Ao contrário de sistemas de negociação técnicas populares na década de 1980, os sistemas de negociação neurais artificiais usam um iterativo "treinamento" processo para prever os preços e sinais de negociação sem baseado em regras "otimização" dos parâmetros do sistema ou indicadores técnicos . Em vez disso, sistemas neurais "aprender" as relações ocultas dentro dados técnicos e fundamentais selecionados que são preditivos de futuro nível de preços de um mercado específico.
Este artigo analisa os passos a seguir na aplicação da tecnologia de computação neural para os mercados financeiros. Primeiro, você precisa especificar a saída que você deseja prever. Você deve identificar os dados de entrada apropriado que o sistema precisa, a fim de gerar uma previsão exata. Em seguida, o tipo, tamanho e estrutura do seu sistema neural deve ser dened. Finalmente, o sistema tem de ser formado e, em seguida, testado antes de poder ser utilizado como uma ferramenta de previsão no comércio em tempo real.
A maioria dos sistemas neurais financeira ou "redes neurais" gerar números reais sob a forma de preços previstos, ou classificações, tais como sinais de compra /venda ou indicações de tendência como suas saídas projetadas.
Os dados de entrada devem ser selecionados com base em sua relevância para a saída que você deseja prever. Ao contrário de sistemas de negociação técnicas convencionais, sistemas neurais funcionam melhor quando são usados dados de entrada tanto técnicos e fundamentais.
Quanto mais dados de entrada, melhor o sistema pode discriminar os padrões ocultos subjacentes que afetam sua produtividade. Antes de treinar o sistema, os dados devem ser pré-processado ou "massageado", uma vez que os sistemas neurais trabalhar melhor com números relativos, em vez de números absolutos. Por exemplo, é preferível usar as mudanças nos níveis de preços, em vez de os preços ao dia reais como suas entradas e saída. Sistemas neurais consistem em uma ou mais camadas de neurônios interconectados.
Num sistema típico, existem três tipos de camadas: uma camada de entrada, uma camada oculta, e uma camada de saída. Uma escolha da arquitetura do sistema aplicado com sucesso nancial previsão é conhecido como uma rede feed-forward com back-propagação aprendizagem supervisionada. Este projeto tem duas ou mais camadas. Neurônios em uma camada não estão interligados, enquanto neurônios em uma camada de receber contribuições de cada neurônio na camada anterior e enviar saí