Réseau neuronal
Un réseau de neurones est une série d'algorithmes visant à reconnaître les relations sous-jacentes dans un ensemble de données via un processus reproduisant le fonctionnement du cerveau humain. En ce sens, les réseaux de neurones font référence à des systèmes de neurones, de nature organique ou artificielle. Les réseaux de neurones peuvent s’adapter aux changements d’entrée; le réseau génère donc le meilleur résultat possible sans avoir à repenser les critères de sortie. Le concept de réseaux de neurones, qui trouve ses racines dans l'intelligence artificielle, gagne rapidement en popularité dans le développement des systèmes de trading.
Bases des réseaux de neurones
Les réseaux de neurones, dans le monde de la finance, aident au développement de processus tels que la prévision de séries chronologiques, le trading algorithmique, la classification des valeurs mobilières, la modélisation du risque de crédit et la construction d’indicateurs exclusifs et de dérivés de prix.
Un réseau de neurones fonctionne de manière similaire au réseau de neurones du cerveau humain. Un «neurone» dans un réseau de neurones est une fonction mathématique qui collecte et classe les informations selon une architecture spécifique. Le réseau ressemble beaucoup à des méthodes statistiques telles que l'ajustement des courbes et l'analyse de régression.
Un réseau de neurones contient des couches de nœuds interconnectés. Chaque nœud est un perceptron et ressemble 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 possède des classifications ou des signaux de sortie auxquels les modèles d’entrée peuvent mapper. Par exemple, les modèles peuvent comprendre une liste de quantités pour des indicateurs techniques relatifs à une sécurité; les produits 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 de neurones soit minimale. On suppose que les couches cachées extrapolent les caractéristiques saillantes des données d'entrée qui ont un pouvoir prédictif sur les sorties. Ceci décrit l'extraction de caractéristiques, qui réalise un utilitaire similaire aux techniques statistiques telles que l'analyse en composantes principales.
Points clés à retenir
- Les réseaux de neurones sont une série d'algorithmes qui imitent les opérations d'un cerveau humain afin de reconnaître les relations entre de grandes quantités de données.
- Ils sont utilisés dans diverses applications des services financiers, des prévisions et des études de marché à la détection de la fraude et à l’évaluation des risques.
- L'utilisation de réseaux de neurones pour la prévision des prix en bourse 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 de produits. Les réseaux de neurones ont également été largement adoptés dans les applications d'entreprise telles que les solutions de prévision et de recherche marketing, la détection de la fraude et l'évaluation des risques.
Un réseau de neurones évalue les données de prix et découvre les possibilités de prendre des décisions commerciales en fonction de l'analyse des données. Les réseaux peuvent distinguer des interdépendances et des schémas non linéaires subtils que d'autres méthodes d'analyse technique ne peuvent pas. Selon les recherches, la précision des réseaux de neurones dans la prévision des prix des actions diffère. Certains modèles prédisent les cours exacts des actions dans 50 à 60% des cas, tandis que d'autres sont exacts dans 70% des cas. Certains ont postulé qu'une amélioration de 10% de l'efficacité correspond à 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 à l'aide d'algorithmes développés précédemment. Ce n'est pas tellement 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 de neurones.
Comparaison des comptes d'investissement Nom du fournisseur Description Divulgation par l'annonceur × Les offres figurant dans ce tableau proviennent de partenariats avec lesquels Investopedia reçoit une rémunération.