Toisin kuin teknisen kaupan järjestelmiä suosittu 1980-luvulla, keinotekoinen hermo kaupankäyntijärjestelmät käyttää iteratiivinen "koulutus" prosessi ennustaa hintojen ja kaupankäynnin signaaleja ilman sääntöihin perustuva "optimointia" järjestelmän parametrit tai tekniset indikaattorit . Sen sijaan, neurojärjestelmät "oppia" piilotettu suhteita valitut tekniset ja perusvapauksien tiedot, jotka ovat ennustavia tietyillä markkinoilla tulevaisuuden hintataso. Tässä artikkelissa tarkastellaan vaiheista soveltamisessa hermo Computing Technology rahoitusmarkkinoille.
Ensinnäkin, sinun täytyy määrittää lähdön, jonka haluat ennustaa. Sinun tulisi löytää sopivat lähtötiedot että järjestelmä tarvitsee voidakseen tuottaa ennusteen. Sitten tyyppi, koko ja rakenne teidän hermo järjestelmä on dened. Lopuksi järjestelmä on koulutettu ja sitten testataan ennen kuin sitä voidaan käyttää ennakoivaa välineenä reaaliajassa kaupankäynti. Useimmat taloudelliset neurojärjestelmät tai "Neuroverkkojen" luoda todellinen määrä muodossa ennakoitujen hintoja, tai luokituksia kuten osto- /myyntisignaalit tai suuntausta suuntiin niiden ennustetaan tuotokset.
Syötä tiedot olisi valittava sen merkitystä lähtöön, jonka haluat ennustaa. Toisin kuin perinteiset teknisen kaupan järjestelmät, neurojärjestelmät toimivat parhaiten, kun sekä tekniset ja perusvapauksien syöttää tietoja käytetään. Enemmän lähtötiedot, parempi järjestelmä voi syrjiä piilotettu taustalla kuvioita, jotka vaikuttavat sen tuottavuutta. Ennen juna järjestelmä, tiedot olisi esikäsitellyt tai "hierotaan", koska neurojärjestelmät toimivat paremmin suhteellisia lukuja, kuin absoluuttisia lukuja.
Esimerkiksi, on edullista käyttää muutoksia hintatason eikä todellisiin päivittäin hintoja tuotantopanosten ja tuotoksen. Neurojärjestelmät koostuvat yhdestä tai useammasta toisiinsa kerroksia neuronien. Tyypillisessä järjestelmässä on kolme kerrosta: tulokerroksen, piilotettu kerros, ja lähtö kerros. Yksi valinta järjestelmäarkkitehtuuri sovellettu onnistuneesti nancial ennustamiseen tunnetaan myötäkytketty verkon back-lisääminen valvottu oppiminen. Tämä muotoilu on kaksi tai useampia kerroksia.
Neuronien sisällä kerros eivät ole yhteydessä toisiinsa, kun taas neuronit yhdessä kerroksessa saavat tuloa jokaisesta neuroni edellisen kerroksen ja lähettää ulos vain jokaiselle neuroni seuraavassa kerroksessa. Tämä toteutetaan määrittämällä yhteys painoja tai vahvuuksia yhteyksiä. Tulo kerros vastaanottaa lähtötietoja.