Qu'est-ce qu'un réseau neuronal?
Un réseau de neurones est une série d'algorithmes qui tentent de reconnaître les relations sous-jacentes dans un ensemble de données grâce à un processus qui imite le fonctionnement du cerveau humain. En ce sens, les réseaux de neurones se réfèrent à des systèmes de neurones, de nature organique ou artificielle. Les réseaux de neurones peuvent s'adapter à l'évolution des entrées; afin que le réseau génère le meilleur résultat possible sans avoir à repenser les critères de sortie. Le concept de réseaux de neurones, qui a ses racines dans l'intelligence artificielle, gagne rapidement en popularité dans le développement de systèmes commerciaux.
Bases des réseaux de neurones
Les réseaux de neurones, dans le monde de la finance, aident au développement de processus tels que la prévision des séries chronologiques, le trading algorithmique, la classification des titres, la modélisation du risque de crédit et la construction d'indicateurs propriétaires et de dérivés de prix.
Un réseau neuronal fonctionne de manière similaire au réseau neuronal du cerveau humain. Un «neurone» dans un réseau de neurones est une fonction mathématique qui recueille et classe les informations selon une architecture spécifique. Le réseau ressemble fortement à des méthodes statistiques telles que l'ajustement de courbe et l'analyse de régression.
Un réseau de neurones contient des couches de nœuds interconnectés. Chaque nœud est un perceptron et est similaire à une régression linéaire multiple. Le perceptron alimente le signal produit par une régression linéaire multiple dans une fonction d'activation qui peut être non linéaire.
Dans un perceptron multicouche (MLP), les perceptrons sont disposés en couches interconnectées. La couche d'entrée collecte les modèles d'entrée. La couche de sortie a des classifications ou des signaux de sortie auxquels des modèles d'entrée peuvent correspondre. Par exemple, les modèles peuvent comprendre une liste de quantités pour des indicateurs techniques concernant un titre; les extrants potentiels pourraient être «acheter», «conserver» ou «vendre».
Les couches masquées affinent les pondérations d'entrée jusqu'à ce que la marge d'erreur du réseau neuronal soit minimale. On suppose que les couches cachées extrapolent les caractéristiques saillantes dans les données d'entrée qui ont un pouvoir prédictif concernant les sorties. Ceci décrit l'extraction de fonctionnalités, qui accomplit un utilitaire similaire aux techniques statistiques telles que l'analyse des composants principaux.
Points clés à retenir
- Les réseaux de neurones sont une série d'algorithmes qui imitent les opérations d'un cerveau humain pour reconnaître les relations entre de grandes quantités de données. Ils sont utilisés dans une variété d'applications dans les services financiers, de la prévision et de la recherche marketing à la détection des fraudes et à l'évaluation des risques. L'utilisation des réseaux de neurones pour la prévision des cours boursiers varie.
Application des réseaux de neurones
Les réseaux de neurones sont largement utilisés, avec des applications pour les opérations financières, la planification d'entreprise, le trading, l'analyse commerciale et la maintenance des produits. Les réseaux de neurones ont également été largement adoptés dans les applications commerciales telles que les solutions de prévision et de recherche marketing, la détection des fraudes et l'évaluation des risques.
Un réseau de neurones évalue les données sur les prix et déniche les opportunités de prendre des décisions commerciales sur la base de l'analyse des données. Les réseaux peuvent distinguer les interdépendances non linéaires subtiles et les modèles que les autres méthodes d'analyse technique ne peuvent pas. Selon la recherche, la précision des réseaux de neurones dans la prévision des prix des actions diffère. Certains modèles prédisent les cours des actions corrects de 50 à 60% du temps tandis que d'autres sont précis dans 70% des cas. Certains ont avancé qu'une amélioration de 10% de l'efficacité est tout ce qu'un investisseur peut demander à un réseau de neurones.
Il y aura toujours des ensembles de données et des classes de tâches qui seront mieux analysés en utilisant des algorithmes développés précédemment. Ce n'est pas tant l'algorithme qui compte; ce sont les données d'entrée bien préparées sur l'indicateur ciblé qui déterminent finalement le niveau de réussite d'un réseau neuronal.
