Sådan Design en kunstig Neural Trading System

I modsætning til tekniske handelssystemer populære i 1980'erne, kunstige neurale handelssystemer bruger en iterativ "træning" proces at forudsige priser og handel signaler uden regelbaseret "optimering" af systemets parametre eller tekniske indikatorer . I stedet neurale systemer "lære" de skjulte relationer inden udvalgte tekniske og fundamentale data, der er prædiktive for et specifikt marked fremtidige prisniveau. Denne artikel undersøger de skridt til at følge i at anvende neurale computing teknologi til de finansielle markeder.

Først skal du angive det output, som du ønsker at forudsige. Du bør identificere den relevante datainput, at systemet har brug for at generere en præcis prognose. Så den type, størrelse og struktur dit neurale Systemet skal dened. Endelig skal systemet være uddannet og derefter testes, før det kan anvendes som en prædiktiv redskab i realtid handel. De fleste finansielle neurale systemer eller "neurale netværk" generere reelle tal i form af forventede priser, eller klassifikationer som køb /salg signaler eller trend retninger som deres forventede output.

Input data bør vælges baseret på dens relevans til det output, som du ønsker at forudsige. I modsætning til konventionelle systemer tekniske handelssystemer, neurale systemer fungerer bedst, når der anvendes både tekniske og fundamentale inputdata. Jo flere input data, kan det bedre systemet diskriminere de skjulte underliggende mønstre, der påvirker dens produktivitet. Før du træner systemet, bør dataene forbehandlet eller "masseres", da neurale systemer fungerer bedre med relative tal, snarere end absolutte tal.

For eksempel, er det at foretrække at anvende ændringer i prisniveauet snarere end faktiske daglige priser som dine input og output. Neurale systemer består af en eller flere indbyrdes forbundne lag af neuroner. I et typisk system er der tre typer af lag: et input lag, et skjult lag, og et output lag. Et valg af systemarkitektur anvendt med succes til nancial forecasting er kendt som en feed-forward netværk med back-propagation overvåget indlæring. Dette design har to eller flere lag.

Neuroner i et lag ikke er forbundet med hinanden, mens neuroner i et lag modtager input fra hver neuron i det foregående lag og sende udgange kun til hver neuron i det efterfølgende lag. Dette opnås ved at tildele forbindelsen vægte eller styrker til tilslutningerne. Inputlaget modtager inputdata. Antallet af neuroner i dette lag er bestemt af, hvor mange forskellige data