这篇文章是对贝叶斯神经网络的一个初步认识，可以理解下。
[随着人工智能技术的普及，用机器学习预测市场价格波动的方法最近层出不穷。本文中，Alex Honchar 介绍了利用概率编程和 Pyro 进行价格预测的方法，相较于常规神经网络，新方法对于数据的依赖程度更小，结果更准确。在实验中，作者选择了最近流行的虚拟货币「以太币」作为实例进行价格预测。]
去年我曾发表过几篇有关使用神经网络进行金融价格预测的教程，我认为其中有一部分结果至少还挺有意思，并且值得在实际交易中加以应用。如果你阅读过这些文章，你一定注意到一个现象：当你试图将一些机器学习模型应用于「随机」数据并希望从中找到隐藏规律的时候，训练过程往往会产生严重的过拟合。我们曾使用不同的正则化技术和附加数据应对这个问题，但是这不仅很费时，还有种盲目搜索的感觉。
今天，我想介绍一个略微有些不同的方法对同样的算法进行拟合。使用概率的观点看待这个问题能够让我们从数据本身学习正则化、估计预测结果的确定性、使用更少的数据进行训练，还能在模型中引入额外的概率依赖关系。我不会过多深入贝叶斯模型或变分原理的数学、技术细节，而是会给出一些概述，也更多地将讨论集中在应用场景当中。文中所用的代码可以在以下链接中找到：https://github.com/Rachnog/Deep-Trading/tree/master/bayesian
与此同时，我也推荐大家查阅我此前发布的基于神经网络的财务预测教程：
1. 简单时间序列预测（错误纠正完毕）
2. 正确一维时间序列预测+回测
3. 多元时间序列预测
4. 波动预测和自定义损失
5. 多任务和多模式学习
6. 超参数优化
7. 用神经网络进行经典策略强化
为了更深入地了解概率规划、贝叶斯模型以及它们的应用，我推荐你在以下资源网站中查看：
-
模式识别和机器学习
-
黑客贝叶斯方法
-
下面即将提到的库文件
另外，你还可能会用到下列 Python 库：
-
PyMC3 (https://github.com/pymc-devs/pymc3)
-
Edward (http://edwardlib.org/)
-
Pyro (http://pyro.ai/)
概率编程
这个「概率」指的是什么？我们为什么称其为「编程」呢？首先，让我们回忆一下我们所谓「正常的」神经网络指的是什么、以及我们能从中得到什么。神经网络有着以矩阵形式表达的参数（权重），而其输出通常是一些标量或者向量（例如在分类问题的情况下）。当我们用诸如 SGD 的方法训练这个模型后，这些矩阵会获得固定值。与此同时，对于同一个输入样本，输出向量应该相同，就是这样！但是，如果我们将所有的参数和输出视为相互依赖的分布，会发生什么？神经网络的权重将与输出一样，是一个来自网络并取决于参数的样本——如果是这样，它能为我们带来什么？
让我们从基础讲起。如果我们认为网络是一个取决于其他分布的数集，这首先就构成了联合概率分布 p(y, z|x)，其中有着输出 y 和一些模型 z 的「内部」隐变量，它们都取决于输入 x（这与常规的神经网络完全相同）。我们感兴趣的是找到这样神经网络的分布，这样一来就可以对 y ~ p(y|x) 进行采样，并获得一个形式为分布的输出，该分布中抽取的样本的期望通常是输出，和标准差（对不确定性的估计）——尾部越大，则输出置信度越小。
这种设定可能不是很明确，但我们只需要记住：现在开始，模型中所有的参数、输入及输出都是分布，并且在训练时对这些分布进行拟合，以便在实际应用中获得更高的准确率。我们也需要注意自己设定的参数分布的形状（例如，所有的初识权重 w 服从正态分布 Normal（0,1），之后我们将学习正确的均值和方差）。初始分布即所谓的先验知识，在训练集上训练过的分布即为后验知识。我们使用后者进行抽样并得出结果。
图源：http://www.indiana.edu/~kruschke/BMLR/
模型要拟合到什么程度才有用？通用结构被称为变分推理（variational inference）。无需细想，我们可以假设，我们希望找到一个可以得到最大对数似然函数 p_w（z | x）的模型，其中 w 是模型的参数（分布参数），z 是我们的隐变量（隐藏层的神经元输出，从参数 w 的分布采样得到），x 是输入数据样本。这就是我们