什麼是神經網絡？

什麼是神經網絡？

神經網絡是一系列算法，通過模仿人類腦運行的過程，努力識別一組數據中的基本關係。從這個意義上講，神經網絡是指本質上有機或人為的神經元系統。

神經網絡可以適應更改的輸入；因此，網絡可以生成最佳的結果，而無需重新設計輸出標準。神經網絡的概念，它源於人工智慧，在發展方面迅速越來越受歡迎交易系統。

了解神經網絡

金融界的神經網絡有助於開發時間序列預測等過程，算法交易，證券分類，信用風險建模和構建專有指標和價格衍生物。

神經網絡的工作原理與人腦的神經網絡類似。神經網絡中的“神經元”是一種數學功能，可以根據特定的體系結構收集和分類信息。該網絡與諸如曲線擬合和回歸分析之類的統計方法非常相似。

神經網絡包含互連節點的層。每個節點都是稱為感知的，類似於多個線性回歸。感知器將多個線性回歸產生的信號饋入可能是非線性的激活函數。

神經網絡的歷史

儘管可以認為已經存在數百年曆史的集成機器的概念，但在過去的100年中，神經網絡中的進步最大。 1943年，伊利諾伊大學和芝加哥大學的沃倫·麥卡洛克（Warren McCulloch）和沃爾特·皮茨（Walter Pitts）出版了“神經活動中的思想的邏輯演算”。該研究分析了大腦如何產生復雜的模式，並可以將其簡化為只有真/錯誤連接的二元邏輯結構。

康奈爾航空拖延公司的弗蘭克·羅森布拉特（Frank Rosenblatt）在1958年的發展中被認為是Perceptron的發展。他的研究引入了McColloch和Pitt的作品的權重，Rosenblatt利用他的工作來證明計算機如何使用神經網絡來檢測想像和推斷。

即使在1970年代進行了乾旱的研究（主要是由於資金乾旱），但保羅·沃爾博斯（Paul Werbos）在這段時間的博士學位論文中經常被認為是主要的貢獻。然後，喬恩·霍普菲爾德（Jon Hopfield）於1982年發表了有關復發性神經網絡的論文。此外，反向傳播的概念重新浮出水面，許多研究人員開始了解其神經網的潛力。

最近，正在為直接目的而生成更具體的神經網絡項目。例如，由IBM開發的深藍色，通過推動計算機處理複雜計算的能力來征服國際象棋世界。儘管以擊敗世界國際象棋冠軍而公開聞名，但這些類型的機器也被利用以發現新藥物，但要識別金融市場趨勢分析並進行大規模的科學計算。

多層感知器

在多層感知器（MLP）中，感知器以相互連接的層排列。輸入層收集輸入模式。輸出層具有可能映射到的輸入模式的分類或輸出信號。例如，模式可能包括技術指標關於安全；潛在的產出可能是“購買”，“持有”或“賣出”。

隱藏層微調輸入權重，直到神經網絡的錯誤範圍很小。假設隱藏的層推斷了輸入數據中具有有關輸出的預測能力的顯著特徵。這描述了特徵提取，該特徵提取完成了類似於統計技術（例如主組件分析）的實用程序。

神經網絡的類型

前饋神經網絡

前饋神經網絡是更簡單的神經網絡類型之一。它通過輸入節點向一個方向傳達信息；此信息繼續以這個單個方向處理，直到達到輸出模式為止。前饋神經網絡可能具有用於功能的隱藏層，並且這種類型最常用於面部識別技術。

復發性神經網絡

復發性神經網絡是一種更複雜的神經網絡類型，將處理節點的輸出輸出並將信息傳輸回網絡。這導致了理論上的“學習”和網絡的改進。每個節點都存儲歷史過程，並且這些歷史過程將來在處理過程中會重複使用。

