神经网络是机器学习算法中最流行且最强大的算法。在定量金融中，神经网络通常用于时间序列预测、构建专有指标、算法交易、证券分类和信用风险建模，它也被用来构建随机过程模型和价格衍生工具。尽管它很有用，但神经网络往往因为它们的性能是“不可靠的”而声誉不佳。在我看来，这可能是由于对神经网络工作机制误解所致。本系列将讨论了一些常见的对于神经网络的误解。本文先介绍两个错误的理解：它是人脑的模型，第二它是统计学的一种弱形式。
人类的大脑是我们这个时代最伟大的奥秘，科学家们尚未就其工作原理达成共识。目前有两种大脑理论：即祖母细胞理论和分布式表征理论。第一个理论认为，单个神经元具有很高的处理信息能力，并且能够表达复杂的概念。第二种理论认为，神经元更简单，复杂对象的表示分布在许多神经元中。人工神经网络貌似是受到第二种理论的启发。
我相信目前这一代神经网络不具备感知能力（与智能不同）的一个原因是因为生物神经元比人工神经元复杂得多。
大脑中的单个神经元是一台令人难以置信的复杂机器，即使在今天我们也不明白。而神经网络中的单个“神经元”是一个非常简单的数学函数，只能捕捉生物神经元复杂性的一小部分。所以说神经网络模仿大脑，这在思路上是真的，但真正的人造神经网络与生物大脑没有什么相似之处—— Andrew Ng
大脑和神经网络之间的另一大区别在于规模和组织。人脑比神经网络包含更多的神经元和突触，他们有自我组织能力和适应性。相比之下，神经网络是根据架构来组织的。神经网络不像大脑那样是“自组织”的，与有序网络相比，神经网络更接近图形。
由大脑成像技术发展而来的一些非常有趣的大脑视图。
先比之下，我们只能说神经网络受大脑启发，就像北京的奥林匹克体育场受到鸟巢的启发。这并不意味着奥林匹克体育场就是鸟巢，它只意味着在体育场的设计中存在一些鸟巢的元素。换句话说，大脑的某些元素存在于神经网络的设计中，但它们比我们想像的要少得多。
事实上，神经网络与统计方法（如曲线拟合和回归分析）更密切相关。在定量金融的背景下，我认为重要的是要记忆，因为虽然说“某种东西受到大脑的启发”可能听起来很酷，但这种说法可能会导致不切实际的期望或恐惧。欲了解更多信息，请参阅这篇文章。
曲线拟合也称为函数逼近，神经网络常常用来逼近复杂的数学函数。
神经网络由相互连接的节点层组成，单个节点被称为感知器，类似于多重线性回归。在多层感知器中（MLP），感知器被排列成层并且层与层彼此连接。在MLP中，有三种类型的层：即输入层、隐藏层和输出层。输入层接收输入模式，输出层输入映射的分类或输出信号的列表。隐藏层调整这些输入的权重，直到神经网络的误差最小化。
原文链接
