Den tid som behövs för att utföra utbildning kan vara betydande beroende på datorns hastighet, antalet dagar data (känd som "faktadagar"), och antalet neuroner i varje lager. När systemet når ett stabilt tillstånd, är den klar för ytterligare testning. Du kan utföra "walk-forward" testa genom att skapa en test le bestående av faktadagar som inte användes under träning. Beroende på testresultaten, kan du behöva göra om systemet, inklusive dess arkitektur, lärande lag, indata, eller metoder och omfattningen av förbehandling.
Du kan även behöva ändra den prognostiserade utgång som du vill förutsäga. Till skillnad från utbildning, under testa anslutnings styrkor inte justeras för att kompensera för fel. Om ditt system inte kan träna på vissa parade data, kan den innehålla motsägelsefulla eller tvetydig information. Du bör ompröva alla dina dataingångar eller eliminera överflödiga indata massera metoder före omskolning. När nätverket har utbildat framgångsrikt, är det lätt för den att förutse den förväntade produktionen i realtid.
Allt du behöver göra är att förse den med de nödvändiga indata, precis som du gjorde under utbildningen. Men som med testning, är inga justeringar gjorts anslutnings styrkor. Du bör överväga omskolning ditt system med jämna mellanrum, experimentera med olika uppgifter och massera tekniker. Neurala handelssystem utgör en viktig milstolpe i utvecklingen av analytiska verktyg för tidsserier prognoser på nancial marknaderna.
Med möjligheten att utveckla exible, adaptiva handelssystem, som inte är beroende av predened handelsregler för att modellera marknaderna, lovar "sjätte generationen" teknik för att överbrygga klyftan mellan teknisk och fundamental analys. Det ger dem samman till en kombinerad handelsstrategi som fullt ut erkänner effekten av Interanalys "på de globala marknaderna under 1990-talet. Omdömen