主要功能：在mnist数据库上做实验，验证工具箱的有效性 算法流程：1）载入训练样本和测试样本  2）设置CNN参数，并进行训练  3）进行检测cnntest() 注意事项：1）由于直接将所有测试样本

　　函数名称：cnnsetup  输入参数：net，待设置的卷积神经网络；x，训练样本；y，训练样本对应标签；  输出参数：net，初始化完成的卷积神经网络  主要功能：对CNN的结构进行初始化 算法流程

　　%%========================================================================= %函数名称：cnntrain（） %输入参数：n

　　函数名称：cnnff（） 输入参数：net，神经网络；x，训练数据矩阵； 输出参数：net，训练完成的卷积神经网络 主要功能：使用当前的神经网络对输入的向量进行预测 算法流程：1）将样本打乱，随机选择

　　函数名称：cnnbp（） 输入参数：net，呆训练的神经网络；y，训练样本的标签，即期望输出 输出参数：net，经过BP算法训练得到的神经网络 主要功能：通过BP算法训练神经网络参数 实现步骤：1）将

　　函数名称：cnnapplygrads（），权值更新函数 输入参数：net，权值待更新的卷积神经网络；opts，神经网络训练的相关参数 输出参数： 算法流程：先更新卷积层的参数，再更新全连接层参数 注意

　　最近研究了几天深度学习的Matlab工具箱代码，发现作者给出的源码中注释实在是少得可怜，为了方便大家阅读，特对代码进行了注释，与大家分享。 　　在阅读Matlab工具箱代码之前，建议大家阅读几篇CNN

　　There are many deep learning resources freely available online,but it can be confusing knowing where

　　缠论      缠论是一种择时类的技术理论，借助数学中的形态分类方法和物理中的动力学理论来解释市场走势。以市场走势中的 K 线图为基础，通过包含关系处理后，分辨出走势图中的分型（顶分型和底分型），根据

　　Deep Learning Tutorials-深度学习笔记及代码，介绍最基础的逻辑回归、多层感知器、自动编码器、CNNs、LSTM等深度学习算法。

　　一． 缠论理论体系梳理及精髓解读 1.1 K线包含处理目的：清洗K线数据，识别顶底分型 相邻两K线可能出现包含关系（ 注： K线包含影线，且不分阴阳线）       1.2 分型：对局部高低点的识别（

　　本文以Bremen大学机器学习课程的教程为基础的。总结了使用机器学习解决新问题的一些建议。包括： 可视化数据的方法 选择一个适合当前问题的机器学习方法 鉴别和解决过拟合和欠拟合问题 处理大数据库问题（

　　学术界和实务界对股票收益的预测都比较感兴趣。因素模型一般用一些经济指标作为解释变量来预测股票收益。例如D/P, E/P, B/M等估值比率。这些模型大多数关注的是样本内检验，虽然回归结果显示这些比率对

　　资本资产定价模型（CAPM） CAPM模型由Sharpe等人以Markowitz的资产组合理论为基础进一步发展得到，是将经济学原理应用在金融领域的重要理论成果，几十年来广泛应用于风险投资、公司金融等领

　　RNN简介 RNN 不同于传统神经网络的感知机的最大特征就是跟时间挂上钩，即包含了一个循环的网络，就是下一时间的结果不仅受下一时间的输入的影响，也受上一时间输出的影响，进一步地说就是信息具有持久的影响