在银行信贷风险管理中，对贷款按风险进行科学分类非常重要。目前，各商业银行均按照银监会要求实施贷款五级分类制度。一个最基本的分类方法是贷款分类矩阵法。该方法比较简单，但缺乏准确性。因此，需要更加科学先进的方法对贷款进行分类。比较经典的贷款分类模型是判别分析模型，但该方法要求非常苛刻，适用条件在实际中很难被满足。 人工神经元网络模最近发展起来的一种数学模型。它能用来进行模式识别，因此可用于对贷款进行分类，对数据有较强的适应性。结合银行实际情况，我们对各贷款分类模型进行了实证研究。研究发现，判别分析模型的方法的分类正确率为55.6%，人工神经网络为75.0%；判别分析模型的方法组内正确率和组外正确率分别为50.8%和49.9%，人工神经元网络分别为56.9%和51.2%。可

神经网络是一门活跃的边缘性交叉学科.研究它的发展过程和前沿问题，具有重要的理论意义。
人工神经网络（ANN）是以计算机网络系统模拟生物神经网络的智能计算系统。网络上的每个结点相当于一个神经元，经可以记忆（存储）、处理一定的信息，并与其它结点并行工作。求解一个问题是向人工神经网络的某些结点输入信息，各结点处理后向其它结点输出，其它结点接受并处理后再输出，直到整个神经网工作完毕，输出最后结果。如同生物的神经网络，并非所有神经元每次都一样地工作。如视、听、摸、想不同的事件（输入不同），各神经元参与工作的程度不同。当有声音时，处理声音的听觉神经元就要全力工作，视觉、触觉神经元基本不工作，主管思维的神经元部分参与工作；阅读时，听觉神经元基本不工作。在人工神经网络中以加权值控制结

    神经网络是对人类大脑的功能模拟，它可以模仿人脑的并行和非线性思维，极大地延伸了人类的智慧。
    神经计算是计算智能的一种手段，它泛指应用人工神经网络（ANN，Artificial Neural Network）进行的各种不同用途的数值计算方法，它可以模仿人脑的并行和非线性思维，具有自组织、自学习、自适应的智能特性，同时拥有良好的容错性及鲁棒性，因而拥有广泛的应用和巨大的发展潜力。
    从宏观而言，到目前为止，ANN仍是模拟人脑的模式识别、联想、发散思维、判断、决策等经验或直觉的理想工具，其神经元模型、网

　　在一段令人乏味的盘整阶段，投资者不断的在此重复各种错误。分形的特点就是无序的，不规则的，如果你坚持在此阶段进行交易的话，很快你的自信心会受到深深的打击。有时股价会突然放量上涨，也许你还会看到成交量非常大，当你咬牙冲进去时，股价又莫名其妙地无力下跌，然后就是长时间的盘整和清淡，大多数时候这种市场特征背后有各种复杂的原因，有时是大额投资者为了建少许仓位，有时是为别的投资者建仓，有时是为了出点货，有时是为了给别人送点礼，有时是为了盘活部分急需的现金。如果你自做聪明试图猜透别人的 意图而想有所行动时，我劝你尽快放弃这种想法。这种深藏于事件背后的各种原因本身就是无序的和不规则的，你的行动就像极力猜透天空的白云在明天和今天有什么不同一样，那是徒劳的，所以你也

　　我们无法找到世界上最完美的操作系统，但建立相对完善的交易系统还是可以做到的。正确的趋势可以指引我们找到这种东西，它可以保证我们及时化解风险，锁定利润。在沽出股票的十次交易中，即使60%的时候你卖错了，但你必须保证这60%首先没有给整个交易本金造成亏损；剩下的40%中，你有20%卖到半山腰，还有20%你几乎卖到山峰--股价上涨的次高点。好了，你能做到这一点也就足够了，你的收益将不会低的。其实，在我们日常的短线操作中，我们追求的是一种系统性的胜算，而这种系统性的胜算永远都是建立在趋势相对正确的 判断的基础之上的。
　　现在我带领大家直接进入交易世界中经常令人迷惑不解的一个领域：随机盘整趋势。这种形态各异的盘整表现为一种动态的价格

人工神经网络（ Artificial Neural Networks， 简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model） ，是对人脑或自然神经网络（Natural Neural Network）若干基本特性的抽象和模拟。

     人工神经网络以对大脑的生理研究成果为基础 的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。

     国际著名的神经网络研究专家，第一家神经计算机公司的创立者 与领导人Hecht—Nielsen给人工神经网络下的定义就是：“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态相应而进行信息处理。” 这一定义是恰当的。