Neironu tīkls
Neironu tīkls ir algoritmu virkne, kas cenšas atpazīt pamatā esošās attiecības datu kopā, izmantojot procesu, kas imitē cilvēka smadzeņu darbību. Šajā ziņā neironu tīkli attiecas uz neironu sistēmām, kas ir organiskas vai mākslīgas. Neironu tīkli var pielāgoties mainīgajai ieejai; tāpēc tīkls rada vislabāko iespējamo rezultātu, nepārveidojot izvades kritērijus. Neironu tīklu jēdziens, kura pirmsākumi meklējami mākslīgajā intelektā, ātri iegūst popularitāti tirdzniecības sistēmu attīstībā.
Neironu tīklu pamati
Neironu tīkli finanšu pasaulē palīdz attīstīt tādu procesu kā laikrindu prognozēšana, algoritmiskā tirdzniecība, vērtspapīru klasifikācija, kredītriska modelēšana un patentētu rādītāju un cenu atvasinājumu konstruēšana.
Neironu tīkls darbojas līdzīgi cilvēka smadzeņu neironu tīklam. “Neirons” neironu tīklā ir matemātiska funkcija, kas apkopo un klasificē informāciju atbilstoši noteiktai arhitektūrai. Tīkls ļoti līdzinās statistikas metodēm, piemēram, līknes pielāgošanai un regresijas analīzei.
Neironu tīklā ir savstarpēji savienotu mezglu slāņi. Katrs mezgls ir perceptrons un ir līdzīgs daudzkārtējai lineārai regresijai. Perceptrons baro signālu, ko rada vairāku lineāru regresija, aktivizēšanas funkcijā, kas var būt nelineāra.
Daudzslāņu perceptronā (MLP) perceptroni ir sakārtoti savstarpēji savienotos slāņos. Ievades slānis apkopo ievades modeļus. Izejas slānim ir klasifikācijas vai izejas signāli, kurus var iezīmēt ievades modeļos. Piemēram, modeļos var iekļaut daudzumu tehniskos rādītājus par vērtspapīru; potenciālie rezultāti varētu būt “pirkt”, “turēt” vai “pārdot”.
Slēptie slāņi precīzi noregulē ievades koeficientus, līdz neironu tīkla kļūdas robeža ir minimāla. Tiek izvirzīta hipotēze, ka slēptie slāņi ekstrapolē ievades datu galvenās iezīmes, kurām ir paredzamā jauda attiecībā uz izejām. Tas apraksta funkciju iegūšanu, kas ir noderīga līdzīgi statistikas paņēmieniem, piemēram, galveno komponentu analīzei.
Taustiņu izņemšana
- Neironu tīkli ir algoritmu virkne, kas imitē cilvēka smadzeņu darbības, lai atpazītu sakarības starp milzīgo datu daudzumu.
- Tos izmanto dažādos finanšu pakalpojumu pielietojumos, sākot no pētījumu prognozēšanas un mārketinga līdz krāpšanas atklāšanai un riska novērtēšanai.
- Neironu tīklu izmantošana akciju tirgus cenu prognozēšanai ir atšķirīga.
Neironu tīklu pielietojums
Neironu tīkli tiek plaši izmantoti, izmantojot lietojumus finanšu operācijām, uzņēmumu plānošanai, tirdzniecībai, biznesa analītikai un produktu uzturēšanai. Neironu tīkli ir guvuši plašu pieņēmumu arī biznesa lietojumprogrammās, piemēram, prognozēšanas un mārketinga pētījumu risinājumos, krāpšanas atklāšanā un riska novērtēšanā.
Neironu tīkls novērtē datus par cenām un atklāj iespējas tirdzniecības lēmumu pieņemšanai, pamatojoties uz datu analīzi. Tīkli var atšķirt smalkas nelineāras savstarpējās atkarības un modeļus, kurus citas tehniskās analīzes metodes nespēj. Saskaņā ar pētījumiem neironu tīklu precizitāte krājumu cenu prognozēšanā ir atšķirīga. Daži modeļi prognozē pareizas akciju cenas 50 līdz 60 procentus laika, bet citi ir precīzi 70 procentos no visiem gadījumiem. Daži ir apgalvojuši, ka ieguldītājs var pieprasīt 10% efektivitātes uzlabojumu no neironu tīkla.
Vienmēr būs datu kopas un uzdevumu klases, kuras labāk analizēt, izmantojot iepriekš izstrādātus algoritmus. Svarīgi ir ne tikai algoritms; neironu tīkla panākumu līmeni galu galā nosaka labi sagatavoti mērķa indikatora ievades dati.
Investīciju kontu salīdzināšana Piegādātāja nosaukums Apraksts Reklāmdevēja atklāšana × Piedāvājumi, kas parādās šajā tabulā, ir no partnerībām, no kurām Investtopedia saņem kompensāciju.