Neural Network
Et neuralt netværk er en række algoritmer, der bestræber sig på at genkende underliggende forhold i et datasæt gennem en proces, der efterligner den måde, den menneskelige hjerne fungerer på. I denne forstand henviser neurale netværk til neuronsystemer, enten organiske eller kunstige. Neurale netværk kan tilpasse sig skiftende input; så netværket genererer det bedst mulige resultat uden at skulle ændre outputkriterierne igen. Begrebet neurale netværk, der 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 en sådan proces som prognoser i tidsserier, algoritmisk handel, værdipapirklassificering, kreditrisikomodellering og konstruktion af proprietære indikatorer og prisderivater.
Et neuralt netværk fungerer på samme måde som den menneskelige hjerne neurale netværk. En "neuron" i et neuralt netværk er en matematisk funktion, der indsamler og klassificerer information i henhold til en bestemt arkitektur. Netværket ligner en stærk lighed med statistiske metoder såsom kurvepasning og regressionsanalyse.
Et neuralt netværk indeholder lag af sammenkoblede noder. Hver knude er en perceptron og ligner en multiple lineær regression. Perceptronen indfører signalet, der produceres ved en multiple lineær regression, til en aktiveringsfunktion, der kan være ikke-lineær.
I en flerlags perceptron (MLP) er perceptroner arrangeret i indbyrdes forbundne lag. Inputlaget opsamler inputmønstre. Outputlaget har klassifikationer eller udgangssignaler, som inputmønstre kan kortlægge. For eksempel kan mønstrene omfatte en liste over mængder til tekniske indikatorer om en sikkerhed; potentielle output kan være "køb, " "hold" eller "sælg."
Skjulte lag finindstiller input-vægtningerne, indtil det neurale netværks fejlmargin er minimal. Det antages, at skjulte lag ekstrapolerer fremtrædende funktioner i inputdataene, der har forudsigelsesevne med hensyn til output. Dette beskriver funktionsekstraktion, der opnår et nyttigt stof, der ligner statistiske teknikker såsom analyse af hovedkomponenter.
Key takeaways
- Neurale netværk er en række algoritmer, der efterligner operationerne i en menneskelig hjerne for at genkende forhold mellem store mængder data.
- De bruges i en række forskellige applikationer inden for finansielle tjenester, fra prognoser og markedsundersøgelser til bedrageri afsløring og risikovurdering.
- Brug af neurale netværk til forudsigelse af aktiekurser varierer.
Anvendelse af neurale netværk
Neurale netværk bruges bredt med applikationer til finansielle operationer, virksomhedsplanlægning, handel, forretningsanalyse og produktvedligeholdelse. Neurale netværk har også fået udbredt vedtagelse i forretningsapplikationer såsom prognoser og markedsføringsforskningsløsninger, bedrageri afsløring og risikovurdering.
Et neuralt netværk vurderer prisdata og afsløringsmuligheder 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 undersøgelser er nøjagtigheden af neurale netværk ved beregning af prisforudsigelser for bestande forskellige. Nogle modeller forudsiger de korrekte aktiekurser 50 til 60 procent af tiden, mens andre er nøjagtige i 70 procent af alle tilfælde. Nogle har antaget, at en forbedring af effektiviteten på 10 procent er alt, hvad en investor kan anmode om fra et neuralt netværk.
Der vil altid være datasæt og opgaveklasser, der bedre analyseres ved hjælp af 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 niveauet for et neuralt netværks succes.
Sammenlign Navn på udbydere af investeringskonti Beskrivelse Annoncørens viden × De tilbud, der vises i denne tabel, er fra partnerskaber, hvorfra Investopedia modtager kompensation.