什么是神经网络？
神经网络是一系列算法，旨在通过模仿人脑操作方式的过程来识别一组数据中的潜在关系。 从这个意义上说，神经网络是指自然界中有机的或人工的神经元系统。 神经网络可以适应不断变化的输入。 因此网络无需重新设计输出标准即可产生最佳结果。 神经网络的概念起源于人工智能，在交易系统的开发中迅速得到普及。
神经网络基础
在金融领域，神经网络可协助开发诸如时间序列预测，算法交易，证券分类，信用风险建模以及构建专有指标和价格衍生工具之类的过程。
神经网络的工作方式类似于人脑的神经网络。 神经网络中的“神经元”是一种数学功能，可以根据特定的体系结构收集和分类信息。 该网络与统计方法非常相似，例如曲线拟合和回归分析。
神经网络包含互连节点的层。 每个节点都是一个感知器，类似于多元线性回归。 感知器将由多重线性回归产生的信号反馈到可能是非线性的激活函数中。
在多层感知器（MLP）中，感知器排列在相互连接的层中。 输入层收集输入模式。 输出层具有输入模式可以映射到的分类或输出信号。 例如，模式可以包括关于安全性的技术指标的数量列表； 潜在的输出可能是“购买”，“持有”或“出售”。
隐藏层会微调输入权重，直到神经网络的误差幅度最小为止。 假设隐藏层可以推断输入数据中对输出具有预测能力的显着特征。 这描述了特征提取，它实现了类似于统计技术（例如主成分分析）的实用程序。
重要要点
- 神经网络是一系列算法，它们模仿人脑的操作来识别大量数据之间的关系。 它们被用于金融服务的各种应用中，从预测和市场研究到欺诈检测和风险评估。 使用神经网络进行股票价格预测的方法各不相同。
神经网络的应用
神经网络广泛用于金融运营，企业计划，交易，业务分析和产品维护的应用程序。 在预测和市场研究解决方案，欺诈检测和风险评估等业务应用中，神经网络也得到了广泛采用。
神经网络评估价格数据并挖掘基于数据分析做出交易决定的机会。 网络可以区分细微的非线性相互依存关系和模式，而其他技术分析方法则无法做到。 根据研究，神经网络在进行股票价格预测时的准确性有所不同。 一些模型可以在50％到60％的时间内预测正确的股票价格，而其他模型在所有情况下的70％都可以预测正确的价格。 一些人认为，投资者可以要求神经网络将效率提高10％。
通过使用以前开发的算法，总会有数据集和任务类别得到更好的分析。 重要的不是算法，而是算法。 目标指标上准备充分的输入数据最终决定了神经网络的成功水平。
