Jos esiprosessointiin tiedot ottamalla yhden päivän vauhtia päätöskurssi kunkin näillä markkinoilla tai sileä aikasarjojen kanssa liukuvia keskiarvoja, voit lisätä määrää panos neuronien vastaavasti. Riippuen määrä tuotantopanosten markkinoilla ja laajuudesta, esikäsittely, se ei ole harvinaista hermo järjestelmä on useita satoja panos neuronien. Valvottu oppiminen, kunkin päivän panos tietojen järjestelmään koulutuksen aikana olisi myös seuraavan päivän Tbond hinnat.
Ennen koulutusta sinun pitäisi satunnaisesti shufe pariksi lähtötiedot, niin että tietoja ei esitetä järjestelmää kronologisesti. Piilokerroksen neuronit eivät suorassa vuorovaikutuksessa ulkomaailmaan. Tämä on, jos verkko luo sisäisen symboli asetettu tallentamaan lähtötiedot muotoon kaappaa piilotettu suhteita tiedot, jolloin järjestelmä yleistää. Valitsemalla sopiva määrä neuronien piilokerroksen ja määrä piilotettu kerrosten käyttää, on usein kokeilemalla. Liian vähän neuronien estää järjestelmää koulutuksesta.
Jos liian monta neuronit valitaan, järjestelmä muistaa piilotettu kaavoja voimatta yleistää. Sitten, jos se on myöhemmin esitetty erilaisia kuvioita, se ei voi ennustaa tarkasti, koska se ei ole havaittavissa, piilotettu suhteita. Tulosteen muoto, jonka haluat ennustaa määrää, kuinka monta lähtö neuronien tarvitaan. Jokainen lähtö luokka käyttää yhtä hermosolu. Jos haluat ennustaa seuraavan päivän korkea, matala, keskipiste, ja ostaa, myydä tai sivuun signaali Tbonds, järjestelmä olisi kuusi ulostulokerroksen neuronien.
Koulutuksen aikana järjestelmän ennustettu tuotos seuraavan päivän Tbond hinnat ja signaalia verrataan niiden tunnetut arvot. Ennustevirheitä käytetään muokkaamaan kunkin neuronin yhteyden vahvuus tai painoa, jotta myöhemmissä koulutuksen toistojen, järjestelmä ennuste on lähempänä todellista arvoa. "Oppiminen laki" tietyn verkon hallitsee kuinka muuttaa nämä yhteys painot minimoida tuotoksen virheitä myöhemmin koulutuksen toistojen. Vaikka on olemassa monia oppiminen lakeja, joita voidaan sovel