股票市場中rnn已經被應用於

㈠ LSTM與RNN之間存在什麼關系

很高興認為我們之間存在的聯系是通過VP s來連接的，它們是相對相輔相成的。

㈡ 實際波動率的概念

要明確實際波動率，首先要從波動率的概念入手。波動率（Volatility）：是指關於資產未來價格不確定性的度量。它通常用資產回報率的標准差來衡量。也可以指某一證券的一年最高價減去最低價的值再除以最低價所得到的比率。業內將波動率定義為價格比率自然對數的標准差。波動率的種類有：實際波動率，隱含波動率，歷史波動率等等，實際波動率便是波動率的一種。

㈢ DNN、RNN、CNN分別是什麼意思

DNN（深度神經網路），是深度學習的基礎。

DNN可以理解為有很多隱藏層的神經網路。這個很多其實也沒有什麼度量標准, 多層神經網路和深度神經網路DNN其實也是指的一個東西，當然，DNN有時也叫做多層感知機（Multi-Layer perceptron,MLP）。

從DNN按不同層的位置劃分，DNN內部的神經網路層可以分為三類，輸入層，隱藏層和輸出層,如下圖示例，一般來說第一層是輸出層，最後一層是輸出層，而中間的層數都是隱藏層。

CNN（卷積神經網路），是一種前饋型的神經網路，目前深度學習技術領域中非常具有代表性的神經網路之一。

CNN在大型圖像處理方面有出色的表現，目前已經被大范圍使用到圖像分類、定位等領域中。相比於其他神經網路結構，卷積神經網路需要的參數相對較少，使的其能夠廣泛應用。

RNN（循環神經網路），一類用於處理序列數據的神經網路，RNN最大的不同之處就是在層之間的神經元之間也建立的權連接。

從廣義上來說，DNN被認為包含了CNN、RNN這些具體的變種形式。在實際應用中，深度神經網路DNN融合了多種已知的結構，包含卷積層或LSTM單元，特指全連接的神經元結構，並不包含卷積單元或時間上的關聯。

㈣ 深度學習的主要分類是什麼呀這些網路cnn dbn dnm rnn是怎樣的關系

簡單來說：

1）深度學習（Deep Learning）只是機器學習（Machine Learning）的一種類別，一個子領域。機器學習 > 深度學習

2）大數據（Big Data）不是具體的方法，甚至不算具體的研究學科，而只是對某一類問題，或需處理的數據的描述

具體來說：

1）機器學習（Machine Learning）是一個大的方向，裡麵包括了很多種 approach，比如 deep learning, GMM, SVM, HMM, dictionary learning, knn, Adaboosting...不同的方法會使用不同的模型，不同的假設，不同的解法。這些模型可以是線性，也可以是非線性的。他們可能是基於統計的，也可能是基於稀疏的....

不過他們的共同點是：都是 data-driven 的模型，都是學習一種更加 abstract 的方式來表達特定的數據，假設和模型都對特定數據廣泛適用。好處是，這種學習出來的表達方式可以幫助我們更好的理解和分析數據，挖掘數據隱藏的結構和關系。

Machine Learning 的任務也可以不同，可以是預測（prediction），分類（classification），聚類（clustering），識別（recognition），重建（reconstruction），約束（regularization），甚至降噪（denoising），超分辨（super-resolution），除馬賽克（Demosaicing）等等....

2）深度學習（Deep Learning）是機器學習的一個子類，一般特指學習高層數的網路結構。這個結構中通常會結合線性和非線性的關系。

Deep Learning 也會分各種不同的模型，比如 CNN, RNN, DBN...他們的解法也會不同。

Deep Learning 目前非常流行，因為他們在圖像，視覺，語音等各種應用中表現出了很好的 empirical performance。並且利用 gpu 的並行運算，在模型相當復雜，數據特別大量的情況下，依然可以達到很理想的學習速度。

因為 Deep Learning 往往會構建多層數，多節點，多復雜度的模型，人們依然缺乏多裡面學習的結構模型的理解。很多時候，Deep Learning 甚至會被認為擁有類似於人類神經網路的結構，並且這種類似性被當做 deep learning 居然更大 potential 的依據。但答主個人認為，其實這略有些牽強...聽起來更像是先有了這種 network 的結構，再找一個類似性。當然，這僅僅是個人觀點...（私貨私貨）

