Jeg vil si i sammenheng med handel generelt (for HFT se min kommentar ovenfor) videreutviklinger av tilbakevendende nevrale nettverk (RNN), f. eks. såkalte historiske konsistente nevrale nettverk (HCNN) sammen med prognose-ensembler, er toppmoderne. Jeg publiserte en artikkel om det som vil bli publisert denne måneden av Springer Verlag (Zimmermann, Grothmann, Tietz, von Jouanne-Diedrich: Markedsmodellering, prognoser og risikoanalyse med historiske konsistente nevrale nettverk) Bare for å gi deg en ide om det nye paradigmet her er et kort utdrag: I denne artikkelen presenterer vi en ny type tilbakevendende NN, kalt historisk konsistent nevralt nettverk (HCNN). HCNNs tillater modellering av ikke-lineære dynamiske systemer med høy interaksjon på tvers av tidsskalaer. HCNNs trekker ikke noen forskjell mellom innganger og utganger, men modellobservasjoner som er innebygd i dynamikken i et stort tilstandsrom. RNN brukes til å modellere og prognose et åpent dynamisk system ved hjelp av en ikke-lineær regresjonsmetode. Mange virkelige tekniske og økonomiske applikasjoner må imidlertid ses i sammenheng med store systemer der ulike (ikke-lineære) dynamikk samhandler med hverandre i tide. Projisert på en modell betyr dette at vi ikke skiller mellom innganger og utdata, men snakk om observerbare data. På grunn av den delvise observerbarheten til store systemer trenger vi skjulte stater for å kunne forklare dynamikken til observablene. Observables og skjulte variabler skal behandles av modellen på samme måte. Begrepet observables omfatter inn - og utgangsvariabler (f. eks. Y: (y. U)). Hvis vi er i stand til å implementere en modell der dynamikken til alle observablene kan beskrives, vil vi være i stand til å lukke det åpne systemet. og fra konklusjonen: Den felles modelleringen av skjulte og observerte variabler i store, tilbakevendende nevrale nettverk gir nye muligheter for planlegging og risikostyring. Ensemble-tilnærmingen basert på HCNN gir en alternativ tilnærming til prognoser for fremtidige sannsynlighetsfordeler. HCNNs gir en perfekt beskrivelse av den dynamiske observerbarheten i fortiden. Den delvise observerbarheten av verden resulterer imidlertid i en ikke-unik rekonstruksjon av de skjulte variablene og dermed forskjellige fremtidsscenarier. Siden den ekte utviklingen av dynamikken er ukjent, og alle baner har samme sannsynlighet, kan gjennomsnittet av ensemblet betraktes som den beste prognosen, mens fordelingens båndbredde beskriver markedsrisikoen. I dag bruker vi HCNN-prognoser for å forutsi priser på energi og edle metaller for å optimalisere tidspunktet for anskaffelsesbeslutninger. Arbeid som for tiden er i gang gjelder analyse av ensembleegenskapene og implementeringen av disse konseptene i praktisk risikostyring og markedsøkonomiske applikasjoner. EDIT Dele av papiret kan nå ses offentligt: Her Avhenger av dataene du prøver å modellere. Hvis dataopplevelsesregimet endres, så er det noe som har en sigmoid-funksjon (arctan, hTan.) Hvis dataene dine hovedsakelig er lineære, men har noen avvik, bruk en radial bias. Dette er generelle retningslinjer for nevrale nettverk. Frekvensen av dataene er ikke relevant for de ovennevnte uttalelsene. Husk at et sett av grunnleggende funksjoner kan gjøres for å passe et hvilket som helst sett med data. Tanken er å bruke funksjoner som avslører noe under liggende sannhet om dataene. Det avhenger av dataene, horisonten, innganger, etc. Wavelet-transformasjoner synes å være gode for å redusere tiden, og PCA synes å være bra for å redusere eiendeler. Det har vært mye arbeid på dette området, så f. eks. se på Jurik Research WAV og DDR moduler. Resultatene deres tyder på at du ikke vet hvilke barer (dager for EOD) er mest informative og hvilke funksjoner som er mest informative - så kollapserer via wavelet gir en fordel. Jeg så på NN mye og tror ikke at fortiden bidrar til å forutsi fremtiden. Patentet som Vantagepoint fikk godkjent, gjorde ingen mening i det hele tatt - men kanskje deres intermarkedsanalyser bidrar til å svare på 28. mars kl. 14 på 1:51 av vår erfaring, og det er ikke nødvendig med en slik ikke-lineær tilnærming (NN, RNN, SVM. ) Daglig åpen og nær er så informativ prisvolum at den enkle VARMA (lineær modell) forklarer dynamiske aksjekurser med stor nøyaktighet. men wr må gjenkjenne at å sette fot i intradag er en helt annen historie. vi må innrømme at bruk av dynamisk ikke-lineær tilnærming har en reell verdi sammenlignet med klassiske lineære økonometriske prosabilitetsmodeller. Til tross for det fortsetter vi å forhindre et maksimum som vi kan av en slik ikke-lineær tilnærming, fordi det som er godt forstått må være ablle for å bli forklart ganske enkelt, og de slags modeller viser for mye skjulte egenskaper. besvart 25 okt 16 kl 9:59 Ditt svar 2017 Stack Exchange, IncNeural Networks: Forecasting Profits Nevrale nettverk er state-of-the-art, trenbare algoritmer som etterligner visse viktige aspekter i den menneskelige hjernens funksjon. Dette gir dem en unik evne til selvopplæring, evnen til å formalisere uklassifisert informasjon og, viktigst, evnen til å lage prognoser basert på historisk informasjon de har til rådighet. Nevrale nettverk har blitt brukt i økende grad i en rekke virksomhetsapplikasjoner, blant annet prognose - og markedsundersøkelsesløsninger. På enkelte områder, som bedrageri gjenkjenning eller risikovurdering. de er de ubestridelige lederne. Hovedområdene der nevrale nettverk har funnet søknad er finansiell drift, bedriftsplanlegging, handel, forretningsanalyse og produktvedlikehold. Neurale nettverk kan brukes lønnsomt av alle slags handelsfolk, så hvis du er en handelsmann og du ennå ikke har blitt introdusert til nevrale nettverk, ta deg godt gjennom denne metoden for teknisk analyse og vise deg hvordan du bruker den til din handelsstil. Vanlige utslag De fleste har aldri hørt om nevrale nettverk, og hvis de ikke handler, trenger de sannsynligvis ikke å vite hva de er. Det som virkelig er overraskende, er det faktum at et stort antall av dem som kunne ha nytte av neuralt nettverksteknologi, aldri har hørt om det, ta det for en høy vitenskapelig ide eller tenk på det som en slank markedsføringsgimmick. Det er også de som peker på alle sine forhåpninger på nevrale nettverk, lioniserer nettene etter noen positiv erfaring med dem, og om dem som en sølvkuløs løsning på noen form for problem. Men som enhver handelsstrategi. Neural nettverk er ingen hurtigreparasjon som lar deg slå den rik ved å klikke på en knapp eller to. Faktisk er den riktige forståelsen av nevrale nettverk og deres formål viktig for deres vellykkede anvendelse. Når det gjelder handel, er nevrale nettverk en ny, unik metode for teknisk analyse, beregnet for de som tar en tenkende tilnærming til sin virksomhet, og er villige til å bidra litt tid og krefter for å få denne metoden til å fungere for dem. Best av alt, når det brukes riktig, kan nevrale nettverk få en fortjeneste med jevne mellomrom. Bruk nevrale nettverk for å avdekke muligheter En stor misforståelse er at mange handelsmenn feiler nevrale nettverk for et prognoseverktøy som kan gi råd om hvordan man skal handle i en bestemt markedssituasjon. Nevrale nettverk gir ingen prognoser. I stedet analyserer de prisdata og avdekker muligheter. Ved hjelp av et neuralt nettverk kan du ta en handelsavgjørelse basert på grundig analysert data, noe som ikke nødvendigvis er tilfelle ved bruk av tradisjonelle tekniske analysemetoder. For en seriøs, tankehandler er nevrale nettverk et neste generasjons verktøy med stort potensial som kan oppdage subtile, ikke-lineære interdependenser og mønstre som andre metoder for teknisk analyse ikke kan avdekke. De beste nettene, akkurat som alle slags flott produkt eller teknologi, har nevrale nettverk begynt å tiltrekke seg alle som leter etter et spirende marked. Torrenter av annonser om neste generasjons programvare har oversvømmet markedet - annonser feirer den mektigste av alle neurale nettverksalgoritmer som noensinne er opprettet. Selv i de sjeldne tilfellene når reklame krav ligner sannheten, husk at en 10 økning i effektivitet er trolig den mest du noen gang kommer fra et neuralt nettverk. Med andre ord, det gir ikke mirakuløse avkastninger og uansett hvor godt det fungerer i en bestemt situasjon, vil det være