Sådan Design en kunstig Neural Trading System

kategorier anvendes, med hver kategori optage en indgang neuron. For eksempel i en Tbond pris prognosesystem, hvis dit input data omfatter hver dags slutkurs spændet mellem TBonds og DMark, japanske yen, Tbills, Eurodollar, schweiziske franc og Dollar Index, samt Fed Funds Rate og Dow Jones Utility Gennemsnit (alt otte kategorier af data), først inputlaget vil bestå af otte neuroner.

Hvis du preprocess data ved at tage en en-dags momentum på lukkekursen på hvert af disse markeder, eller glat tidsserierne med glidende gennemsnit, vil du forøge antallet af input neuroner i overensstemmelse hermed. Afhængig af antallet af inputmarkederne og bredt for forbehandling, er det ikke ualmindeligt for et neuralt system har flere hundrede input neuroner. Med overvåget læring, ville hver dags input data til systemet under uddannelsen også omfatte næste dags Tbond priser.

Før træning bør du tilfældigt shufe de parrede inputdata, således at data ikke præsenteres for systemet kronologisk. De skjulte lag neuroner ikke interagerer direkte med omverdenen. Det er her, det netværk skaber sin interne symbol indstillet til at optage input data i en form, der fanger de skjulte relationer i dataene, gør det muligt for systemet at generalisere. Valg af passende antal neuroner i det skjulte lag og antallet af skjulte lag til brug, findes ofte gennem eksperimenter. For få neuroner forhindre systemet i uddannelse.

Hvis der er valgt for mange neuroner, systemet husker de skjulte mønstre uden at kunne generalisere. Så, hvis det efterfølgende præsenteres med forskellige mønstre, vil det være i stand til at forudsige præcist, fordi det ikke har skelnes de skjulte relationer. Formatet af output, som du ønsker at forudsige bestemmer antallet af output-neuroner nødvendige. Hver udgang kategori anvender en neuron. Hvis du ønsker at forudsige den næste dags høj, lav, midtpunktet, og et køb, sælge, eller stå til side signal til Tbonds ville systemet har brug for seks output lag neuroner.

Under træning, er systemets forventede effekt af den næste dags Tbond priser og signal i forhold til deres kendte værdier. Prognosefejl bruges til at ændre hver enkelt neuron tilslutning styrke eller vægt, så under efterfølgende træning iterationer, vil systemet prognose være tættere på den faktiske værdi. Den "learning lov" for en given netværk regulerer, hvordan man ændre disse forbindelse vægte for at minimere output fejl under senere uddannelse iterationer. Mens der er mange læring love, der kan anvendes