Živčana mreža
Neuronska mreža je niz algoritama koji nastoje prepoznati temeljne odnose u skupu podataka kroz proces koji oponaša način rada ljudskog mozga. U tom se smislu neuronske mreže odnose na sustave neurona, bilo organskih ili umjetnih. Neuronske mreže mogu se prilagoditi promjenama ulaznih podataka; pa mreža generira najbolji mogući rezultat bez potrebe za redizajniranjem izlaznih kriterija. Koncept neuronske mreže koji svoje korijene ima u umjetnoj inteligenciji brzo dobiva na popularnosti u razvoju trgovačkih sustava.
Osnove neuronskih mreža
Neuronske mreže, u svijetu financija, pomažu u razvoju takvih procesa kao što su vremenske serije predviđanje, algoritamsko trgovanje, klasifikacija vrijednosnih papira, modeliranje kreditnog rizika i konstrukcija vlasničkih pokazatelja i derivata cijena.
Neuronska mreža djeluje slično kao i neuronska mreža ljudskog mozga. "Neuron" u neuronskoj mreži je matematička funkcija koja prikuplja i klasificira informacije prema određenoj arhitekturi. Mreža jako sliči statističkim metodama kao što su postavljanje krivulja i regresijska analiza.
Neuronska mreža sadrži slojeve međusobno povezanih čvorova. Svaki je čvor perceptron i sličan je višestrukoj linearnoj regresiji. Perceptron ubacuje signal proizveden višestrukom linearnom regresijom u aktivacijsku funkciju koja može biti nelinearna.
U višeslojnom perceptronu (MLP) perceptroni su raspoređeni u međusobno povezane slojeve. Ulazni sloj prikuplja uzorke unosa. Izlazni sloj sadrži klasifikacije ili izlazne signale na koje se uzorci ulaza mogu preslikati. Na primjer, obrasci mogu sadržavati popis količina za tehničke pokazatelje o vrijednosnom papiru; potencijalni ishodi mogu biti "kupiti", "zadržati" ili "prodati".
Skriveni slojevi fino podešavaju ponderiranja ulaza sve dok granica pogreške neuronske mreže ne bude minimalna. Pretpostavlja se da skriveni slojevi ekstrapoliraju izrazite značajke u ulaznim podacima koji imaju prediktivnu snagu u pogledu izlaza. Ovo opisuje vađenje značajki, čime se ostvaruje program sličan statističkim tehnikama, poput analize glavnih komponenti.
Ključni odvodi
- Neuronske mreže su niz algoritama koji oponašaju rad ljudskog mozga kako bi prepoznao odnose između ogromne količine podataka.
- Koriste se u raznim primjenama u financijskim uslugama, od predviđanja i marketinških istraživanja do otkrivanja prijevara i procjene rizika.
- Upotreba neuronskih mreža za predviđanje cijena dionica varira.
Primjena neuronskih mreža
Neuronske mreže se široko koriste, s aplikacijama za financijsko poslovanje, planiranje poduzeća, trgovinu, poslovnu analitiku i održavanje proizvoda. Neuronske mreže također su dobile široko prihvaćanje u poslovnim aplikacijama kao što su rješenja predviđanja i marketinška istraživanja, otkrivanje prijevara i procjena rizika.
Neuralna mreža procjenjuje podatke o cijenama i otkriva mogućnosti donošenja trgovinskih odluka na temelju analize podataka. Mreže mogu razlikovati suptilne nelinearne međuovisnosti i obrasce koje druge metode tehničke analize ne mogu. Prema istraživanjima, točnost neuronskih mreža pri predviđanju cijena dionica razlikuje se. Neki modeli predviđaju ispravne cijene dionica od 50 do 60 posto vremena, dok su druge točne u 70 posto svih slučajeva. Neki su iznijeli da je 10-postotno poboljšanje učinkovitosti sve što investitor može zatražiti od neuronske mreže.
Uvijek će postojati skupovi podataka i klase zadataka koji se bolje analiziraju korištenjem prethodno razvijenih algoritama. Nije toliko bitan algoritam; Dobro pripremljeni ulazni podaci ciljanog pokazatelja u konačnici određuju razinu uspješnosti neuronske mreže.
Usporedba investicijskih računa Ime dobavljača Opis Otkrivanje oglašavača × Ponude koje se pojavljuju u ovoj tablici potječu od partnerstava od kojih Investopedia prima naknadu.