Till skillnad från tekniska handelssystem populära på 1980-talet, artificiella neurala handelssystem använder en iterativ "utbildning" process att förutse priser och handel signaler utan regelbaserade "optimering" av systemparametrar eller tekniska indikatorer . Istället neurala system "lära" de dolda relationer inom utvalda tekniska och grundläggande uppgifter som är prediktiva för en specifik marknad framtida prisnivå. Denna artikel undersöker de steg att följa vid tillämpningen av neural computing-teknik för att de finansiella marknaderna.
Först måste du ange utgång som du vill att förutse. Du bör identifiera lämpliga indata som systemet behöver för att generera en korrekt prognos. Då typ, storlek och struktur i din neural systemet måste dened. Slutligen har systemet för att utbildas och testades sedan innan den kan användas som ett prediktivt verktyg i realtid handel. De flesta finansiella neurala system eller "neurala nätverk" generera reella tal i form av förväntade priser, eller undergrupper såsom köp /säljsignaler eller trend riktningar som deras förväntade resultat.
Omdömen
Indata skall väljas baserat på dess relevans till utgången som du vill att förutse. Till skillnad från konventionella tekniska handelssystem, neurala system fungerar bäst när både tekniska och grundläggande indata används. Ju fler indata, kan bättre systemet diskriminera de dolda underliggande mönster som påverkar dess produktivitet. Innan du tränar systemet, bör uppgifterna förbehandlas eller "masserade", eftersom neurala system fungerar bättre med relativa tal, snarare än absoluta tal.
Till exempel, är det att föredra att använda förändringar i prisnivån snarare än faktiska dagspriser som dina ingångar och utgång. Neurala system består av en eller flera sammankopplade skikt av neuroner. I ett typiskt system finns det tre typer av lager: en ingångsskikt, ett dolt lager, och en utgångsskikt. Ett val av systemarkitektur tillämpats med framgång på nancial prognos är känd som en frammatningsnätet med backpropagation övervakad inlärning. Denna design har två eller flera skikt.
Neuroner inom ett skikt inte är sammankopplade, medan neuroner i ett lager får input från varje neuron i föregående lager och skicka utgångar endast till varje neuron i följande skiktet. Detta åstadkommes genom att tilldela förbindelsevikterna eller styrkor till anslutningarna. Ingångsskiktet mottar ingångsdata. Antalet neuroner i detta skikt bestäms av hur många olika datakategorier används, med