数学建模预测数据应该如何选择算法？
在之前的数模竞赛中，即便是美赛O奖的作品中，我们都能看到诸如灰色预测这样的用MATLAB实现的方法，实际上我们有时间序列，回归等一系列比较常用的预测方法。在18年前后，预测类数模问题变得较为尴尬，不是因为这些题目简单，是因为大家都有了一套两套现成的算法，拿题后只要找到数据就能很快跑程序出数据出图写论文。
所以那个时候基本上很少有预测的题目再出现了。实际上，评价类模型和预测类模型都是这样，因为人均都会，所以导致我们不会见到一整个大题全是讲预测的。在这之前，我们在国赛见过人口增加预测，长江水质预测，世博会影响预测等等，那个时候基本上都是用matlab去实现这些数据的处理和预测。说起来，在15年我本科入学的时候有个风潮，就是互联网 ，那个时候就是谁有着一个什么创新创业的点子，就可以去参加比赛拿拿奖。
我一看这还要做ppt路演，搞得比较商业，当时就没怎么关注，毕竟我只喜欢参加埋头做题的比赛。上台说话这种我比较怯场，不过我也不是没有改变自己，有一次我最终鼓起勇气去参加了学校一个英语辩论赛，初赛只有抽题观点陈述这一部分，不用和别的同学正面对抗，所以我侥幸侃侃而谈，成功入围复赛，高兴之余，也激动地和室友报喜，随后联系复赛管理人员说我不去了，名额因此也顺延给了后一名，不知道算不算得上一桩美谈。
扯远了，主要是那个时候搞互联网 ，什么东西都要加互联网，超市 互联网=做个订超市app，打车 互联网=打车软件。现在python很火，颇有一番人工智能 的趋势。在数模领域，除了matlab，学会python搞人工智能应用也将是一个趋势，不过吧，实际上MATLAB也能实现一部分。那么在预测类这方面，用python的话：LSTM：长短期记忆网络GRU：门控循环单元DBN：深度置信网络QNN：量子神经网络SVR：支持向量机XGBoost：极端梯度提升CNN：卷积神经网络ESN：回声状态网络……举例的这些方法都可以被应用到预测中，如果你搜索这些算法，你会发现有不少核心期刊论文，通篇运用这些方法来做预测。
以神经网络为核心的智能算法是否可以预测股票价格？
毫无疑问，优秀的神经网络模型能够更加准确地预测股票未来走势。如何才能创建一个优秀的神经网络模型呢？1． 选择关联度高的因子举个例子，要预测一个人是男还是女，有以下两组因子可供选择：A. 头发颜色、皮肤颜色、是否双眼皮B. 是否长胡子、是否有喉结、体重这简直就是送分题，选项B几乎能够完全准确的预测出真实结果。
所以要想创建优秀的神经网络模型，必须选择关联度高的因子。2． 选择合理的神经网络架构同样的因子，在不同的神经网络架构下，预测出的结果会大不相同。结构过于简单，会存在“欠拟合”的情况，简单说就是该分析出来的没分析出来；结构过于复杂，又会出现“过拟合”的情况，简单说就是不该分析出来的分析出来了。恰到好处的网络结构，才能够分析出想要的结果。
以过拟合举个例子：一名学生，生活在一个偏远的A村，考上了城里的B高中，他是村子有史以来唯一考上B高中的人，高考后，又如愿考上了清华大学。如果模型出现过拟合，就会认为：“生活在A村”并且“就读于B高中”的人，100%能够考上清华大学。这是事实，但显然不是我们想要的结论。直接上图：巴菲特，公认的投资大师，在过去的20年平均回报率高达20%；詹姆斯.西蒙斯，运用他的量化模型，1989-2009年，平均回报率约35%。
文章TAG：算法 ARIMA 预测
