Redes neuronales

Las redes neuronales son algoritmos entrenables y emulan ciertos aspectos importantes en el funcionamiento del cerebro humano. Esto les otorga una capacidad única de autoaprendizaje, la capacidad de formalizar información no clasificada y lo que es más importante, la capacidad de hacer pronósticos basados en la información histórica que tienen a su disposición.

redes neuronales2
Haz clic en la imagen para ampliarla

FUNCIONAMIENTO GENERAL

Una neurona recibe entradas y proporciona una salida, gracias a diversas caracteristicas

Entradas (X) : Una neurona recibe información de mercado (valores de indicadores técnicos, volúmenes, datos macro, noticias, etc…) en forma de entradas.

Pesos (W) : A cada entrada le asignaremos un peso que nos permitirá modificar la importancia de cada entrada, respecto a las demás.

Función de agregación (∑) : Nos permitirá calcular un valor único a partir de las entradas y los pesos. Las dos funciones de agregación más comunes son la suma ponderada y el calculo de las distancias.

Función de activación : Una vez calculado un valor único, la neurona compara este valor con un umbral y decide la salida. Para ello pueden usarse varias funciones, las mas utilizadas son la función sigmoide y la función gausiana.

redes neuronales
Haz clic en la imagen para ampliarla

PERCEPTRON MULTICAPA

Capas de entrada : Estas no son neuronas, simplemente pasan el valor de entrada a la siguiente capa.

 

Capas ocultas son las capas posteriores a la capa de entrada y se denominan así  porque no están expuestas directamente a la entrada. La estructura de red más simple es tener una sola neurona en la capa oculta que genera directamente el valor. 

 

Dados los aumentos en el poder de la computación y las bibliotecas eficientes, se pueden construir redes neuronales muy profundas. El aprendizaje profundo puede referirse a tener muchas capas ocultas en su red neuronal.

 

Capa oculta final se denomina capa de salida y es responsable de generar un valor o vector de valores que corresponda al formato requerido para el problema. La elección de la función de activación en la capa de salida está fuertemente restringida por el tipo de problema que está modelando.

Fotolia 47692902 XS

Redes Neuronales para descubrir oportunidades de trading

Las redes neuronales  analizan los datos  y descubren oportunidades. Usando una red neuronal, puede tomar una decisión comercial basada en datos analizados minuciosamente.  Para un comerciante serio y pensante, las redes neuronales son una herramienta de próxima generación con un gran potencial que puede detectar patrones que el análisis técnico no puede descubrir.

El éxito con redes neuronales no se obtiene buscando la mejor red. ya que la clave del éxito con las redes neuronales no radica en la red en sí, sino en su estrategia comercial.Por lo tanto, para encontrar una estrategia rentable que funcione para usted, debe desarrollar una idea sólida sobre cómo crear un comité de redes neuronales y usarlas en combinación con filtros clásicos y reglas de administración de dinero.

Una vez configurada, la red neuronal debe ser entrenada en su conjunto de datos.

Primero hay preparar sus datos para el entrenamiento en la red neuronal

El algoritmo de entrenamiento clásico y todavía preferido para las redes neuronales se denomina descenso de gradiente estocástica. Aquí es donde una fila de datos está expuesta a la red como entrada. La red procesa las neuronas activadoras hacia arriba, mientras que finalmente produce un valor de salida. Esto se denomina pase hacia adelante en la red. Es el tipo de pase que también se utiliza después de que la red está capacitada para hacer predicciones sobre nuevos datos.

La salida de la red se compara con la salida esperada y se calcula un error. 

Este error luego se propaga a través de la red, una capa a la vez, y los pesos se actualizan de acuerdo con la cantidad que contribuyeron al error. Este inteligente juego de matemáticas se llama algoritmo de retropropagación .

Los pesos en la red se pueden actualizar a partir de los errores calculados para cada ejemplo de capacitación y esto se denomina aprendizaje en línea.

Una vez que una red neuronal ha sido entrenada, puede usarse para hacer predicciones. Puede hacer predicciones sobre datos de prueba o validación para estimar la habilidad del modelo en datos no vistos. También puede implementarlo operacionalmente y usarlo para hacer predicciones continuamente.