rbf神经网络即径向基函数神经网络（Radical Basis Function）。径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。

     RBF网络具有很好的通用性。已经证明，只要有足够多的隐层神经元，RBF网络能以任意精度近似任何连续函数。更重要的是， RBF网络克服了传统前馈神经网络的很多缺点，其训练速度相当快，并且在训练时不会发生震荡和陷入局部极小。但是，在进行测试时，RBF网络的速度却比较慢，这是由于待判别示例几乎要与每个隐层神经元的中心向量进行比较才能得到结果。虽然可以通过对隐层神经元进行聚类来提高判别速度，但这样就使得训练时间大为增加，从而失去了RBF网络最基本的优势。另外，通过引入非线性优化技术可以在一定程度上提高学习精度，但这同时也带来了一些缺陷，如局部极小、训练时间长等。现今，人工智能技术突飞猛进，RBF神经网络算法作为流传较广的算法之一，其径向基神经元结构能够快速实现函数逼近、数据聚类、模式分类、优化计算等功能，因而广泛应用于金融领域研究之中。
     RBF神经网络进行数据运算时需要确认聚类中心点的位置及隐层至输出层的权重。通常，选用K-means聚类算法或最小正交二乘法对数据大量的进行训练得出聚类中心矩阵和权重矩阵。一般情况下，最小正交二乘法聚类中心点的位置是给定的，因此比较适合分布相对规律的数据。而K-means聚类算法则会自主选取聚类中心，进行无监督分类学习，从而完成空间映射关系。