Нейронные сети представляют собой, в сущности, некие блоки со способностью к самообучению и распознаванию образов, классификации и прогнозированию. Они особо привлекательны для трейдеров, поскольку сети могут справляться и с оценками вероятности в неоднозначных ситуациях, и с моделями нечеткой логики, т.е. с моделями, легко определимыми на вид, но с трудом поддающимися алгоритмизации в виде точных правил. Потенциально, нейронные сети могут обнаруживать любые присутствующие в исходных данных повторяющиеся модели. Сети также могут интегрировать большие объемы информации, не захлебываясь в деталях, и могут адаптироваться к изменениям рынков и их условий.
Существует большое разнообразие нейронных сетей, отличающихся своей архитектурой, т.е. способом связи виртуальных нейронов, деталями их поведения (обработкой сигнала или функциями передачи) и процессом обучения. Существуют различные виды архитектур сетей представляющих интерес для трейдеров, например сети Коонена и сети с квантованием обучающего вектора (LVQ), различные сети с адаптивным резонансом и периодические сети. В этой главе будет рассмотрена наиболее популярная и полезная во многих отношениях архитектура, а именно нейронная сеть с прямой связью.
Как было сказано выше, сети различаются по методу обучения. Разработчики системы играют роль учителя, снабжая сеть примерами для обучения. Некоторые сети обучаются под контролем, некоторые без контроля. Обучение под контролем имеет место, когда сеть обучают давать правильные ответы, показывая ей примеры правильных решений; для каждого набора входов целью сети является обеспечение правильного выхода. Обучение без контроля состоит в том, что сеть организует введенные данные так, как считает нужным, на основе найденных в них внутренних закономерностей. Вне зависимости от формы обучения основная проблема состоит в поиске соответствующих данных и придании им формы учебных примеров, фактов, которые выделяют важные модели для эффективного и направленного обучения сети, во избежание формирования заблуждений. Предварительная подготовка данных— само по себе искусство.
Собственно процесс обучения обычно включает некоторый механизм обновления удельных весов или важности разных связей между нейронами в ответ на подаваемые учебные примеры. При использовании в архитектуре прямых связей часто используют обратное распространение — наиболее быструю форму оптимизации. Также эффективны генетические алгоритмы, которые требуют большого количества расчетов и времени, но обычно дают лучшие окончательные результаты.
