股票市场中rnn已经被应用于

㈠ LSTM与RNN之间存在什么关系

很高兴认为我们之间存在的联系是通过VP s来连接的，它们是相对相辅相成的。

㈡ 实际波动率的概念

要明确实际波动率，首先要从波动率的概念入手。波动率（Volatility）：是指关于资产未来价格不确定性的度量。它通常用资产回报率的标准差来衡量。也可以指某一证券的一年最高价减去最低价的值再除以最低价所得到的比率。业内将波动率定义为价格比率自然对数的标准差。波动率的种类有：实际波动率，隐含波动率，历史波动率等等，实际波动率便是波动率的一种。

㈢ DNN、RNN、CNN分别是什么意思

DNN（深度神经网络），是深度学习的基础。

DNN可以理解为有很多隐藏层的神经网络。这个很多其实也没有什么度量标准, 多层神经网络和深度神经网络DNN其实也是指的一个东西，当然，DNN有时也叫做多层感知机（Multi-Layer perceptron,MLP）。

从DNN按不同层的位置划分，DNN内部的神经网络层可以分为三类，输入层，隐藏层和输出层,如下图示例，一般来说第一层是输出层，最后一层是输出层，而中间的层数都是隐藏层。

CNN（卷积神经网络），是一种前馈型的神经网络，目前深度学习技术领域中非常具有代表性的神经网络之一。

CNN在大型图像处理方面有出色的表现，目前已经被大范围使用到图像分类、定位等领域中。相比于其他神经网络结构，卷积神经网络需要的参数相对较少，使的其能够广泛应用。

RNN（循环神经网络），一类用于处理序列数据的神经网络，RNN最大的不同之处就是在层之间的神经元之间也建立的权连接。

从广义上来说，DNN被认为包含了CNN、RNN这些具体的变种形式。在实际应用中，深度神经网络DNN融合了多种已知的结构，包含卷积层或LSTM单元，特指全连接的神经元结构，并不包含卷积单元或时间上的关联。

㈣ 深度学习的主要分类是什么呀这些网络cnn dbn dnm rnn是怎样的关系

简单来说：

1）深度学习（Deep Learning）只是机器学习（Machine Learning）的一种类别，一个子领域。机器学习 > 深度学习

2）大数据（Big Data）不是具体的方法，甚至不算具体的研究学科，而只是对某一类问题，或需处理的数据的描述

具体来说：

1）机器学习（Machine Learning）是一个大的方向，里面包括了很多种 approach，比如 deep learning, GMM, SVM, HMM, dictionary learning, knn, Adaboosting...不同的方法会使用不同的模型，不同的假设，不同的解法。这些模型可以是线性，也可以是非线性的。他们可能是基于统计的，也可能是基于稀疏的....

不过他们的共同点是：都是 data-driven 的模型，都是学习一种更加 abstract 的方式来表达特定的数据，假设和模型都对特定数据广泛适用。好处是，这种学习出来的表达方式可以帮助我们更好的理解和分析数据，挖掘数据隐藏的结构和关系。

Machine Learning 的任务也可以不同，可以是预测（prediction），分类（classification），聚类（clustering），识别（recognition），重建（reconstruction），约束（regularization），甚至降噪（denoising），超分辨（super-resolution），除马赛克（Demosaicing）等等....

2）深度学习（Deep Learning）是机器学习的一个子类，一般特指学习高层数的网络结构。这个结构中通常会结合线性和非线性的关系。

Deep Learning 也会分各种不同的模型，比如 CNN, RNN, DBN...他们的解法也会不同。

Deep Learning 目前非常流行，因为他们在图像，视觉，语音等各种应用中表现出了很好的 empirical performance。并且利用 gpu 的并行运算，在模型相当复杂，数据特别大量的情况下，依然可以达到很理想的学习速度。