noen datasett og oppgaveklasser som de tidligere brukte algoritmene forblir overlegen. Husk dette: det er ikke algoritmen som gjør kunsten. Godt forberedt informasjon om den målrettede indikatoren er den viktigste komponenten av suksess med nevrale nettverk. Er raskere konvergens bedre Mange av de som allerede bruker neurale nettverk tror feilaktig at jo raskere deres nett gir resultater, jo bedre er det. Dette er imidlertid en vrangforestilling. Et godt nettverk er ikke bestemt av hastigheten der det gir resultater, og brukerne må lære å finne den beste balansen mellom hastigheten som nettverket trener og kvaliteten på resultatene den produserer. Korrekt bruk av neuralnett Mange forhandlere bruker neuralnett feil fordi de legger for mye tillit til programvaren de bruker alt uten å ha blitt gitt med riktige instruksjoner om hvordan de skal brukes riktig. For å bruke et neuralt nettverk på riktig måte og dermed lønnsomt, bør en næringsdrivende være oppmerksom på alle stadier av nettverksforberedelses syklusen. Det er handelsmannen og ikke hans eller hennes nett som er ansvarlig for å oppfatte en ide, formalisere denne ideen, teste og forbedre den, og til slutt velge riktig tidspunkt for å avhende det når det ikke lenger er nyttig. La oss se nærmere på stadiene i denne avgjørende prosessen: 1. Finne og formalisere en handelsidee En handelsmann bør fullt ut forstå at hans eller hennes nevrale nettverk ikke er ment for å finne frem til vinnende handelsideer og konsepter. Det er ment å gi den mest troverdige og presise informasjonen mulig på hvor effektiv din handelsidee eller konsept er. Derfor bør du komme opp med en original handelsidee og klart definere formålet med denne ideen og hva du forventer å oppnå ved å benytte den. Dette er det viktigste stadiet i nettverksprøveprogrammet. (For beslektet lesing, se Leksjoner fra en handelsdagbok.) 2. Forbedre parametrene til modellen din Du bør derfor prøve å forbedre den generelle modellkvaliteten ved å endre datasettet som brukes og justere de forskjellige parametrene. Figur 1: Angi optimaliseringsalgoritmen og dens egenskaper 3. Avhending av modellen når den blir forældet Hver nettbasert modell har en levetid og kan ikke brukes på ubestemt tid. Levetiden til en levetid for en modell avhenger av markedssituasjonen og hvor lenge markedets avhengighet som reflekteres i det, er fortsatt aktuelt. Imidlertid blir en eller flere modeller foreldet før eller senere. Når dette skjer, kan du enten omskole modellen ved å bruke helt nye data (det vil si erstatte alle dataene som er brukt), legge til noen nye data i eksisterende datasett og trene modellen på nytt, eller helt eller delvis dra av modellen helt. Mange handelsfolk gjør feilen ved å følge den enkleste banen - de stole tungt på og bruker tilnærmingen som deres programvare gir den mest brukervennlige og automatiserte funksjonaliteten. Denne enkleste tilnærmingen er å prognose en pris noen få barer fremover og basere ditt handelssystem på denne prognosen. Andre forhandlere prognose prisendring eller prosentandel av prisendringen. Denne tilnærmingen gir sjelden bedre resultater enn å anslå prisen direkte. Begge de simplistiske tilnærmingene unnlater å avdekke og lønnsomt utnytte de fleste viktige langsiktige gjensidig avhengighet, og som et resultat blir modellen raskt forældet når de globale drivkreftene endres. Den mest optimale overordnede tilnærmingen til bruk av nevrale nettverk En vellykket handelsmann vil fokusere og bruke litt tid på å velge de styrende inngangspunkter for hans eller hennes neurale nettverk og justere parametrene. Han eller hun vil tilbringe fra (minst) flere uker - og noen ganger i flere måneder - distribuere nettverket. En vellykket handelsmann vil også tilpasse sitt nett til forandringsforholdene gjennom hele levetiden. Fordi hvert neuralt nettverk bare kan dekke et relativt lite aspekt av markedet, bør nevrale nettverk også brukes i en komité. Bruk så mange nevrale nettverk som mulig - evnen til å ansette flere på en gang er en annen fordel med denne strategien. På denne måten kan hver av disse flere nettene være ansvarlig for noe bestemt aspekt av markedet, noe