Neuralt nätverk

Vad är ett neuralt nätverk?

Ett neuralt nätverk är en serie algoritmer som strävar efter att känna igen underliggande relationer i en uppsättning data genom en process som efterliknar hur den mänskliga hjärnan fungerar. I denna mening hänvisar neurala nätverk till system av nervceller, antingen organiska eller artificiella till sin natur.

Neurala nätverk kan anpassa sig till förändrad input; så att nätverket genererar bästa möjliga resultat utan att behöva designa om utdatakriterierna. Konceptet med neurala nätverk, som har sina rötter i artificiell intelligens, vinner snabbt popularitet i utvecklingen av handelssystem.

Grunderna i neurala nätverk

Neurala nätverk i finansvärlden hjälper till med utvecklingen av processer som tidsserieprognoser, algoritmisk handel , värdepappersklassificering,. kreditriskmodellering och konstruktion av proprietära indikatorer och prisderivat .

Ett neuralt nätverk fungerar på samma sätt som den mänskliga hjärnans neurala nätverk. En "neuron" i ett neuralt nätverk är en matematisk funktion som samlar in och klassificerar information enligt en specifik arkitektur. Nätverket har en stark likhet med statistiska metoder som kurvanpassning och regressionsanalys.

Ett neuralt nätverk innehåller lager av sammankopplade noder. Varje nod är en känd som perceptron och liknar en multipel linjär regression. Perceptronen matar signalen som produceras av en multipel linjär regression till en aktiveringsfunktion som kan vara olinjär.

Flerskiktad perceptron

I en multi-layered perceptron (MLP) är perceptroner arrangerade i sammankopplade lager. Inmatningsskiktet samlar in inmatningsmönster. Utgångsskiktet har klassificeringar eller utsignaler till vilka ingångsmönster kan mappas. Till exempel kan mönstren innefatta en lista med kvantiteter för tekniska indikatorer om ett värdepapper; potentiella resultat kan vara "köp", "håll" eller "sälj".

Dolda lager finjusterar ingångsviktningarna tills det neurala nätverkets felmarginal är minimal. Det antas att dolda lager extrapolerar framträdande särdrag i indata som har prediktiv kraft när det gäller utdata. Detta beskriver funktionsextraktion, som åstadkommer ett verktyg som liknar statistiska tekniker som huvudkomponentanalys.

Tillämpning av neurala nätverk

Neurala nätverk används i stor utsträckning, med applikationer för finansiell verksamhet, företagsplanering, handel, affärsanalys och produktunderhåll. Neurala nätverk har också fått en omfattande användning i affärsapplikationer som prognoser och marknadsundersökningslösningar, bedrägeriupptäckt och riskbedömning.

Ett neuralt nätverk utvärderar prisdata och avslöjar möjligheter för att fatta handelsbeslut baserat på dataanalysen. Nätverken kan särskilja subtila olinjära ömsesidiga beroenden och mönster som andra metoder för teknisk analys inte kan. Enligt forskning skiljer sig noggrannheten hos neurala nätverk i att göra prisförutsägelser för aktier. Vissa modeller förutsäger rätt aktiekurser 50 till 60 procent av tiden, medan andra är korrekta i 70 procent av alla fall. Vissa har hävdat att en 10-procentig förbättring av effektiviteten är allt en investerare kan begära från ett neuralt nätverk.

Det kommer alltid att finnas datamängder och uppgiftsklasser som kan analyseras bättre med hjälp av tidigare utvecklade algoritmer. Det är inte så mycket algoritmen som spelar roll; det är väl förberedda indata på den riktade indikatorn som i slutändan avgör framgångsnivån för ett neuralt nätverk.

Höjdpunkter

– Framgången för neurala nätverk för att förutsäga aktiemarknaden varierar.

– Som sådana tenderar de att likna kopplingarna mellan neuroner och synapser som finns i hjärnan.

– Neurala nätverk är en serie algoritmer som efterliknar operationerna hos en djurhjärna för att känna igen relationer mellan stora mängder data.

– De används i en mängd olika tillämpningar inom finansiella tjänster, från prognoser och marknadsundersökningar till bedrägeriupptäckt och riskbedömning.

• Neurala nätverk med flera processlager är kända som "djupa" nätverk och används för djupinlärningsalgoritmer

Vanliga frågor

Vilka är komponenterna i ett neuralt nätverk?

Det finns tre huvudkomponenter: en ingång senare, ett bearbetningslager och ett utdatalager. Indata kan viktas utifrån olika kriterier. Inom bearbetningsskiktet, som är dolt, finns det noder och kopplingar mellan dessa noder, menade att vara analoga med neuronerna och synapserna i en djurhjärna.

Vad är ett återkommande neuralt nätverk?

Ett återkommande neuralt nätverk är ett som är anpassat för att analysera tidsseriedata, händelsehistorik eller tidsordning.

Vad är ett konvolutionellt neuralt nätverk?

Ett faltningsneuralt nätverk är ett anpassat för att analysera och identifiera visuella data som digitala bilder eller fotografier.

Vad är ett djupt neuralt nätverk?

Även känt som ett nätverk för djupinlärning, ett djupt neuralt nätverk, när det är mest grundläggande, är ett som involverar två eller flera bearbetningslager.