因为 Deep Learning 往往会构建多层数，多节点，多复杂度的模型，人们依然缺乏多里面学习的结构模型的理解。很多时候，Deep Learning 甚至会被认为拥有类似于人类神经网络的结构，并且这种类似性被当做 deep learning 居然更大 potential 的依据。但答主个人认为，其实这略有些牵强...听起来更像是先有了这种 network 的结构，再找一个类似性。当然，这仅仅是个人观点...（私货私货）

3）大数据（Big Data，我们也叫他逼格数据....）是对数据和问题的描述。通常被广泛接受的定义是 3 个 V 上的“大”：Volume（数据量）, Velocity（数据速度）还有 variety（数据类别）。大数据问题（Big-data problem）可以指那种在这三个 V 上因为大而带来的挑战。

Volume 很好理解。一般也可以认为是 Large-scale data（其实学术上用这个更准确，只是我们出去吹逼的时候就都叫 big data 了...）。“大”可以是数据的维度，也可以是数据的 size。一般 claim 自己是 big-data 的算法会比较 scalable，复杂度上对这两个不敏感。算法和系统上，人们喜欢选择并行（Parallel），分布（distributed）等属性的方法来增加 capability。
ITjob----采集

㈤ 是一种处理时序数据的神经网络,常用于语音识别,机器翻译等领域

LSTM（Long Short-Term Memory）是长短期记忆网络，是一种时间循环神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。长短期记忆（Long short-term memory, LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。
LSTM 已经在科技领域有了多种应用。基于 LSTM 的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。

㈥ 词向量 rnn 矩阵是什么样的

矩阵是高等代数学中的常见工具，也常见于统计分析等应用数学学科中。[2] 在物理学中，矩阵于电路学、力学、光学和量子物理中都有应用；计算机科学中，三维动画制作也需要用到矩阵。 矩阵的运算是数值分析领域的重要问题。将矩阵分解为简单矩阵的组合可以在理论和实际应用上简化矩阵的运算。对一些应用广泛而形式特殊的矩阵，例如稀疏矩阵和准对角矩阵，有特定的快速运算算法。关于矩阵相关理论的发展和应用，请参考矩阵理论。在天体物理、量子力学等领域，也会出现无穷维的矩阵，是矩阵的一种推广。

㈦ netcFG:CHMCORNN-RECONFIJ.HTM...........文件不存在能下载不给个地址谢谢

给你个地址吧，我刚试过，可以下的。你用迅雷下就好了~~~~

另外呢，我还想说两句：
你连接宽带时如果出错的话,就是你无法连到网络上时,系统会按照netcfg.hlp给你提供一些错误信息.如下:
600 某操作处于挂起状态。
601 检测到一个无效端口句柄。
602 指定端口已经打开。
603 呼叫方缓冲区太小。
604 指定了错误的信息。
605 无法设置端口信息。
606 无法连接指定端口。
607 检测到无效事件。
608 指定了一个不存在的设备。
609 设备类型不存在。
610 缓冲区无效。
611 路由不可用。
612 路由没有分配。
613 指定了无效的压缩。
614 缓冲区不足。

615 没有找到端口。
616 某异步请求处于挂起状态。
617 端口或设备已经断开。
618 端口没有打开。
619 不能建立到远程计算机的连接，因此用于此连接的端口已关闭。
620 没有端点。
621 无法打开电话簿文件。
622 无法加载电话簿文件。
623 无法找到电话簿项。
624 无法写入电话簿文件。
625 在电话簿中发现的无效信息。
626 无法加载字符串。
627 无法找到键。
628 在连接完成之前，连接被远程计算机终止。

629 数据链接被远程计算机终止。
630 由于硬件失败，端口断开连接。
631 用户已断开端口连接。
632 结构大小不正确。
633 端口已经在使用或没有为“远程访问”拨出配置端口。
634 无法在远程网络注册计算机。
635 未知错误。
636 错误的设备连接到端口。
637 字符串无法转换。
638 请求超时。
639 没有可用的异步网络。
640 发生 NetBIOS 错误。
641 服务器无法分配支持客户端所需的 NetBIOS 资源。

