Neural Systems

n forskellige neurale mønstre til rådighed. En type neurale system, som jeg har brugt i udstrakt grad for finansielle prognoser applikationer er kendt som en "feedforward", "back formering" system "overvåget læring". Før træning, det neurale system har en "blank sind". Så du giver systemet med en omfattende mængde intermarket tekniske data vedrørende TBonds, herunder forskellige valutaer, Eurodollars, den amerikanske dollar Index, S & P 500, samt grundlæggende data såsom fed funds-renten.

Neurale systemer bærer begrebet "intermarket analyse" til sin logiske konklusion ved at kunne matematisk analysere og afveje den relative betydning, at hver indgang markedet har på predictiveness af systemet. Disse indgange skal forbehandles eller "masseres ved hjælp af forskellige statistiske procedurer, for at opfylde uddannelsesbehov systemets. Så de er parret med de faktiske daglige priser på statsobligationer (det ønskede output).

Det er afgørende, at systemets arkitektur, læring metode, input data, output, og masserer teknikker er skønsomt udvalgt, for at systemet til at træne ordentligt. Læring opnås gennem en kompleks, matematisk, iterativ proces, hvor det neurale system "trænet" på input data ved hjælp af statistiske fejl analyse. Under træningen , når systemets fremskrivninger er forkerte, er vægtene forbindelsen mellem neuroner modificeret for at minimere sådanne fejl under efterfølgende iterationer. Hver input /output par af data kaldes en kendsgerning.

Systemet lærer ved at have disse fejlsignaler udbrede baglæns gennem de neurale lag til forhindre den samme fejl sker igen, hver gang en kendsgerning er George Lindsay teknik anvendes.