Hvordan utforme en Artificial Neural Trading System

I motsetning til tekniske handelssystemer populære på 1980-tallet, kunstige nevrale handelssystemer bruker en iterativ "trening" prosess å forutsi priser og trading signaler uten regelbasert "optimalisering" system parametere eller tekniske indikatorer . I stedet nevrale systemer "lære" de skjulte sammenhenger innen utvalgte tekniske og fundamentale data som er prediktive for et bestemt marked fremtidige prisnivået. Denne artikkelen tar for seg skritt for å følge i å søke nevrale datateknologi til finansmarkedene. Først må du spesifisere output som du ønsker å forutsi.

Du bør identifisere riktig inngangsdata som systemet trenger for å generere en nøyaktig prognose. Deretter type, størrelse og struktur av nevrale systemet må dened. Endelig har system for å bli trent, og deretter testet før det kan brukes som en prediktiv verktøy i sanntid trading. De fleste finans nevrale systemer eller "nevrale nettverk" generere reelle tall i form av forventede priser, eller klassifikasjoner som kjøper /selger signaler eller trend retninger som sine prosjekterte utganger.

Input data skal velges basert på relevans til utgangen som du ønsker å forutsi.

I motsetning til konvensjonelle tekniske handelssystemer, nevrale systemer fungerer best når både tekniske og fundamentale inngangsdata brukes. Jo flere inngangsdata kan bedre systemet diskriminerer de skjulte underliggende mønstre som påvirker dens produktivitet. Før du trener systemet, bør dataene preprocessed eller "massert", siden nevrale systemer fungerer bedre med relative tall, enn absolutte tall. For eksempel er det å foretrekke å bruke endringer i prisnivå heller enn faktiske daglige priser som dine innganger og utgang.

Neural systemer består av ett eller flere sammenhengende lag av nerveceller. I et typisk system er det tre typer av lag: et inngangslag, et skjult lag og et utgangslag. Ett valg av systemarkitektur vellykket anvendt nancial prognoser er kjent som en feed-forward nettverk med back-forplantning overvåket læring. Denne utformingen har to eller flere lag. Nevroner i et lag ikke er sammenkoblet, mens nevroner i ett lag mottar inngangssignaler fra hver neuron i det foregående laget og sende utganger bare til hver neuron i det følgende lag.

Dette oppnås ved å tildele forbindelses vekter eller styrken til forbindelsene. Inngangslaget mottar inngangsdata. Antall nevroner i dette laget bestemmes av hvor mange forskjellige datakategorier er brukt, med hver kategori tar opp en inngang nevron. For