对于一个预测模型，精准的预测精度是首要的条件,较高的预测精度能够帮助市场的决策者作出更好的判断。在过去的几年里，一些基于数据挖掘和机器学习的方法，如神经网络neural network, NN和支撑向量机(support vector machine, SVM已经被广泛地应用到分类

和回归问题中。由于神经网络和支撑向量机在分类问题和回归问题上的良好性能，神经网络和支撑向量机已经被成功地应用到股票价格波动的预测中。Sureshkumar和Elango利用人工神经网络预测股票价格并评价了神经网络在股票预测问题上的性能。L Cao和ETay则是利用支撑向量机预测股票的价格。为了进-步提高股票价格预测的精度，一些改进的算法和学习策略被应用到股票价格预测的问题上。

已有研究指出利用多种市场数据源可以比只使用单一数据源获得更好的预测精度。近年来,一些研究者致力于通过在历史价格数据中加入其它有用的数据来提高股票价格预测的性能。-些研究者指出，市场新闻有助于提高预测的精度。Schumaker 和Chen提出结合股票历史价格和市场新闻的方法进行股票价格的预测。Li和Wang同时考息市场新闻和股票历史价格来提高预测的精度。

对数据科学家来说，预测证券市场走势是一项非常有诱惑力的工作，当然，他们这样做的目的很大程度上并不是为了获取物质回报，而是为了挑战自己。证券市场起起伏伏、变幻莫测，试想一下，如果在这个市场里存在一些我们或者我们的模型可以学习到的既定模式，让我们可以打败那些商科毕业的操盘手，将是多么美妙。一众挑战者们都希望在每日收益率上能够跑赢市场，但是大多数都失败了，也认清了一个道理，不要在每日收益率上锱铢必较，学会容忍适当的短期亏损，放长线才能钓大鱼。

所谓的深度学习不过是基于历史数据进行拟合的归纳法罢了，如果把深度学习用来做股票预测，长期的是expected亏钱的，因为市场在变，规律在变，历史可能重演，但是又不尽相同。下面我深入介绍一下深度学习：

（1）研究背景和理论基础

1958年，Rosenblatt提出感知机模型（ANN）

1986年，Hinton提出多隐层构造深层神经网络（MNN）

2006年，Hinton提出深度置信网络（DBN），成为深度学习的主要框架

然后，此算法的高效性由Bengio实验验证成功