3）大數據（Big Data，我們也叫他逼格數據....）是對數據和問題的描述。通常被廣泛接受的定義是 3 個 V 上的「大」：Volume（數據量）, Velocity（數據速度）還有 variety（數據類別）。大數據問題（Big-data problem）可以指那種在這三個 V 上因為大而帶來的挑戰。

Volume 很好理解。一般也可以認為是 Large-scale data（其實學術上用這個更准確，只是我們出去吹逼的時候就都叫 big data 了...）。「大」可以是數據的維度，也可以是數據的 size。一般 claim 自己是 big-data 的演算法會比較 scalable，復雜度上對這兩個不敏感。演算法和系統上，人們喜歡選擇並行（Parallel），分布（distributed）等屬性的方法來增加 capability。
ITjob----採集

㈤ 是一種處理時序數據的神經網路,常用於語音識別,機器翻譯等領域

LSTM（Long Short-Term Memory）是長短期記憶網路，是一種時間循環神經網路，適合於處理和預測時間序列中間隔和延遲相對較長的重要事件。長短期記憶（Long short-term memory, LSTM）是一種特殊的RNN，主要是為了解決長序列訓練過程中的梯度消失和梯度爆炸問題。簡單來說，就是相比普通的RNN，LSTM能夠在更長的序列中有更好的表現。
LSTM 已經在科技領域有了多種應用。基於 LSTM 的系統可以學習翻譯語言、控制機器人、圖像分析、文檔摘要、語音識別圖像識別、手寫識別、控制聊天機器人、預測疾病、點擊率和股票、合成音樂等等任務。

㈥ 詞向量 rnn 矩陣是什麼樣的

矩陣是高等代數學中的常見工具，也常見於統計分析等應用數學學科中。[2] 在物理學中，矩陣於電路學、力學、光學和量子物理中都有應用；計算機科學中，三維動畫製作也需要用到矩陣。 矩陣的運算是數值分析領域的重要問題。將矩陣分解為簡單矩陣的組合可以在理論和實際應用上簡化矩陣的運算。對一些應用廣泛而形式特殊的矩陣，例如稀疏矩陣和准對角矩陣，有特定的快速運算演算法。關於矩陣相關理論的發展和應用，請參考矩陣理論。在天體物理、量子力學等領域，也會出現無窮維的矩陣，是矩陣的一種推廣。

㈦ netcFG:CHMCORNN-RECONFIJ.HTM...........文件不存在能下載不給個地址謝謝

給你個地址吧，我剛試過，可以下的。你用迅雷下就好了~~~~

另外呢，我還想說兩句：
你連接寬頻時如果出錯的話,就是你無法連到網路上時,系統會按照netcfg.hlp給你提供一些錯誤信息.如下:
600 某操作處於掛起狀態。
601 檢測到一個無效埠句柄。
602 指定埠已經打開。
603 呼叫方緩沖區太小。
604 指定了錯誤的信息。
605 無法設置埠信息。
606 無法連接指定埠。
607 檢測到無效事件。
608 指定了一個不存在的設備。
609 設備類型不存在。
610 緩沖區無效。
611 路由不可用。
612 路由沒有分配。
613 指定了無效的壓縮。
614 緩沖區不足。

615 沒有找到埠。
616 某非同步請求處於掛起狀態。
617 埠或設備已經斷開。
618 埠沒有打開。
619 不能建立到遠程計算機的連接，因此用於此連接的埠已關閉。
620 沒有端點。
621 無法打開電話簿文件。
622 無法載入電話簿文件。
623 無法找到電話簿項。
624 無法寫入電話簿文件。
625 在電話簿中發現的無效信息。
626 無法載入字元串。
627 無法找到鍵。
628 在連接完成之前，連接被遠程計算機終止。

