A diferencia de los sistemas de negociación técnica populares en la década de 1980, los sistemas de comercio neuronales artificiales utilizan un proceso iterativo "entrenamiento" para pronosticar los precios y las señales de trading sin basada en reglas "optimización" de los parámetros del sistema o indicadores técnicos . En cambio, los sistemas neurales "aprender" las relaciones ocultas dentro de los datos técnicos y fundamentales seleccionados que son predictivos del futuro nivel de precios de un mercado específico.
Este artículo examina los pasos a seguir en la aplicación de la tecnología de la computación neuronal a los mercados financieros. En primer lugar, es necesario especificar la salida que desea pronosticar. Usted debe identificar los datos de entrada apropiado que el sistema necesita para generar un pronóstico preciso. A continuación, el tipo, el tamaño y la estructura de su sistema neuronal debe dened. Finalmente, el sistema tiene que ser entrenado y luego a prueba antes de que pueda ser utilizado como una herramienta de predicción en el comercio en tiempo real.
La mayoría de los sistemas neuronales financiera o "redes neuronales" generan números reales en la forma de precios previstos, o clasificaciones tales como señales de compra /venta o direcciones de tendencia como sus salidas proyectadas.
Los datos de entrada deben ser seleccionados en base a su relevancia a la salida que desea pronosticar. A diferencia de los sistemas convencionales de negociación técnica, sistemas neuronales funcionan mejor cuando se utilizan datos de entrada tanto técnicos como fundamentales.
Los más datos de entrada, el mejor el sistema pueden discriminar los patrones subyacentes ocultos que afectan a su productividad. Antes de entrenar el sistema, los datos deben ser preprocesados o "masajes", ya que los sistemas neuronales funcionan mejor con números relativos, en lugar de números absolutos. Por ejemplo, es preferible utilizar los cambios en los niveles de precios en lugar de los precios diarios reales como sus entradas y salidas. Sistemas neuronales consisten en una o más capas de neuronas interconectadas.
En un sistema típico, hay tres tipos de capas: una capa de entrada, una capa oculta, y una capa de salida. Una elección de la arquitectura del sistema aplicado con éxito a nancial previsión que se conoce como una red de alimentación directa con retropropagación supervisado aprendizaje. Este diseño tiene dos o más capas. Las neuronas dentro de