Contrairement aux systèmes de trading technique populaires dans les années 1980, les systèmes de négociation de neurones artificiels utilisent une "formation" processus itératif à prévoir les prix et les signaux de trading sans fondé sur des règles "optimisation" des paramètres du système ou des indicateurs techniques . Au lieu de cela, les systèmes neuronaux «apprendre» les relations cachées dans les données techniques et fondamentaux qui sont sélectionnés prédictive de niveau futur des prix d'un marché spécifique.
Cet article examine les étapes à suivre dans l'application de la technologie informatique de neurones pour les marchés financiers. Tout d'abord, vous devez spécifier la sortie que vous voulez à prévoir. Vous devez identifier les données d'entrée approprié que le système a besoin pour générer une prévision précise. Ensuite, le type, la taille et la structure de votre système nerveux doit être dened. Enfin, le système doit être formé et ensuite testé avant qu'il puisse être utilisé comme un outil prédictif dans le trading en temps réel.
La plupart des systèmes neuronaux financière ou "réseaux neuronaux" Générer des nombres réels sous la forme de prix prévus, ou des classifications tels que les signaux d'achat /vente ou indications de tendances que leurs sorties projetées.
Les données d'entrée doivent être sélectionnés en fonction de sa pertinence à la sortie que vous voulez à prévoir. Contrairement aux systèmes classiques de négociation techniques, systèmes neuronaux fonctionnent mieux lorsque les données d'entrée à la fois techniques et fondamentaux sont utilisés.
Les données de plus d'entrée, plus le système peuvent discriminer les modèles cachés sous-jacents qui influent sur sa productivité. Avant que vous vous entraînez le système, les données doivent être prétraités ou «massé», puisque les systèmes de neurones fonctionnent mieux avec des nombres relatifs, plutôt que des chiffres absolus. Par exemple, il est préférable d'utiliser des changements dans les niveaux de prix plutôt que des prix quotidiens réels que vos entrées et sortie. Systèmes de neurones sont constitués d'une ou plusieurs couches de neurones interconnectés.
Dans un système typique, il existe trois types de couches: une couche d'entrée, une couche cachée et une couche de sortie. Un choix de l'architecture du système appliqué avec succès à nancial prévision est connu comme un réseau d'alimentation-avant avec rétro-propagation apprentissage supervisé. Cette conce