629 數據鏈接被遠程計算機終止。
630 由於硬體失敗，埠斷開連接。
631 用戶已斷開埠連接。
632 結構大小不正確。
633 埠已經在使用或沒有為「遠程訪問」撥出配置埠。
634 無法在遠程網路注冊計算機。
635 未知錯誤。
636 錯誤的設備連接到埠。
637 字元串無法轉換。
638 請求超時。
639 沒有可用的非同步網路。
640 發生 NetBIOS 錯誤。
641 伺服器無法分配支持客戶端所需的 NetBIOS 資源。

642 已在遠程網路上注冊了一個 NetBIOS 名稱。
643 伺服器上的網路適配器出現故障。
644 將無法接收網路彈出式消息。
645 內部身份驗證錯誤。
646 不允許此帳戶在一天的這一時間段登錄。
647 本帳戶已禁用。
648 密碼已過期。
649 帳戶沒有「遠程訪問」的許可權。
650 「遠程訪問」伺服器沒有響應。
651 數據機（或其他設備）報告了一個錯誤。
652 設備響應無法識別。
653 沒有在設備 .INF 文件部分發現設備所必需的宏。

654 設備 .INF 文件部分中的命令或響應引用到未定義的宏。
655 在設備 .INF 文件部分未發現 <message> 宏。
656 在設備 .INF 文件部分中的 <defaultoff> 宏含有未定義的宏。
657 無法打開設備 .INF 文件。
658 設備 .INF 文件或媒體 .INI 文件中的設備名太長。
659 媒體 .INI 文件引用了未知的設備名。
660 設備 .INF 文件不包含對該命令的響應。
661 設備 .INF 文件缺少一條命令。
662 試圖設置一個沒有列在設備 .INF 文件部分的宏。

663 媒體 .INI 文件引用了未知的設備類型。
664 無法分配內存。
665 埠不是為「遠程訪問」配置的。
666 數據機（或其他設備）不起作用。
667 無法讀取媒體 .INI 文件。
668 連接已除去。
669 媒體 .INI 文件中的用法參數無效。
670 不能從媒體 .INI 文件中讀取部分名稱。
671 不能從媒體 .INI 文件中讀取設備類型。
672 不能從媒體 .INI 文件中讀取設備名稱。
673 不能從媒體 .INI 文件中讀取使用方法。

674 不能從媒體 .INI 文件中讀取最大連接 BPS 速率。
675 不能從媒體 .INI 文件中讀取最大載波 BPS 速率。
676 線路忙。
677 人工應答而不是數據機應答。
678 遠程計算機沒有響應。
679 無法檢測載波。
680 沒有撥號音。
681 設備報告的常見錯誤。
691 拒絕訪問，因為用戶名和/或密碼在域中無效。
692 埠或連接的設備內的硬體故障。
695 未啟動狀態機器。
696 已啟動狀態機器。
697 響應循環未完成。

699 設備響應引起緩沖區溢出。
700 設備 .INF 文件中的擴展命令太長。
701 設備移動到 COM 驅動程序不支持的 BPS 速率。
703 連接需要用戶信息，但應用程序不允許用戶交互。
704 回撥號碼無效。
705 授權狀態無效。
707 出現與 X.25 協議有關的錯誤。
708 本帳戶已過期。
709 在域中修改密碼的錯誤。
710 與數據機通信時檢測到串口超載錯誤。
711 在此計算機上的配置錯誤阻止此連接。
712 Biplex 埠正在初始化。等幾秒鍾再重撥。

713 沒有活動的 ISDN 線路可用。
714 沒有足夠的 ISDN 通道可用於呼叫。
715 電話線質量太差而產生了太多的錯誤。
716 「遠程訪問 IP」配置不能用。
717 在「遠程訪問 IP」地址的靜態池中沒有可用的 IP 地址。
718 因為遠程計算機沒有及時反應，此連接已被終止。
719 PPP 已被遠程計算機終止。
720 無法建立與遠程計算機的連接。可能需要更改此連接的網路設置。
721 遠程計算機沒響應。
722 PPP 數據包無效。
723 電話號碼（包含前綴及後綴在內）太長。

726 不能同時將 IPX 協議用於多個埠的撥出。
728 找不到連接到「遠程訪問」的 IP 適配器。
729 只有在安裝了 IP 協議之後，才能使用 SLIP。
731 未配置協議。
732 PPP 協商沒有會合。
733 不能完成到遠程計算機的連接。
734 PPP 鏈接控制協議被終止。
735 請求的地址被伺服器拒絕。
736 遠程計算機終止了控制協議。
737 檢測到環回。
738 伺服器沒指定地址。
739 遠程伺服器不能使用加密的密碼。

