Cómo diseñar un Neuronales Artificiales Trading System

una capa no están conectados entre sí, mientras que las neuronas de una capa reciben aportaciones de cada neurona en la capa anterior y enviar salidas sólo para cada neurona en la capa siguiente. Esto se logra mediante la asignación de los pesos de conexión o puntos fuertes para las conexiones. La capa de entrada recibe datos de entrada. El número de neuronas en esta capa se determina por cuántos se utilizan diferentes categorías de datos, con cada categoría ocupando neurona una entrada.

Por ejemplo, en un sistema de previsión de precios Tbond, si los datos de entrada incluye el precio de cierre propagación de cada día entre TBonds y la dmark, Yen Japonés, Tbills, eurodólares, el franco suizo y el dólar Index, así como la Fed Funds Rate y Utilidad de Dow Jones Media (un total de ocho categorías de datos), inicialmente la capa de entrada se compone de ocho neuronas.

Si usted puede procesar previamente el de datos mediante la adopción de un impulso de un día sobre el precio de cierre de cada uno de estos mercados, o suavizar la serie de tiempo con las medias móviles, aumentará el número de neuronas de entrada en consecuencia. Dependiendo del número de mercados de insumos y la extensión de la preprocesamiento, no es raro para un sistema neural de tener varios cientos de neuronas de entrada. Con el aprendizaje supervisado, los datos de entrada de cada día previstos para el sistema durante el entrenamiento también incluirían precios Tbond del día siguiente.

Antes de la formación que debe shufe aleatoriamente los datos de entrada emparejados, por lo que los datos no se presenta al sistema cronológicamente. Las neuronas de la capa oculta no interactúan directamente con el mundo exterior. Aquí es donde la red crea su símbolo interno establecido para grabar los datos de entrada en una forma que captura las relaciones ocultas dentro de los datos, permitiendo que el sistema de generalizar. Selección del número apropiado de neuronas en la capa oculta y el número de capas ocultas a utilizar, se encuentra a menudo a través de la experimentación.

Muy pocas neuronas impiden que el sistema de entrenamiento. Si se seleccionan demasiadas neuronas, el sistema memoriza los patrones ocultos sin ser capaces de generalizar. Entonces, si posteriormente se presentó con diferentes patrones, será incapaz de predecir con exactitud, ya que no ha discernido las relaciones ocultas. El formato de la salida que se desea pronosticar determina el número de neuronas de salida necesarios. Ca