java程式庫以及一個GUI工具（稱為NeurophStudio），可以用它來在java項目中創建和訓練自己的神經網路，其下載點見參考資料二。

 

上圖第37行顯示創建一個多層前饋倒傳遞網路(Multilayer Feedforward Neural Network with Backpropagation Training)，多層前饋網路(通常應用上只會用到三層，也就是只有一層隱藏層)是目前被應用最多的網路結構，而倒傳遞則是最常用的監督式網路學習法則。這個網路共有三層，輸入層、隱藏層、輸出層的神經元個數分別為4、16、3。

第45~53行則分別建立訓練資料及測試資料，訓練資料有100筆，其餘的50筆則留作測試資料。

訓練資料的精確度可達98%，而測試資料的精確度也可達96%，也就是50個樣本只會錯 2個。很多人看到這個結果一定相當滿意了，也對類神經網路的能力刮目相看。其實這是因為這個dataset太『純淨』，特徵也太明顯了，說句比較不入流的話，就算不用類神經網路，用其他的分類器隨便作，預測的結果也應該都不錯。相對而言，股票的資料就充滿雜訊，也可能會有互相衝突的訊號，因此預測結果的好壞，關鍵其實是在特徵選擇(Feature Selection)及資料的前處理，不過這個主題必須另闢專章來討論了。


參考資料
一、Hagan & Demuth & Beale, "Neural Network Design", Thomson Learning,Inc.,1996. 台灣翻譯本: 類神經網路設計,譯者: 汪惠健, 經銷商: 普林斯頓國際公司。

二、http://neuroph.sourceforge.net/download.html

三、資料檔及程式碼下載 :  https://drive.google.com/file/d/1HSzx4If2rBjOyz-yjo2hzHz_DoTT89OY/view?usp=sharing