Neural Systems

les neurones dans une couche ne se connectent pas à l'autre . Les neurones entre les couches communiquent entre eux en ayant des poids spécifiques mathématiques (ou forces de connexion) affectés à leurs connexions. Par exemple, vous voudrez peut-être de développer un système d'échange de prédire les prix des bons du Trésor du lendemain. Concevoir l'architecture appropriée pour votre système nerveux est très exigeante, avec plus d'une douzaine de modèles différents de neurones disponibles.

Un type de système de neurones que je l'ai largement utilisé pour des applications de prévision financiers est connue comme une "anticipation", système "de propagation de retour" par "apprentissage supervisé". Avant la formation, le système neuronal a un "esprit vierge". Ensuite, vous fournissez le système avec une grande quantité de données intermarchés technique liés à TBonds, y compris les diverses monnaies, eurodollars, l'US Dollar Index, l'indice S & P 500, ainsi que les données fondamentales telles que le taux des Fed Funds.

Systèmes neuronaux portent le concept de "l'analyse intermarchés» à sa conclusion logique en étant en mesure d'analyser mathématiquement et peser l'impact relatif que chaque marché a d'entrée sur la prédictivité du système. Ces entrées doivent être prétraités ou "massés en utilisant diverses procédures statistiques, afin de répondre aux besoins de formation du système. Ensuite, ils sont jumelés avec des prix quotidiens réels sur les obligations du Trésor (le sortie désirée).

Il est essentiel que la méthode de l'architecture du système, de l'apprentissage, données d'entrée, les sorties et les techniques de massage sont judicieusement choisis pour que le système de former correctement. L'apprentissage est accompli par un, mathématique, processus itératif complexe dans lequel le système neuronal est "formé" sur les données d'entrée en utilisant l'analyse d'erreur statistique.

Pendant la formation , chaque fois que les projections du système sont incorrectes, les poids des connexions entre les neurones sont modifiées pour minimiser ces erreurs lors des itérations suivantes. Chaque paire de sorties d'entrée /de données est appelé un fait. Le système apprend en ayant ces signaux d'erreur se propagent vers l'arrière à travers les couches de neurones à éviter la même erreur ne se reproduise chaque fois qu'un fait est la technique de George Lindsay appliquée.