642 已在远程网络上注册了一个 NetBIOS 名称。
643 服务器上的网络适配器出现故障。
644 将无法接收网络弹出式消息。
645 内部身份验证错误。
646 不允许此帐户在一天的这一时间段登录。
647 本帐户已禁用。
648 密码已过期。
649 帐户没有“远程访问”的权限。
650 “远程访问”服务器没有响应。
651 调制解调器（或其他设备）报告了一个错误。
652 设备响应无法识别。
653 没有在设备 .INF 文件部分发现设备所必需的宏。

654 设备 .INF 文件部分中的命令或响应引用到未定义的宏。
655 在设备 .INF 文件部分未发现 <message> 宏。
656 在设备 .INF 文件部分中的 <defaultoff> 宏含有未定义的宏。
657 无法打开设备 .INF 文件。
658 设备 .INF 文件或媒体 .INI 文件中的设备名太长。
659 媒体 .INI 文件引用了未知的设备名。
660 设备 .INF 文件不包含对该命令的响应。
661 设备 .INF 文件缺少一条命令。
662 试图设置一个没有列在设备 .INF 文件部分的宏。

663 媒体 .INI 文件引用了未知的设备类型。
664 无法分配内存。
665 端口不是为“远程访问”配置的。
666 调制解调器（或其他设备）不起作用。
667 无法读取媒体 .INI 文件。
668 连接已除去。
669 媒体 .INI 文件中的用法参数无效。
670 不能从媒体 .INI 文件中读取部分名称。
671 不能从媒体 .INI 文件中读取设备类型。
672 不能从媒体 .INI 文件中读取设备名称。
673 不能从媒体 .INI 文件中读取使用方法。

674 不能从媒体 .INI 文件中读取最大连接 BPS 速率。
675 不能从媒体 .INI 文件中读取最大载波 BPS 速率。
676 线路忙。
677 人工应答而不是调制解调器应答。
678 远程计算机没有响应。
679 无法检测载波。
680 没有拨号音。
681 设备报告的常见错误。
691 拒绝访问，因为用户名和/或密码在域中无效。
692 端口或连接的设备内的硬件故障。
695 未启动状态机器。
696 已启动状态机器。
697 响应循环未完成。

699 设备响应引起缓冲区溢出。
700 设备 .INF 文件中的扩展命令太长。
701 设备移动到 COM 驱动程序不支持的 BPS 速率。
703 连接需要用户信息，但应用程序不允许用户交互。
704 回拨号码无效。
705 授权状态无效。
707 出现与 X.25 协议有关的错误。
708 本帐户已过期。
709 在域中修改密码的错误。
710 与调制解调器通信时检测到串口超载错误。
711 在此计算机上的配置错误阻止此连接。
712 Biplex 端口正在初始化。等几秒钟再重拨。

713 没有活动的 ISDN 线路可用。
714 没有足够的 ISDN 通道可用于呼叫。
715 电话线质量太差而产生了太多的错误。
716 “远程访问 IP”配置不能用。
717 在“远程访问 IP”地址的静态池中没有可用的 IP 地址。
718 因为远程计算机没有及时反应，此连接已被终止。
719 PPP 已被远程计算机终止。
720 无法建立与远程计算机的连接。可能需要更改此连接的网络设置。
721 远程计算机没响应。
722 PPP 数据包无效。
723 电话号码（包含前缀及后缀在内）太长。

726 不能同时将 IPX 协议用于多个端口的拨出。
728 找不到连接到“远程访问”的 IP 适配器。
729 只有在安装了 IP 协议之后，才能使用 SLIP。
731 未配置协议。
732 PPP 协商没有会合。
733 不能完成到远程计算机的连接。
734 PPP 链接控制协议被终止。
735 请求的地址被服务器拒绝。
736 远程计算机终止了控制协议。
737 检测到环回。
738 服务器没指定地址。
739 远程服务器不能使用加密的密码。

