神经网络预测究竟是什么呢?
来自:MACD论坛(bbs.macd.cn)
作者:老蠹
浏览:5530
回复:9
马上注册,结交更多好友,享用更多功能,让你轻松玩转社区。
您需要 登录 才可以下载或查看,没有帐号?立即注册
x
三、人工智能预测
纵观近年来人工智能预测文献,神经网络模型有良好的非线性品质,灵活而有效的学习方式,完全分布式的存贮结构。
目前许多预测软件以神经网络作为广告热点,神经网络预测究竟是什么呢?:cool::cool::cool::*31*::*31*::*31*:Sample Text我们以神经网络BP模型为例,首先它是一种隐式模型,相当于一个黑箱,它将系统的结构含于网络的数值当中。一般将外生变量样本观察值或时间序列数据作为网络的输入向量,将内生变量样本值作为输出,通过训练网络可以预测因变量(或内在变量)下一步走向。无论系统模型是何种类型,用于表述或描述这些神经网络的框架结构是不变的,也正是由于这种特性,神经网络才拥有了学习能力。 神经网络模型突破了传统预测方法许多局限性。但神经网络并不是万能的,至少存在以下方面不足:
1.缺乏统计合理性。
无论外推模型还是因果模型,都基于统计学,有一整套的统计检验,具有显著的统计意义,而这正是神经网络预测的明显不足,它无法给出预测值的区间。无法检验估计值的可靠性。相信结合统计学的神经网络预测研究将具有重要的意义。
2.不易解释性。
各种定量或(客观)预测方法的最终结果均以模型形式结果给出,容易结合经济理论或各领域知识来解释,并进行灵敏度分析、边际分析,而神经网络系统的结构无法用显示表达出来,解释困难,采用该法预测有一定的风险。如果产出了错误的预测,常常无法解释出错的原因,回归分析之后,常常要进行经济合理性检验,如判断某些系数值符号的正确性,而对于神经网络预测都无法进行类似检验。因它不仅缺乏统计检验准则,且无一定理论可遵循,不易解释。
3.缺乏稳健性。
神经网络的优点是在于不断学习与训练,但却不能辩识异常值,当异常值影响强烈时,神经网络模型也能给出拟合精度极高的估计。结果,显然用于预测将产生大的偏差。故神经网络预测对数据质量要求较高。另一方面,应用研究表明,拟合精度高的模型并不完全意味着高的预测精度,而我们却无法推知神经网络模型预测精度如何。
4.运算速度缓慢。
在运算方面,利用神经网络预测,每增加一个新的样本,均要重新学习与训练,花费大量的时间,其本身训练与学习也十分缓慢,有时慢得令人难以忍受,变量选择时更为严重,训练函数及权值修正算法影响速度,且神经网络预测用于长期预测有一定困难。
5.隐节点难确立(隐层数及神经元的经验性与任意性)
网络的隐含层数,隐节点个数及神经元能量函数的确定纯粹凭经验或凑试,带有一定的任意性,一方面影响到训练与学习时间与最后结果的精度,另一方面也关系到这一方法的普及。
6.宏观预测困难。
宏观社会经济问题,变量间相互关联,相互影响,相互制约,仅凭单一方程是不足的。计量经济联立议方模型在宏观预测中起着举足轻重的作用,但它却主要基于线性模型,解决非线性问题存在一系列困难。神经网络强调预测方法虽然在解决非线性问题方面具有优越性,却面对因变量间关联束手无策。
7.模型选择的困难。
神经网络预测由于缺乏统计机理,变量选择十分困难,无法给出相关的显著性统计准则,也难以给出合适的变量选择准则,显然仅以精度准则是有缺陷的。我们知道,模型中包括不相关变量或略去重要变量均将对预测结果产生重要影响,且使结果失去可信。因此,开发相应的变量选择方法是神经网络预测研究者面临的十分棘手的问题,也是首先应该解决的问题。只有这样,才可以使得我们不仅知其然,而且知其所以然。 |