Neuralt netværk

Hvad er et neuralt netværk?

Et neuralt netværk er en række algoritmer, der bestræber sig på at genkende underliggende forhold i et sæt data gennem en proces, der efterligner den måde, den menneskelige hjerne fungerer på. I denne forstand refererer neurale netværk til systemer af neuroner, enten organiske eller kunstige i naturen.

Neurale netværk kan tilpasse sig skiftende input; så netværket genererer det bedst mulige resultat uden at skulle redesigne outputkriterierne. Konceptet med neurale netværk, som har sine rødder i kunstig intelligens, vinder hurtigt popularitet i udviklingen af handelssystemer.

Grundlæggende om neurale netværk

Neurale netværk i finansverdenen hjælper med udviklingen af processer som tidsserieprognoser, algoritmisk handel , værdipapirklassificering , kreditrisikomodellering og konstruktion af proprietære indikatorer og prisderivater.

Et neuralt netværk fungerer på samme måde som den menneskelige hjernes neurale netværk. Et "neuron" i et neuralt netværk er en matematisk funktion, der indsamler og klassificerer information i henhold til en bestemt arkitektur. Netværket har stor lighed med statistiske metoder som kurvetilpasning og regressionsanalyse.

Et neuralt netværk indeholder lag af indbyrdes forbundne noder. Hver knude er en kendt som perceptron og ligner en multipel lineær regression. Perceptronen føder signalet produceret af en multipel lineær regression til en aktiveringsfunktion, der kan være ikke-lineær.

Multi-Layered Perceptron

I en multi-layered perceptron (MLP) er perceptroner arrangeret i indbyrdes forbundne lag. Inputlaget indsamler inputmønstre. Outputlaget har klassifikationer eller udgangssignaler, som inputmønstre kan afbildes til. For eksempel kan mønstrene omfatte en liste over mængder til tekniske indikatorer om et værdipapir; potentielle output kunne være "køb", "hold" eller "sælg".

Skjulte lag finjusterer inputvægtningerne, indtil det neurale netværks fejlmargin er minimal. Det er en hypotese, at skjulte lag ekstrapolerer fremtrædende træk i inputdataene, der har forudsigelseskraft med hensyn til output. Dette beskriver funktionsekstraktion, som udfører et værktøj, der ligner statistiske teknikker, såsom principal komponentanalyse.

Anvendelse af neurale netværk

Neurale netværk bruges bredt med applikationer til finansielle operationer, virksomhedsplanlægning, handel, forretningsanalyse og produktvedligeholdelse. Neurale netværk har også vundet udbredt anvendelse i forretningsapplikationer såsom løsninger til prognoser og marketingundersøgelser, afsløring af svindel og risikovurdering.

Et neuralt netværk evaluerer prisdata og afdækker muligheder for at træffe handelsbeslutninger baseret på dataanalysen. Netværkene kan skelne subtile ikke-lineære indbyrdes afhængigheder og mønstre, som andre metoder til teknisk analyse ikke kan. Ifølge forskning er nøjagtigheden af neurale netværk til at lave prisforudsigelser for aktier forskellig. Nogle modeller forudsiger de korrekte aktiekurser 50 til 60 procent af tiden, mens andre er nøjagtige i 70 procent af alle tilfælde. Nogle har påstået, at en forbedring på 10 procent i effektivitet er alt, hvad en investor kan bede om fra et neuralt netværk.

Der vil altid være datasæt og opgaveklasser, som kan analyseres bedre ved at bruge tidligere udviklede algoritmer. Det er ikke så meget algoritmen,. der betyder noget; det er de velforberedte inputdata på den målrettede indikator, der i sidste ende bestemmer succesniveauet for et neuralt netværk.

Højdepunkter

• Succesen for neurale netværk til forudsigelse af aktiemarkedskurser varierer.

• Som sådan har de en tendens til at ligne forbindelserne mellem neuroner og synapser, der findes i hjernen.

• Neurale netværk er en række algoritmer, der efterligner en dyrehjernes operationer for at genkende sammenhænge mellem enorme mængder data.

• De bruges i en række forskellige applikationer inden for finansielle tjenesteydelser, fra prognoser og marketingundersøgelser til afsløring af svindel og risikovurdering.

• Neurale netværk med flere proceslag er kendt som "dybe" netværk og bruges til deep learning algoritmer

Ofte stillede spørgsmål

Hvad er komponenterne i et neuralt netværk?

Der er tre hovedkomponenter: et senere input, et behandlingslag og et outputlag. Inputtet kan vægtes ud fra forskellige kriterier. Inden for behandlingslaget, som er skjult for øje, er der noder og forbindelser mellem disse noder, beregnet til at være analoge med neuronerne og synapserne i en dyrehjerne.

Hvad er et tilbagevendende neuralt netværk?

Et tilbagevendende neuralt netværk er et, der er tilpasset til at analysere tidsseriedata, hændelseshistorie eller tidsmæssig rækkefølge.

Hvad er et konvolutionelt neuralt netværk?

Et foldet neuralt netværk er et, der er tilpasset til at analysere og identificere visuelle data såsom digitale billeder eller fotografier.

Hvad er et dybt neuralt netværk?

Også kendt som et dybt læringsnetværk er et dybt neuralt netværk, når det er mest basalt, et, der involverer to eller flere behandlingslag.