740 为“远程访问”配置的 TAPI 设备无法初始化或没有正确安装。
741 本地计算机不支持加密。
742 远程服务器不支持加密。
743 远程服务器要求加密。
752 处理脚本时遇到语法错误。

NETCFG.HLP文件其实这个文件是网络组组件的帮助文件，当出现网络拨号等问题是系统提示缺少NETCFG.HLP文件其实意思是你的系统没有这个帮助文件,不能马上显示问题的解决方法和建议,即是这个文件是一个帮助文档,并不是上网要用到的系统重要文件!

解决办法：

1、重新恢复系统，即进行系统还原。

2、将netcfg.hlp文件复制到c:\windows\help文件夹中即可。(系统中的帮助文件都存放在help文件夹中)
参考资料：

㈧ 如何评价新提出的RNN变种SRU

一、动机：

相信搞deep learning & NLP 的朋友都遇到过以下问题，

RNN的训练实在是太慢了！这点跑过 RNN & CNN的自然懂，无需我多言。

模型的应用性和实验的可重复性。某模型在某任务A or B上效果很炸。但其他任务呢？模型是否开源？有没有附上实验代码证明可重复性？

网络结构的可解释性。阅读到新的网络/模型的时候，是否碰到过“这东西为什么有效”的疑问 ？举个栗子，下图是谷歌利用强化学习找到的循环网络单元NASCell，是不是问号脸（??）：

相反很多简单的东西不仅效果好，并且更具有解释性，比如残差（resial）和 注意力机制（attention）。

基于上述三点，SRU及其相关工作旨在提出和探索“简单快速并更具解释性的循环神经网络”。我们对SRU进行了较广泛的测试，同时开源全部代码。希望得到更多检验，甚至帮助找到更有效的模型。

关于可解释性的一点补充：我对目前常用的RNN的理解是，它们将序列相似度更好的encode在了hidden state中 （they better encode sequence similarity，不太确定怎么用中文表达），因此能更好的泛化。我的presentation和近期工作有涉及到一些[13, 6], 有时间我会在回答中加入更多讨论。。

二、原创性，包括与Quasi-RNN的联系：

坦白地说，我们之前并不知道Quasi-RNN的工作。在SRU的报告完成之后，我发给了圈内朋友阅读并提供修改建议。Yoon Kim 知道Quasi-RNN所以建议我引用这篇工作。于是我在论文出现在arxiv公共平台之前草率的引用了Q-RNN。我们没有预料到SRU会这么快在Github / Twitter / Facebook火起来。不到一天的时间就看到Q-RNN作者包括Richard Socher带有质疑的帖子吓了一跳 -_-b，现在经过交流双方算是和解了（想八卦的同学可以翻墙fb，贴子在这里）。没有适当引用和比较相关工作是我们的锅，我们已经修改并提交了第二版本。

回到主题，SRU可以追溯到我和小伙伴们今年ICML 17甚至更早的15年论文 [6,7,8]。因此，我个人并不太赞同SRU就是Quasi-RNN的说法。理由如下，

(1) 网络结构：Quasi-RNN的核心是在 k-gram CNN（文本卷积）的基础上使用 adaptive gating。在讨论k-gram卷积的时候，通常不会使用k=1既 window size 1作为运行参数。这点在包括Q-RNN本身的许多论文中都有体现 [1,2,3,4,5]。SRU中的矩阵变换虽然可以看做 k=1的情况，但这跟声称“所有前馈神经网络（fast forward network）都是 k=1 卷积” 或者 “VGG net 和 GoogLeNet 是 AlexNet 改成3*3卷积然后加深度”没有本质差别。

