神经网络预测：Neuro-Predictor
眾多统计数据及科学研究均已表明，股票市场及其他金融市场均类似其他复杂的非人為 / 自然现象，某程度上可透过特定的方法及工具进行预测。
股价走势及其他金融工具的价格走势通常呈现一种特定的趋势。在股价呈现趋势时会出现若干「干扰」讯号，令其中包含可显示趋势的随机讯号和杂乱讯号难以分辨。其实可用某些最大可能方法( maximum likelihood methods )调查及评估这种特定的趋势。儘管真正的随机讯号（通常用布朗运动( Brownian motion )表示）不可预测，但可透过平均偏差及标準偏差进行估计。事实亦证明，虽然杂乱讯号表面上看似是一些随机信号，但是却具有确定性的本质，某程度上可透过数据分析技术进行预测。其中「人工神经网络」（Artificial Neural Network, ANN）技术对於预测类似特定趋势的效果最為有效。
「人工神经网络」是什麼？ AASTOCKS Neuro-Predictor是什麼？
「人工神经网络」（ANN）是赢咖4(Artificial Intelligence)的一个重要分支。ANN模仿人体神经中枢的运作模式，在人体神经系统及人手创造的电子系统之间，ANN活像人类一样，可透过训练去学习，从特殊个案中进行总结归纳。ANN的训练及预测过程可按以下步骤阐述，至於关键的形成阶段及确认阶段，则将分别论述。
第一阶段：
收集训练资料，包括输入资料供ANN「观察」，及输入已知的目标资料供ANN学习及输出。例如，对股价预测而言，训练资料及目标资料自然為歷史股价。例如，100个连续歷史股价的矢量可以构成训练数据，而第101个股价则為目标数据。
第二阶段：
向ANN提供输入资料；将ANN输出与已知的目标进行比较，并调整ANN的内部参数（比重及偏差），以便ANN输出资料与目标数据精确接近，从而将误差减少到最低限度。
第三阶段
向ANN供应将来输入资料（未被ANN检视的资料）；倘若ANN训练效果良好及输入资料可被预测，则ANN将给出精确的预测结果。
赢咖4神经网络的可靠性
ANN进行训练后可适应及解决许多复杂问题，例如：适应型噪音过滤、模式识别及透过语音识别的话音处理。ANN噪音过滤系统已广泛用於电话系统，以降低迴声噪音；用於飞机则可降低引擎噪音对机仓通讯仪表上语音讯号的干扰。
Neuro-Predictor实质是為适应股价预测而训练之赢咖4神经网络系统。在预测过程中，Neuro-Predictor会先确定所选的股票是否可按统计学原理有效预测。实质上，这是透过对比ANN的确认性错误及股价波动来实现。我们知道，股价走势的波动中，混乱成份较大而随机成份较小的话，该股票会较其他股票更易预测。
透过应用管道週期ANN结构（最适合用於预测一系列时间）及适应性训练程序，Neuro-Predictor產生的精确预测结果远超过其他体系。具体而言，开发ANN旨在把各证券研究机构使用的赢咖4神经网络纳入其中。ANN的预先处理系统以获得诺贝尔奖的毕苏模式﹙Black-Scholes Model﹚為基础。
