Sådan Design en kunstig Neural Trading System

til neurale systemer, en af ​​de mest populære dem er den generelle Delta Regel eller Back-formering metode. Under hver iteration af uddannelse, de parrede data præsenteret til netværket genererer en fremadrettet ow af aktivering fra input til output lag. Så, hvis udgangene forventede af systemet er ukorrekte, er en ow informationsmængde, der produceres bagud fra output laget til input lag, justering af vægte forbindelse. Så på den næste træning iteration, når systemet præsenteres med de samme parrede inputdata, vil det være mere præcis i sin prognose.

Den nødvendige tid til at udføre træning kan være betydelige, afhængigt af din computers hastighed, antallet af dage af data (kendt som "fact-dage"), og antallet af neuroner i hvert lag. Når systemet når en stabil tilstand, er den klar til yderligere afprøvning. Du kan udføre "walk-forward" test ved at oprette en test le består af fact-dage, som ikke blev brugt under træning. Afhængigt af testresultaterne, skal du muligvis at redesigne systemet, herunder dets arkitektur, læring lov, input data eller metoder og omfanget af forbehandling.

Du kan endda nødt til at ændre den forventede output, som du ønsker at forudsige. I modsætning til træning, er under afprøvning af forbindelsesstyrker ikke justeret for at kompensere for fejl. Hvis dit system ikke kan træne på visse parrede data, kan det indeholde modstridende eller tvetydige oplysninger. Du bør revurderer hver af dine data indgange eller eliminere overflødige inputdata masserer metoder før omskoling. Når dit netværk har trænet med succes, er det nemt for den at forudsige den forventede output i realtid.

Alt du skal gøre er at give det de nødvendige input data, ligesom du gjorde under træning. Men som med test, ingen justeringer til forbindelsesindstillingerne styrker. Du bør overveje omskoling dit system med jævne mellemrum, at eksperimentere med forskellige data og masserer teknikker. Neurale handelssystemer udgør en vigtig milepæl i udviklingen af ​​analytiske værktøjer til tidsserie forudsigelse på nancial markeder.

Med evnen til at udvikle exible, adaptive handelssystemer, som ikke er afhængige af predened handelsregler at modellere markederne, denne "sjette generation" teknologi lover at bygge bro mellem teknisk og fundamental analyse. Det bringer dem sammen til en samlet handelsstrategi, der fuldt ud anerkender virkningen af ​​intermarket analyse "på de globale markeder i 1990'erne.