Neural Systems

innat. Designing sopiva arkkitehtuuri oman hermo järjestelmä on varsin vaativa, yli tusinaa eri hermostoputken malleja saatavilla. Yksi tyyppi hermo joka olen käyttänyt laajasti taloudellista ennustaminen sovelluksia kutsutaan "feedforward", "takaisin lisääminen" järjestelmä "valvotun oppiminen". Ennen koulutusta, hermo järjestelmä on "tyhjä mieli". Sitten annat järjestelmän laaja määrä Intermarket tekniset tiedot liittyvät TBonds, mukaan lukien eri valuuttoina, Eurodollars, Yhdysvaltain dollari-indeksi, S & P 500 sekä perusoikeuksien tietoja, kuten Fed funds.

Neurojärjestelmät kantaa käsitteen "Intermarket analyysi" sen loogiseen päätökseen voidessaan matemaattisesti analysoimaan ja punnita suhteellinen vaikutus, että kukin tulo markkinoille on siitä predictiveness järjestelmän. Nämä tulot on esikäsitellyt tai "hieroa käyttäen erilaisia ​​tilastollisia menetelmiä, jotta voidaan vastata järjestelmän koulutusvaatimukset. Sitten he ovat parina todellinen päivittäin hinnat valtion joukkovelkakirjalainojen (halutun tehon).

On tärkeää, että järjestelmän arkkitehtuurista, oppimisen menetelmä, lähtötiedot, lähdöt, ja hierovat tekniikoita valita harkitusti, jotta järjestelmä kouluttaa kunnolla. Oppiminen tapahtuu läpi monimutkainen, matemaattinen, iteratiivinen prosessi, jolla hermo järjestelmä on "koulutettu" on lähtötiedot tilastollisin virheanalyysin. Koulutuksen aikana , kun järjestelmän ennusteet ovat virheellisiä, yhteys painot välillä neuronien on muutettu minimoimaan virheet seuraavina toistojen. Jokainen tulo /lähtö pari dataa kutsutaan tosiasia.

Järjestelmä oppii ottaa nämä virhe signaalit etenevät taaksepäin hermosolujen kerrosten estää sama virhe toistuisi aina tosiasia on George Lindsay tekniikkaa sovelletaan.