740 為「遠程訪問」配置的 TAPI 設備無法初始化或沒有正確安裝。
741 本地計算機不支持加密。
742 遠程伺服器不支持加密。
743 遠程伺服器要求加密。
752 處理腳本時遇到語法錯誤。

NETCFG.HLP文件其實這個文件是網路組組件的幫助文件，當出現網路撥號等問題是系統提示缺少NETCFG.HLP文件其實意思是你的系統沒有這個幫助文件,不能馬上顯示問題的解決方法和建議,即是這個文件是一個幫助文檔,並不是上網要用到的系統重要文件!

解決辦法：

1、重新恢復系統，即進行系統還原。

2、將netcfg.hlp文件復制到c:\windows\help文件夾中即可。(系統中的幫助文件都存放在help文件夾中)
參考資料：

㈧ 如何評價新提出的RNN變種SRU

一、動機：

相信搞deep learning & NLP 的朋友都遇到過以下問題，

RNN的訓練實在是太慢了！這點跑過 RNN & CNN的自然懂，無需我多言。

模型的應用性和實驗的可重復性。某模型在某任務A or B上效果很炸。但其他任務呢？模型是否開源？有沒有附上實驗代碼證明可重復性？

網路結構的可解釋性。閱讀到新的網路/模型的時候，是否碰到過「這東西為什麼有效」的疑問 ？舉個栗子，下圖是谷歌利用強化學習找到的循環網路單元NASCell，是不是問號臉（??）：

相反很多簡單的東西不僅效果好，並且更具有解釋性，比如殘差（resial）和 注意力機制（attention）。

基於上述三點，SRU及其相關工作旨在提出和探索「簡單快速並更具解釋性的循環神經網路」。我們對SRU進行了較廣泛的測試，同時開源全部代碼。希望得到更多檢驗，甚至幫助找到更有效的模型。

關於可解釋性的一點補充：我對目前常用的RNN的理解是，它們將序列相似度更好的encode在了hidden state中 （they better encode sequence similarity，不太確定怎麼用中文表達），因此能更好的泛化。我的presentation和近期工作有涉及到一些[13, 6], 有時間我會在回答中加入更多討論。。

二、原創性，包括與Quasi-RNN的聯系：

坦白地說，我們之前並不知道Quasi-RNN的工作。在SRU的報告完成之後，我發給了圈內朋友閱讀並提供修改建議。Yoon Kim 知道Quasi-RNN所以建議我引用這篇工作。於是我在論文出現在arxiv公共平台之前草率的引用了Q-RNN。我們沒有預料到SRU會這么快在Github / Twitter / Facebook火起來。不到一天的時間就看到Q-RNN作者包括Richard Socher帶有質疑的帖子嚇了一跳 -_-b，現在經過交流雙方算是和解了（想八卦的同學可以翻牆fb，貼子在這里）。沒有適當引用和比較相關工作是我們的鍋，我們已經修改並提交了第二版本。

回到主題，SRU可以追溯到我和小夥伴們今年ICML 17甚至更早的15年論文 [6,7,8]。因此，我個人並不太贊同SRU就是Quasi-RNN的說法。理由如下，

(1) 網路結構：Quasi-RNN的核心是在 k-gram CNN（文本卷積）的基礎上使用 adaptive gating。在討論k-gram卷積的時候，通常不會使用k=1既 window size 1作為運行參數。這點在包括Q-RNN本身的許多論文中都有體現 [1,2,3,4,5]。SRU中的矩陣變換雖然可以看做 k=1的情況，但這跟聲稱「所有前饋神經網路（fast forward network）都是 k=1 卷積」 或者 「VGG net 和 GoogLeNet 是 AlexNet 改成3*3卷積然後加深度」沒有本質差別。

