股票市场是一个复杂的非线性动态系统，而神经网络不仅其有强大的非线性映射能力，可以实现任何复杂的因果关系，而且还具有许多优良品质，如自学习、自适应和容错等特性，能够从大量的历史数据中进行聚类和学习，进而找到某些行为变化的规律。
这里的案例基于RBF网络进行股市预测的原理，利用三层神经网络对股市建立预测模型，包括网络的拓扑结构、隐节点的确定原则、样本数据的选取和预处理、初始参数的确定等问题。另外，针对股价变化极其复杂，并随着时间的推移，其内在的规律不断去旧换新的特点，在传统的RBF网络的基础上，提出了专门针对股价这一特点的自适应在线学习、在线预测算法。
RBF网络的结构
RBF神经网络是由Moody和Darken提出的一种神经网络模型。它模拟了人脑中局部调整、相互覆盖接受域的神经网络结构，具有很强的生物背景和逼近任意非线性函数的能力。RBF网络是一种三层结构的前馈网络，其拓扑结构如图10-7所示。根据图中箭头所示从左到右分别为输入层、隐含层和输出层。
图10-7 RBF神经网络结构
其中，输入层节点只传递输入信号到隐含层，隐含层的基函数为非线性的，它对输入信号产生一个局部化的响应，即每一个隐含层节点有一个参数矢量称之为中心。该中心用来与网络输入矢量相比较以产生径向对称响应，仅当输入落在一个很小的指定区域中时，隐含层节点才做出有意义的非零响应，响应值在0到1之间，输入层节点。与基函数中心的距离越近，隐含层节点响应越大；输出单元是线性的，即输出单元对隐含层节点输出进行线性加权组合。
