Sieć neuronowa
Sieć neuronowa to szereg algorytmów, które usiłują rozpoznać leżące u podstaw relacje w zbiorze danych poprzez proces naśladujący sposób działania ludzkiego mózgu. W tym sensie sieci neuronowe odnoszą się do układów neuronów o charakterze organicznym lub sztucznym. Sieci neuronowe mogą dostosowywać się do zmieniających się danych wejściowych; dzięki czemu sieć generuje najlepszy możliwy wynik bez konieczności przeprojektowywania kryteriów wyjściowych. Koncepcja sieci neuronowych, która ma swoje korzenie w sztucznej inteligencji, szybko zyskuje popularność w rozwoju systemów handlowych.
Podstawy sieci neuronowych
Sieci neuronowe w świecie finansów pomagają w rozwoju takiego procesu, jak prognozowanie szeregów czasowych, handel algorytmiczny, klasyfikacja papierów wartościowych, modelowanie ryzyka kredytowego oraz konstruowanie własnych wskaźników i pochodnych cen.
Sieć neuronowa działa podobnie do sieci neuronowej ludzkiego mózgu. „Neuron” w sieci neuronowej to funkcja matematyczna, która gromadzi i klasyfikuje informacje zgodnie z określoną architekturą. Sieć silnie przypomina metody statystyczne, takie jak dopasowanie krzywej i analiza regresji.
Sieć neuronowa zawiera warstwy połączonych węzłów. Każdy węzeł jest perceptronem i jest podobny do wielokrotnej regresji liniowej. Perceptron podaje sygnał wytworzony przez wielokrotną regresję liniową do funkcji aktywacyjnej, która może być nieliniowa.
W perceptronie wielowarstwowym (MLP) perceptrony są ułożone w połączone ze sobą warstwy. Warstwa wejściowa zbiera wzorce wejściowe. Warstwa wyjściowa ma klasyfikacje lub sygnały wyjściowe, na które wzorce wejściowe mogą być mapowane. Na przykład wzory mogą zawierać listę ilości wskaźników technicznych dotyczących zabezpieczenia; potencjalnymi produktami wyjściowymi mogą być „kup”, „wstrzymaj” lub „sprzedaj”.
Ukryte warstwy dostosowują wagi wejściowe, aż margines błędu sieci neuronowej będzie minimalny. Przypuszcza się, że ukryte warstwy ekstrapolują istotne cechy w danych wejściowych, które mają moc predykcyjną w odniesieniu do wyników. Opisuje to ekstrakcję cech, która osiąga użyteczność podobną do technik statystycznych, takich jak analiza głównych składników.
Kluczowe dania na wynos
- Sieci neuronowe to szereg algorytmów, które naśladują operacje ludzkiego mózgu w celu rozpoznania związków między ogromnymi ilościami danych.
- Są one wykorzystywane w różnych aplikacjach w usługach finansowych, od prognoz i badań marketingowych po wykrywanie oszustw i ocenę ryzyka.
- Wykorzystanie sieci neuronowych do prognozowania cen na giełdzie jest różne.
Zastosowanie sieci neuronowych
Sieci neuronowe są szeroko stosowane, z aplikacjami do operacji finansowych, planowania przedsiębiorstw, handlu, analityki biznesowej i konserwacji produktów. Sieci neuronowe zyskały również szerokie zastosowanie w aplikacjach biznesowych, takich jak rozwiązania do prognozowania i badań marketingowych, wykrywanie oszustw i ocena ryzyka.
Sieć neuronowa ocenia dane cenowe i odkrywa możliwości podejmowania decyzji handlowych na podstawie analizy danych. Sieci potrafią rozróżnić subtelne nieliniowe współzależności i wzorce, których inne metody analizy technicznej nie potrafią. Według badań dokładność sieci neuronowych przy sporządzaniu prognoz cen dla zapasów jest różna. Niektóre modele przewidują prawidłowe ceny akcji na 50 do 60 procent czasu, podczas gdy inne są dokładne w 70 procentach wszystkich przypadków. Niektórzy twierdzą, że 10-procentowy wzrost wydajności to wszystko, czego inwestor może zażądać od sieci neuronowej.
Zawsze będą zestawy danych i klasy zadań, które lepiej przeanalizować przy użyciu wcześniej opracowanych algorytmów. Liczy się nie tyle algorytm; to dobrze przygotowane dane wejściowe na docelowym wskaźniku ostatecznie określają poziom sukcesu sieci neuronowej.
Porównaj rachunki inwestycyjne Nazwa dostawcy Opis Ujawnienie reklamodawcy × Oferty przedstawione w tej tabeli pochodzą od partnerstw, od których Investopedia otrzymuje wynagrodzenie.