此外，很多循環/卷積網路變種是殊途同歸的。以"CNN + adaptive weighting"這種思路為例，僅僅本人所知就包括華為實驗室15年的 genCNN [9]，我們15年提出的RCNN [8,7]，FAIR提出的Gated ConvNet [4] 等等。Q-RNN的作者也承認，很難聲稱誰是「第一」，重要得是去實現和驗證想法：

these architectures are so mathematically simple that they』ve been reinvented several times and it』s difficult to be sure exactly who tried them first, but it』s our job as authors to attempt to do it anyway (we certainly failed to include enough discussion of PixelCNN in our arxiv version, but added it in the camera-ready) -- Bradbury

(2) 加速技巧：RNN的加速技巧，包括batched gemm()，element-wise operation fusion等等是由 Nvidia 的研究人員最先提出並開源的 [10,11]。這點我們在論文中講的很清楚，而不像一些同學認為的由Q-RNN提出。由於Q-RNN使用卷積核conv2d，自帶比傳統RNN好很多的加速效果。在SRU中，因為h[t-1]的依賴被去掉，導致可以誇時間維（或者輸入位置）並行加速，這點跟conv2d / Q-RNN是一樣的。

(3) 殘差鏈接：在我們 ICML-17 [6] 的工作中已經對簡化的RNN結構加入殘差鏈接（highway connection）。SRU的結構極其變種已經出現在第一部分PTB的實驗中（[6] Figure 3）。這些工作包括實驗、理論解釋和相關證明實際上在17年前已經完成，並收錄在 17年1月畢業答辯之後的畢業論文中 [12]。在此基礎上，SRU和其加速是為了提高應用性，同時在更多的任務數據集上測試該模型有效性。

㈨ 什麼是波動率指數

1987的全球股災後，為穩定股市與保護投資者，紐約證券交易所(NYSE)於1990年引進了斷路器機制(Circuit-breakers)，當股價發生異常變動時，暫時停止交易，試圖降低市場的波動性來恢復投資者的信心。但斷路器機制引進不久，對於如何衡量市場波動性市場產生了許多新的認識，漸漸產生了動態顯示市場波動性的需求。因此，在NYSE採用斷路器來解決市場過度波動問題不久，芝加哥期權交易所從1993年開始編制市場波動率指數(Market Volatility Index，VIX)，以衡量市場的波動率。
CBOE 在1973年4月開始股票期權交易後，就一直有通過期權價格來構造波動率指數的設想，以反映市場對於的未來波動程度的預期。其間有學者陸續提出各種計算方法，Whaley(1993)[1] 提出了編制市場波動率指數作為衡量未來股票市場價格波動程度的方法。同年，CBOE開始編制VIX 指數，選擇S&P100 指數期權的隱含波動率為編制基礎，同時計算買權與賣權的隱含波動率，以考慮交易者使用買權或賣權的偏好。
VIX表達了期權投資者對未來股票市場波動性的預期，當指數越高時，顯示投資者預期未來股價指數的波動性越劇烈；當VIX指數越低時，代表投資者認為未來的股價波動將趨於緩和。由於該指數可反應投資者對未來股價波動的預期，並且可以觀察期權參與者的心理表現，也被稱為「投資者情緒指標」(The investor fear gauge )。經過十多年的發展和完善，VIX指數逐漸得到市場認同，CBOE於2001年推出以NASDAQ 100指數為標的的波動性指標 (NASDAQ Volatility Index ,VXN)； CBOE2003年以S&P500指數為標的計算VIX指數，使指數更貼近市場實際。2004年推出了第一個波動性期貨（Volatility Index Futures）VIX Futures， 2004年推出第二個將波動性商品化的期貨，即方差期貨 (Variance Futures)，標的為三個月期的S&P500指數的現實方差(Realized Variance)。2006年，VIX指數的期權開始在芝加哥期權交易所開始交易
計算波動率指數（VIX）需要的核心數據是隱含波動率，隱含波動率由期權市場上最新的交易價格算出，可以反映市場投資者對於未來行情的預期。其概念類似於債券的到期收益率(Yield To Maturity)：隨著市場價格變動，利用適當的利率將債券的本金和票息貼現，當債券現值等於市場價格時的貼現率即為債券的到期收益率，也就是債券的隱含報酬率。在計算過程中利用債券評價模型，通過使用市場價格可反推出到期收益率，這一收益率即為隱含的到期收益率。