Réseau neuronal
Qu’est-ce qu’un réseau neuronal?
Un réseau de neurones est une série d’algorithmes qui s’efforce 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 désignent des systèmes de neurones, de nature organique ou artificielle. Les réseaux neuronaux peuvent s’adapter aux changements d’entrée; ainsi le réseau génère le meilleur résultat possible sans avoir besoin de reconcevoir 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 des systèmes de trading.
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 diverses applications des 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.
Bases des réseaux de neurones
Les réseaux neuronaux, dans le monde de la finance, aident au développement de processus tels que la prévision de 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 la même manière que le 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 aux méthodes statistiques telles que l’ajustement de courbe et l’analyse de régression.
Un réseau neuronal 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 être mappés. Par exemple, les modèles peuvent comprendre une liste de quantités pour des indicateurs techniques concernant un titre; les extrants potentiels peuvent être «acheter», «conserver» ou «vendre».
Les couches cachées affinent les pondérations d’entrée jusqu’à ce que la marge d’erreur du réseau neuronal soit minimale. L’hypothèse est que les couches cachées extrapolent les caractéristiques saillantes des données d’entrée qui ont un pouvoir prédictif concernant les sorties. Ceci décrit l’extraction de caractéristiques, qui accomplit un utilitaire similaire aux techniques statistiques telles que l’analyse en composantes principales.
Application des réseaux de neurones
Les réseaux neuronaux 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 neuronaux ont également été largement adoptés dans les applications commerciales telles que les solutions de prévision et de recherche marketing, la détection de fraude et l’évaluation des risques.
Un réseau neuronal évalue les données de prix et découvre des opportunités pour prendre des décisions commerciales basées sur l’analyse des données. Les réseaux peuvent distinguer des interdépendances non linéaires subtiles et des modèles que d’autres méthodes d’ analyse technique ne peuvent pas. Selon les recherches, la précision des réseaux de neurones pour faire des prévisions de prix pour les actions diffère. Certains modèles prédisent le cours correct des actions de 50 à 60% du temps, tandis que d’autres sont précis dans 70% de toutes les instances. Certains ont avancé qu’une amélioration de 10% de l’efficacité est tout ce qu’un investisseur peut demander à un réseau neuronal.
Il y aura toujours des ensembles de données et des classes de tâches qui seront mieux analysés en utilisant des algorithmes précédemment développés. Ce n’est pas tant l’ algorithme qui compte; ce sont les données d’entrée bien préparées sur l’indicateur ciblé qui déterminent en fin de compte le niveau de réussite d’un réseau de neurones.