som gir deg en stor fordel over hele linjen. Det anbefales imidlertid at du beholder nummeret på nettene du bruker innen 5-10. Endelig bør nevrale nettverk kombineres med en av de klassiske tilnærmingene. Dette vil tillate deg å bedre utnytte resultatene oppnådd i henhold til dine handelspreferanser. Konklusjon Du vil oppleve reell suksess med nevrale nett bare når du slutter å lete etter det beste nettet. Tross alt ligger nøkkelen til suksess med nevrale nettverk ikke i selve nettverket, men i din handelsstrategi. Derfor, for å finne en lønnsom strategi som fungerer for deg, må du utvikle en sterk ide om hvordan du oppretter en komité for nevrale nettverk og bruker dem i kombinasjon med klassiske filtre og regler for pengestyring. For relatert lesing, sjekk ut Neural Trading: Biological Keys To Profit og Trading Systems Coding Tutorial. En økonomisk teori om total utgifter i økonomien og dens effekter på produksjon og inflasjon. Keynesian økonomi ble utviklet. En beholdning av en eiendel i en portefølje. En porteføljeinvestering er laget med forventning om å tjene en avkastning på den. Dette. Et forhold utviklet av Jack Treynor som måler avkastning opptjent over det som kunne vært opptjent på en risikofri. Tilbakekjøp av utestående aksjer (tilbakekjøp) av et selskap for å redusere antall aksjer på markedet. Selskaper. En skattemessig tilbakebetaling er refusjon på skatter betales til en person eller husstand når den faktiske skatteforpliktelsen er mindre enn beløpet. Den monetære verdien av alle ferdige varer og tjenester som produseres innenfor et land, grenser i en bestemt tidsperiode. Det norske nettverksnorale nettverket er et av de nyere buzzwords i handel. Det høres kult og sofistikert ut. Ikke for mange mennesker ser ut til å forstå hva neurale nettverk handler om. Neuroner i den virkelige verden Våre hjerner er fenomenalt kompliserte. Det som overrasker folk flest er imidlertid at hjernen er mer eller mindre en enorm kretskrets. Neuroner er celler som fungerer som kretser med elektriske ledninger, kalt axoner, som løper ut og kobles over menneskekroppen. Hver bevegelse, oppfattelse eller handling du gjør er summen av alle axonene som skyter elektriske impulser. Endring skjer når frekvensen av elektriske impulser sendt fra nevronet varierer. Flere impulser forårsaker en reaksjon, en reduksjon forårsaker en annen. Nevrale nettverk forsøker å etterligne prosesser i den menneskelige hjerne ved å organisere informasjon i nevroner. I motsetning til faktiske neuronceller eksisterer det bare en nettverksnekron i maskinen. Det er en maskinvekt som inneholder informasjon om hva som er under studie. Et neuralt nettverk for et handelssystem kan bestemme seg for å studere vanlige indikatorer som et glidende gjennomsnitt, RSI og Stochastics-oscillatoren. Den bevegelige gjennomsnittsverdien for den nåværende linjen teller som sin egen neuron. RSI er annerledes, så det blir en egen nevron. Hvis jeg har ti indikatorer i verktøykassen min, så har jeg 10 nevroner i nettverket mitt. Datamaskiner løser tradisjonelt lineære, enkle problemer. Hvis du vil vite resultatet av matematiske operasjoner som kubusroten av 355, er datamaskiner perfekte for oppgaven. De beregner raskt et presist svar. Som i menneskers hjerner danner nevrale nettverk synaps med andre nevroner. Når trent, kan grupper av neuroner lære å gjenkjenne mønstre. Det er denne egenskapen som gjør nevrale nettverk så nyttige. Dette gjør at vi kan lage programmer som ville være umulige med tradisjonell databehandling. Å lage et program for å gjenkjenne et ansikt, for eksempel, ville være ekstremt vanskelig. Det er mye lettere å trene et nettverk for å gjenkjenne et ansikt ved å gjentatte ganger vise nettverksflatene. Hjernen er et fascinerende tema i seg selv. Som en side tar min kone og jeg en undersøkelse i nevrovitenskap gjennom en videoserie The Great Courses. Hvis du har noen interesse i emnet, anbefaler jeg sterkt forståelse av hjernen av Jeanette Norden. Det dekker i detalj hvordan nevroner kobler seg til anatomi gjennom hele hjernen og hele kroppen. Neural Networks and Forex Trading Neural nettverk kommer inn i spill