Kunstige neurale systemer er Information Processing modeller, der efterligner, hvordan den menneskelige hjerne bearbejder information. I modsætning til konventionelle, regelbaserede tekniske handelssystemer populære i 1980'erne, behøver neurale systemer ikke behøver Redened handel regler eller "optimering" af tekniske indikatorer til at generere handel signaler. I stedet gennem en iterativ "træning" proces, neurale systemer "lære" de underliggende foreninger og årsagssammenhænge inden tekniske, såvel som grundlæggende data påvirker en specic bestand eller råvare pris.
Derefter, med en høj grad af nøjagtighed, kan neurale systemer forudsige fremtidige priser og handel signaler til dette marked. Kunstige neurale systemer kaldes også neurale netværk, neurale computere, adaptive systemer, naturligt intelligente systemer, eller neurale net. De er modelleret efter strukturen og funktionen af hjernen. Fordi de kan generalisere fra tidligere erfaringer, repræsenterer neurale systemer en betydelig fremgang i løbet af regelbaserede handelssystemer, som kræver en kyndig ekspert til at definere "hvis-så" handelsreglerne for at repræsentere markedets dynamik.
Det er praktisk taget umuligt at forvente, at en ekspert kan udtænke handelsregler som tegner sig for, og præcist afspejler, flygtige og hurtigt skiftende markedsforhold. Ufleksible, regel baserede systemer simpelthen ikke dynamisk adaptiv trods periodiske reoptimizations af et systems indikatorer. Mens nutidens handelssystemer, udnytte historiske optimeringsprocedurer, risikerer at blive "over-optimeret" eller "kurve-monteret", når alt for mange tekniske indikatorer eller regler er ansat, neurale systemer gevinst i predictiveness som flere datainput bruges under træning.
Men det er ikke så nemt som det lyder. Udvikle en rentabel neurale handelssystem er meget en kunst og ikke en videnskab, der kan følges cookbookstyle. Der er mange alvorlige design spørgsmål, der skal løses i forbindelse med udvikling og uddannelse en neuralt handelssystem, hvis det skal være forudsigelig, og vigtigst, rentable.
Typisk neuroner inden et lag ikke forbindelse til hinanden . Neuroner mellem lag kommunikerer med hinanden ved at have specifikke matematiske vægte (eller forbindelsesstyrker) tildelt til deres forbindelser.
For eksempel kan du ønsker at udvikle et handelssystem til at forudsige næste dags Treasury Bond priser. Design af passende arkitektur for dit neurale system er ganske krævende, med mere end et dusi