此外，很多循环/卷积网络变种是殊途同归的。以"CNN + adaptive weighting"这种思路为例，仅仅本人所知就包括华为实验室15年的 genCNN [9]，我们15年提出的RCNN [8,7]，FAIR提出的Gated ConvNet [4] 等等。Q-RNN的作者也承认，很难声称谁是“第一”，重要得是去实现和验证想法：

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 的研究人员最先提出并开源的 [10,11]。这点我们在论文中讲的很清楚，而不像一些同学认为的由Q-RNN提出。由于Q-RNN使用卷积核conv2d，自带比传统RNN好很多的加速效果。在SRU中，因为h[t-1]的依赖被去掉，导致可以夸时间维（或者输入位置）并行加速，这点跟conv2d / Q-RNN是一样的。

(3) 残差链接：在我们 ICML-17 [6] 的工作中已经对简化的RNN结构加入残差链接（highway connection）。SRU的结构极其变种已经出现在第一部分PTB的实验中（[6] Figure 3）。这些工作包括实验、理论解释和相关证明实际上在17年前已经完成，并收录在 17年1月毕业答辩之后的毕业论文中 [12]。在此基础上，SRU和其加速是为了提高应用性，同时在更多的任务数据集上测试该模型有效性。

㈨ 什么是波动率指数

1987的全球股灾后，为稳定股市与保护投资者，纽约证券交易所(NYSE)于1990年引进了断路器机制(Circuit-breakers)，当股价发生异常变动时，暂时停止交易，试图降低市场的波动性来恢复投资者的信心。但断路器机制引进不久，对于如何衡量市场波动性市场产生了许多新的认识，渐渐产生了动态显示市场波动性的需求。因此，在NYSE采用断路器来解决市场过度波动问题不久，芝加哥期权交易所从1993年开始编制市场波动率指数(Market Volatility Index，VIX)，以衡量市场的波动率。
CBOE 在1973年4月开始股票期权交易后，就一直有通过期权价格来构造波动率指数的设想，以反映市场对于的未来波动程度的预期。其间有学者陆续提出各种计算方法，Whaley(1993)[1] 提出了编制市场波动率指数作为衡量未来股票市场价格波动程度的方法。同年，CBOE开始编制VIX 指数，选择S&P100 指数期权的隐含波动率为编制基础，同时计算买权与卖权的隐含波动率，以考虑交易者使用买权或卖权的偏好。
VIX表达了期权投资者对未来股票市场波动性的预期，当指数越高时，显示投资者预期未来股价指数的波动性越剧烈；当VIX指数越低时，代表投资者认为未来的股价波动将趋于缓和。由于该指数可反应投资者对未来股价波动的预期，并且可以观察期权参与者的心理表现，也被称为“投资者情绪指标”(The investor fear gauge )。经过十多年的发展和完善，VIX指数逐渐得到市场认同，CBOE于2001年推出以NASDAQ 100指数为标的的波动性指标 (NASDAQ Volatility Index ,VXN)； CBOE2003年以S&P500指数为标的计算VIX指数，使指数更贴近市场实际。2004年推出了第一个波动性期货（Volatility Index Futures）VIX Futures， 2004年推出第二个将波动性商品化的期货，即方差期货 (Variance Futures)，标的为三个月期的S&P500指数的现实方差(Realized Variance)。2006年，VIX指数的期权开始在芝加哥期权交易所开始交易
计算波动率指数（VIX）需要的核心数据是隐含波动率，隐含波动率由期权市场上最新的交易价格算出，可以反映市场投资者对于未来行情的预期。其概念类似于债券的到期收益率(Yield To Maturity)：随着市场价格变动，利用适当的利率将债券的本金和票息贴现，当债券现值等于市场价格时的贴现率即为债券的到期收益率，也就是债券的隐含报酬率。在计算过程中利用债券评价模型，通过使用市场价格可反推出到期收益率，这一收益率即为隐含的到期收益率。