Neurale Systems

dige gewichten (of sterktes ervan) die aan hun verbindingen. Bijvoorbeeld, wilt u misschien een handelssysteem voor de volgende dag Treasury Bond prijzen voorspellen. Het ontwerpen van de juiste architectuur voor uw neurale systeem is heel veeleisend, met meer dan een dozijn verschillende neurale ontwerpen. Eén type neuraal systeem heb ik veelvuldig gebruikt voor financiële forecasting toepassingen is bekend als een "feedforward", "back propagatie" systeem "gecontroleerde leren". Voor de training, het neurale systeem heeft een "blanco mind".

Dan is het systeem bieden u een uitgebreide onderlinge technische gegevens met betrekking tot TBonds, waaronder diverse valuta's, Eurodollars, de US Dollar Index, de S & P 500, evenals de fundamentele gegevens zoals de Fed Funds rate. Neurale systemen dragen het concept van "onderlinge analyse" naar zijn logische conclusie door te kunnen wiskundig analyseren en wegen van de relatieve impact die elke ingang markt op het predictiveness van het systeem.

Deze ingangen moeten worden voorbewerkt of "gemasseerd met behulp van diverse statistische methoden, met het oog op de opleiding eisen van het systeem te voldoen. Dan worden ze gekoppeld aan werkelijke dagelijkse prijzen van staatsobligaties (de gewenste output). Het is cruciaal dat de architectuur van het systeem, leermethode, invoergegevens, uitgangen en masseren technieken oordeelkundig gekozen zodat het systeem goed te leiden. Leren wordt bereikt door een complexe wiskundige, iteratief proces waarbij de neurale wordt "getraind" op de invoergegevens met behulp van statistische foutanalyse.

Tijdens training wanneer uitsteeksels van het systeem onjuist, de verbindingsgewichten tussen neuronen worden gemodificeerd om dergelijke fouten bij latere iteraties minimaliseren. Elke ingang /uitgang stel data wordt een feit. Het systeem leert doordat deze foutsignalen propageren achteruit door de neuronale lagen voorkomen dat dezelfde fout van het gebeuren opnieuw elke keer dat een feit is George Lindsay techniek toegepast.