når svaret ikke er så presist. Stikker med denne bloggen temaet for forex trading, er det ikke noe riktig svar på det som gjør det perfekte handelssystemet. En typisk detaljhandel investor kan si det beste handelssystemet er den som tjener mest penger. En annen kan si at det beste handelssystemet er det som har det høyeste Sharpe-forholdet. Mange vil ha noe i midten. Det beste handelssystemet problemet er tvetydig, noe som gjør den til en ideell kandidat for å angripe med nevrale nettverk. Designeren skisserer sett av regler som i handelsfolk mening er en numerisk måte å måle det beste systemet på. Menneskelige hjerner vert omtrent 100 milliarder neuroner. Til tross for den beste innsatsen fra mange av våre kunder, har jeg ennå ikke møtt noen med 100 milliarder markedsindikatorer til deres disposisjon. En måte å forsterke effekten av nevroner i vår verktøykasse er å lage skjulte lag. Et nettverk består av flere lag, som hver består av flere nevroner. Hver nevron er koblet til hver nevron i neste lag. Hver forbindelse har da sin egen unike vektede verdi. En neuron vil overføre sin verdi ved å multiplisere verdien av nevronet og av vekten av den utgående forbindelsen. Nevronen på slutten av den utgående forbindelsen vil oppsummere alle sine innkommende tilkoblinger og forplante det som resulterer i neste lag gjennom alle utgående forbindelser. Bilder gjør ideen langt mer intuitiv. Figur 1 inneholder et lite eksempel. 2 og 3 til venstre er innganger i nettverket. Disse inngangene blir multiplisert med vekten av forbindelsen til neste lag. 2 blir multiplisert med 0,5 som gir oss 1 og 3 ved 2 gir oss 6. Det andre laget inneholder en node som oppsummerer resultatene fra forrige lag, og gir oss 7. Det neste trinnet ville være å multiplisere 7 av vektene på de utgående tilkoblingene og sende den til neste lag. Figur 1: Et eksempel på fremmende resultater for et neuralt nettverk. Det korte eksemplet ovenfor kan gjentas og kjedes sammen for å danne et større nettverk. Nedenfor i figur 2 har vi et eksempel på et større nettverk. Eksempelnettverket har 3 innganger som er koblet til et skjult lag. Det skjulte laget er da koblet til en enkelt utgang. De skjulte lagene er for å lette opplæringen. Jo mer komplekse problemet jo flere lag og noder trengte. Figur 2: Et eksempel på et større neuralt nettverk. Nettverket lærer ved å oppdatere vikene til sine mange forbindelser. Det er mange programvarealgoritmer som brukes til å oppnå læring i nevrale nettverk. De faller i to kategorier, veiledet læring og uten tilsyn. Overvåket læring oppnås med brukeren som forteller nettverket dersom forutsetningene er riktige eller ikke. Nettverket beregner deretter sin feil og bruker en av algoritmer for å rette feilen. Et eksempel på dette er omvendt forplantning, som beregner feilen i en nettverksforutsigelse. Nettverket bruker da en rask algoritme for å oppdatere hver av forbindelsesvektene med den feilen. Omvendt forplantning er en av de vanligste treningsstrategiene. Unsupervised læring bruker noen form for fitness eller scoring algoritme der nettverket vil score seg med og prøve å forbedre på hvert etterfølgende forsøk. Et eksempel på ikke-overvåket trening er den genetiske algoritmen. Denne algoritmen skaper en befolkning av nevrale nettverk og bruker en scoringsalgoritme designet av brukeren til å rangere befolkningen. Etter det er det den overlevende overlevelsen. Topprangerte nettverk kommer til å bli og reprodusere og den nederste rangeringen blir kastet ut. Nettverket reproduserer ved å blande og tilpasse tilkoblingsvekter. Nevrale nettverk kan i betydelig grad bistå systemhandlere i deres algoritmedesign ved å utforske milliarder av kombinasjoner blant en relativt liten verktøykasse med indikatorer. Dette adskiller seg fra standardoptimalisering, som innebærer å plugge tall i ulike indikatorer som ser etter hvilken kombinasjon som gir mest penger. Det faktum at nettverk kan vurdere flere tiltak (balanse, Sharpe Ratio, etc.) for å bestemme det beste handelssystemet bidrar til å redusere sannsynligheten for at den overemphasizes et bestemt tiltak. Et godt eksempel på dette er kontosaldo. Hvis et