Hvordan utforme en Artificial Neural Trading System

eksempel, i en Tbond prisprognoser system, hvis inngangsdata omfatter hver dags sluttkurs spread mellom TBonds og DMark, japanske yen, Tbills, eurodollar, sveitsiske franc og Dollar Index, samt Fed Funds Rate og Dow Jones Utility Gjennomsnittlig (totalt åtte kategorier av data), opprinnelig inngangslaget kan bestå av åtte neuroner. Hvis du preprocess dataene ved å ta en en-dagers momentum på sluttkurs på hvert av disse markedene, eller glatte tidsserien med glidende gjennomsnitt, vil du øke antall inngangs nevroner tilsvarende.

Avhengig av antall inngangs markeder og utbredelsen av den forbehandling, er det ikke uvanlig for et neural-system for å ha flere hundre inngangsnerveceller. Med veiledet læring, ville hver dags inngangsdata oppgitt til systemet under trening også inkludere neste dags Tbond priser. Før trening bør du tilfeldig shufe sammenkoblede inngangsdata, slik at data ikke blir presentert for systemet kronologisk. Den skjulte lag nevronene ikke kommuniserer direkte med omverdenen.

Dette er hvor nettverket skaper sin interne symbolsett for å registrere inndata til en form som fanger opp de skjulte sammenhenger i dataene, slik at systemet til å generalisere. Å velge det passende antall av neuroner i det skjulte laget og antall skjulte lag for å bruke, er ofte funnet ved eksperimentering. For få nevroner hindre systemet fra trening. Hvis det er valgt for mange nevroner, husker systemet den skjulte mønstre uten å være i stand til å generalisere.

Deretter, dersom det senere blir presentert med ulike mønstre, vil det være i stand til å forutsi nøyaktig fordi det ikke har skjelnet de skjulte relasjoner. Formatet på produksjonen som du ønsker å forutsi bestemmer antall utgang nevroner som trengs. Hver utgang kategorien bruker en nervecelle. Hvis du ønsker å forutsi neste dags høy, lav, midtpunkt, og en kjøpe, selge, eller stå side signal for Tbonds, ville systemet trenger seks utgang lag nevroner. Under trening, er systemets prognosert produksjon av neste dags Tbond priser og signal i forhold til deres kjente verdier.

Prognosefeil brukes til å endre hvert nevron tilknytning styrke eller vekt, slik at i løpet av de påfølgende trening gjentakelser, vil systemet prognose være nærmere den faktiske verdien. "Lærings lov" for et gitt nettverk regulerer hvordan du kan endre disse tilkoblings vekter for å minimalisere utgangs feil under senere trening gjentakelser. Mens det er mange lærings lover som kan brukes til nervesystemer, en av de mest populære er de