Neural Systems

a no se conectan entre sí . Las neuronas entre las capas se comunican entre sí por tener pesos específicos matemáticos (o fuerzas de conexión) asignados a sus conexiones. Por ejemplo, es posible que desee desarrollar un sistema de comercio para predecir los precios de los bonos del Tesoro del día siguiente. El diseño de la arquitectura apropiada para su sistema neuronal es bastante exigente, con más de una docena de diferentes diseños neuronales disponible.

Un tipo de sistema neural que he utilizado ampliamente para aplicaciones de pronósticos financieros se conoce como un "feedforward", el sistema de "propagación hacia atrás" con "aprendizaje supervisado". Antes del entrenamiento, el sistema nervioso tiene una "mente en blanco". Entonces usted proporciona el sistema con una extensa cantidad de datos Intermarket técnica relacionados con TBonds, incluyendo diversas monedas, eurodólares, el índice del dólar estadounidense, el S & P 500, así como los datos fundamentales como la tasa de fondos federales.

Sistemas neuronales llevan el concepto de "análisis intersectorial" hasta sus últimas consecuencias por ser capaz de analizar matemáticamente y sopesar el impacto relativo que cada mercado tiene entrada en la capacidad predictiva del sistema. Estas entradas deben ser preprocesados ​​o "masajes utilizando diversos procedimientos estadísticos, con el fin de satisfacer las necesidades de formación del sistema. Luego se combinan con precios diarios reales de los bonos del Tesoro (la salida deseada).

Es muy importante que el método de la arquitectura del sistema, el aprendizaje, de entrada de datos, productos y técnicas de masaje son seleccionados con criterio para que el sistema para entrenar correctamente. El aprendizaje se logra a través de un proceso complejo, matemático, iterativo mediante el cual el sistema neural está "entrenado" en los datos de entrada mediante el análisis de error estadístico.

Durante el entrenamiento , siempre que las proyecciones del sistema son incorrectos, los pesos de conexión entre las neuronas se modifican para minimizar tales errores durante iteraciones posteriores. Cada entrada /par de salida de datos se denomina un hecho. El sistema aprende haciendo que estas señales de error se propagan hacia atrás a través de las capas neuronales a evitar el mismo error vuelva a ocurrir cada vez que un hecho se aplica la técnica de George Lindsay.