system veier gir og tar mellom nettoavkastningen og den risikojusterte avkastningen, begynner den å gå vekk fra nummerkrymping for å oppdage de beste tallene som skal brukes, og hodet mot faktisk læring og mønstergenkjenning. Nevrale nettverk viser seg å være svært nyttig i et bredt spekter av applikasjoner fra ansiktsgjenkjenning til valutamarkedet spådommer. De utmerker seg hvor det er mønstre som er vanskelig for oss å gjenkjenne. Denne egenskapen gjør nettverk uvurderlig for å løse vanskelige problemer som involverer flere variabler. Legg igjen et svar Avbryt svarNeiske nettverk Lær Forex Trading Strategies Den siste buzz i Forex verden er nevrale nettverk, et begrep tatt fra det kunstige intelligens samfunnet. I tekniske termer er nevrale nettverk dataanalysemetoder som består av et stort antall prosesseringsenheter som er koblet sammen etter vektede sannsynligheter. I mer enkle termer er neuralnett en modell som ligner lignelsen på den menneskelige hjerne fungerer og lærer. I flere tiår har de i det kunstige intelligenssamfunnet benyttet den nevrale nettverksmodellen i å lage datamaskiner som 39think39 og 39learn39 basert på resultatene av deres handlinger. I motsetning til den tradisjonelle datastrukturen tar nevrale nettverk inn flere datastrømmer og gir ett resultat. Hvis det er en måte å kvantifisere dataene på, er det en måte å legge til på faktorene som vurderes ved å lage en prediksjon. De er ofte brukt i Forex markedet prediksjon programvare fordi nettverket kan trent til å tolke data og trekke en konklusjon fra det. Før de kan være ubrukelige i å gjøre Forex-spådommer, må nevrale nettverk bli utdannet39 for å gjenkjenne og justere for mønstre som oppstår mellom inngang og utgang. Opplæringen og testingen kan være tidkrevende, men er det som gir nevrale nettverk deres evne til å forutsi fremtidige resultater basert på tidligere data. Den grunnleggende ideen er at når nettverket kan presenteres med eksempler på par av inngangs - og utdata, kan nettverket avhenge avhengighetene, og anvende disse avhengighetene når de presenteres med nye data. Derfra kan nettverket sammenligne sin egen utgang for å se hvor nær korrigeringen var, og gå tilbake og juster vekten av de ulike avhengighetene til den når det riktige svaret. Dette krever at nettverket skal trent med to separate datasett mdash treningen og testsettet. En av styrkene i nevrale nettverk er at den kan fortsette å lære ved å sammenligne sine egne spådommer med dataene som kontinuerlig tilføres det. Nevrale nettverk er også veldig gode til å kombinere både tekniske og grunnleggende data, og dermed få det beste fra begge verdens scenarier. Deres makt gir dem mulighet til å finne mønstre som kanskje ikke har blitt vurdert, og bruke disse mønstrene til å spå for å komme opp med ujevnt nøyaktige resultater. Dessverre kan denne styrken også være en svakhet i bruken av nevrale nettverk for handelsspådommer. Til slutt er utgangen bare like god som inngangen. De er veldig gode til å korrelere data, selv når du gir dem enorme mengder av det. De er veldig gode på å trekke ut mønstre fra vidt forskjellige typer informasjon mdash selv når det ikke finnes noen mønster eller forhold. Dens andre store styrke mdash evnen til å bruke intelligens uten følelser mdash tross alt, en datamaskin har ikke en ego mdash kan også bli en svakhet når det gjelder et volatilt marked. Når en ukjent faktor blir introdusert, har det kunstige nevrale nettverket ingen måte å tildele en følelsesmessig vekt til den faktoren. Det finnes for tiden dusinvis av Forex trading plattformer på markedet som innlemme nevrale nettverksteori og teknologi for å få tak i nettverket ditt, og la det gjøre prognoser og generere buysell-ordrer basert på det. Den viktige tingen å huske på er at den mest grunnleggende regelen for Forex trading gjelder når du setter ut for å bygge ditt neurale nettverk mdash utdanne deg selv og vet hva du gjør. Enten du har å gjøre med teknisk analyse, grunnleggende, neurale nettverk eller dine egne følelser, er det viktigste du kan gjøre for å sikre suksess i Forex trading, å lære alt du kan. av Duncan McQueen
No comments:
Post a Comment