這對於預測不正確的網絡尤其重要。系統將嘗試學習為什麼發生正確的結果並進行相應調整。這種類型的神經網絡通常用於文本到語音應用程序中。

卷積神經網絡

卷積神經網絡（也稱為Convnets或CNN）具有幾層，其中數據被分類為類別。這些網絡具有一個輸入層，一個輸出層和一個隱藏的眾多卷積層。這些圖層創建特徵地圖，以記錄圖像的區域，這些圖像將進一步分解，直到產生有價值的輸出為止。這些層可以匯總或完全連接，這些網絡對圖像識別應用程序特別有益。

反捲積神經網絡

反逆處神經網絡只是逆轉卷積神經網絡的工作。該網絡的應用是檢測在卷積神經網絡下可能被認為很重要的項目。在卷積神經網絡執行過程中，這些項目可能會被丟棄。這種類型的神經網絡也廣泛用於圖像分析或處理。

模塊化神經網絡

模塊化神經網絡包含幾個網絡，它們彼此獨立。在分析過程中，這些網絡不會彼此相互作用。取而代之的是，這些過程是為了更有效地完成複雜，精心設計的計算過程。類似於其他模塊化行業，例如模塊化房地產，網絡獨立性的目標是讓每個模塊負責整體更大的圖案的特定部分。

神經網絡的應用

神經網絡廣泛使用，並應用於金融運營，企業計劃，交易，業務分析和產品維護。神經網絡還廣泛地採用了預測和市場研究解決方案，欺詐檢測和風險評估。

神經網絡評估了基於數據分析的價格數據和發掘的機會來製定貿易決策。網絡可以區分微妙的非線性相互依賴性和模式技術分析不能。根據研究，神經網絡對股票的價格預測的準確性有所不同。一些模型預測正確的股票價格為50至60％。儘管如此，其他人仍認為，投資者可以從神經網絡中要求提高10％的效率。

特定於金融，神經網絡可以處理數十萬位交易數據。這可以更好地了解對交易量，交易範圍，資產之間的相關性或設定某些投資的波動性期望。由於人類可能無法有效地湧入多年的數據（有時收集的第二間隔），因此可以設計神經網絡以發現趨勢，分析結果並預測未來的資產階級價值運動。

神經網絡的優勢和缺點

神經網絡的優勢

中性網絡可以連續工作並且比人類或更簡單的分析模型更有效。還可以對神經網絡進行編程以從先前的輸出中學習，以根據與先前輸入的相似性來確定未來的結果。

與依靠本地的系統相比，利用在線服務雲的神經網絡也具有降低風險的好處技術硬件。此外，神經網絡通常可以同時執行多個任務（或至少分配要同時由模塊化網絡執行的任務）。

最後，神經網絡不斷擴展到新的應用程序中。雖然早期，理論神經網絡非常局限於其對不同領域的適用性，但如今的神經網絡在醫學，科學，金融，農業或安全方面都利用了。

神經網絡的缺點

儘管中立網絡可能依賴在線平台，但仍有一個硬件組件來創建神經網絡。這會產生依賴複雜系統，設置要求和潛在物理維護的網絡的物理風險。

儘管神經網絡的複雜性是一種優勢，但這可能意味著為特定任務開發特定算法需要數月（如果不再）。此外，在此過程中可能很難發現任何錯誤或缺陷，尤其是在結果是估計或理論範圍的情況下。

神經網絡也可能很難進行審核。某些神經網絡過程可能會感到“像黑匣子”，其中輸入輸入，網絡執行複雜的過程並報告輸出。如果網絡缺乏一般性，個人可能也很難在網絡的計算或學習過程中分析弱點透明度關於模型如何在先前的活動中學習。

底線

神經網絡是複雜的集成系統，可以比人類能力更深入，更快地執行分析。有不同類型的神經網絡，通常最適合不同的目的和目標輸出。在金融中，神經網絡用於分析交易歷史記錄，了解資產運動並預測金融市場的成果。