但这又谈何容易。

        预测股指也好，还是金融衍生品也罢，都不只是根据过去的走势做出的盲目预测，那样的话，计量经济学家和记录彩票号码希望能够总结出数字规律的赌鬼也没什么两样了。

        预测模型，实质上是多重模型的组合，更符合大模型的定义，是多种不同用途的模型，汇总训练后，在大数据环境下，基于真实数据状况下产生的推演，而并不是简单的总结规律。

        说人话，就是虚拟出真实市场，再根据训练数据中的真实数据，自发演化出未来的变化趋势。

        但直到今天，也没有一个真正可以相对准确预测出任何一种金融产品价格变化的模型出现。

        因为变量太多了，计算量也太大了，在人工智能诞生之前，这几乎是一个不可能完成的任务。

        在此之前，传统计量经济学领域，预测准确率最高的就是时间序列模型中的ARIMA模型和GARCH模型，这两个模型都是30多年前提出的。

        而提出GARCH前置模型ARCH的罗伯特恩格尔与克莱夫格兰杰也获得了3049年的诺贝尔经济学奖。

        纵然如此，GARCH模型的预测波动准确率也不超过百分之五十。

        而在机器学习领域，目前有一部分学者和华尔街的天才分析师们也使用长短期记忆神经网络架构对金融产品价格做出预测，但预测准确度更加不尽如人意。

        现在强因子模型和神经网络算法的结合下，居然将偏差率降低了这么多，偏差率低了，就说明预测准确率的提高并不是一个偶然性的事件！

        内容未完，下一页继续阅读