Nødvendig tid til å utføre trening kan være betydelig avhengig av datamaskinens hastighet, antall dager med data (kjent som "fakta-dager"), og antall nevroner i hvert lag. Når systemet når en stabil tilstand, er den klar for videre testing. Du kan utføre "walk-forward" testing ved å opprette en testing le består av fakta dager som ikke ble brukt under trening. Avhengig av testresultatene, må du kanskje å redesigne systemet, inkludert sin arkitektur, læring loven, inndata, eller metoder og omfang av forbehandling. Du kan selv trenger å endre den forventede produksjonen som du ønsker å forutsi.
I motsetning til trening, er under testing tilkoblings styrker ikke justert for å kompensere for feil. Hvis systemet ikke kan trene på visse parede data, kan det inneholde motstridende eller tvetydig informasjon. Du bør revurdere hver av dine data innganger eller eliminere overflødige inndata masserer metoder før omskolering. Når nettverket har trent med hell, er det lett for den å forutsi forventet produksjon i sanntid. Alt du trenger å gjøre er å gi det nødvendige inngangsdata, akkurat som du gjorde under trening. Men som med testing, er ingen justeringer gjøres for å tilkoblings styrke.
Du bør vurdere omskolering systemet med jevne mellomrom, eksperimentere med ulike data og masserer teknikker. Neural handelssystemer representerer en viktig milepæl i utviklingen av analytiske verktøy for tidsserier prognoser i nancial markeder. Med muligheten til å utvikle exible, adaptive handelssystemer, som ikke er avhengige av predened handelsregler for å modellere markedene, og lover "sjette generasjon" teknologi for å bygge bro over gapet mellom teknisk og fundamental analyse.
Det bringer dem sammen til en kombinert trading strategi som fullt ut anerkjenner betydningen av Inter analyse "i de globale markedene i 1990-årene. Anmeldelser