In tegenstelling tot de technische handelssystemen populair in de jaren 1980, kunstmatige neurale trading systemen maken gebruik van een iteratieve "training" proces om de prijzen en de handel signalen zonder rule-based "optimalisatie" van het systeem parameters of technische indicatoren voorspellen . In plaats daarvan, neurale systemen "leren" de verborgen relaties binnen geselecteerde technische en fundamentele gegevens die voorspellend voor toekomstig prijsniveau een specifieke markt zijn.
In dit artikel wordt ingegaan op de stappen te volgen in het toepassen van neurale computing-technologie om de financiële markten. Eerst moet je naar de uitgang die u wilt voorspellen opgeven. Je moet de juiste ingang gegevens die het systeem nodig heeft om een accurate voorspelling te genereren identificeren. Vervolgens het type, de grootte en structuur van uw neurale systeem moet worden dened. Uiteindelijk moet het systeem getraind en getest voordat het kan worden gebruikt als een voorspellend gereedschap in real-time handel.
De meeste financiële neurale systemen of "neurale netwerken" genereren reële getallen in de vorm van verwachte prijzen, of classificaties zoals buy /sell signalen of trend richting als hun verwachte output.
Input gegevens moeten worden geselecteerd op basis van de relevantie om de output die u wilt voorspellen. In tegenstelling tot conventionele technische handelssystemen, neurale systemen werken het beste wanneer zowel technische en fundamentele ingang gegevens worden gebruikt.
Hoe meer invoergegevens, des te beter het systeem de verborgen onderliggende patronen die de productiviteit beïnvloeden discrimineren. Voordat u het systeem te trainen, moeten de gegevens worden voorbewerkt of "gemasseerd", omdat neurale systemen beter werken met relatieve aantallen, in plaats van absolute aantallen. Bijvoorbeeld heeft het de voorkeur om veranderingen in prijsniveau plaats werkelijke dagelijkse prijzen als invoer en uitvoer. Neurale systemen bestaan uit een of meer onderling verbonden lagen van neuronen.
In een typisch systeem zijn er drie typen lagen: een invoerlaag, een verborgen laag, en een uitgang laag. Een keuze van het systeem architectuur met succes toegepast op forecasting nancial staat bekend als een feed-forward netwerk met back-propagatie gesuperviseerd leren. Dit ontwerp heeft twee of meer lagen. Neuronen in een laag niet met elkaar verbonden, terwijl neuronen in één laag ontvangt input van elk neuron in de vorige laag sture