Neuraal netwerk bij beleggen. Is het ei van columbus gevonden?

Geschatte leestijd: 3 minuten

Neuraal netwerk

Een neuraal netwerk is een blackbox systeem, dat een aantal binnenkomende gegevensstromen omzet naar een outputstroom gegevens. Het betreft dan vaak koersen en volumegegevens. Denk daarbij in dit geval bijvoorbeeld aan koop– en verkoopsignalen.

Simulatie van de menselijke hersenen

Het neuraal netwerk probeert dit te bereiken door de werking van de menselijke hersenen  te simuleren. Vandaar ook de gebruikte terminologie.  Deze is ook in de medische wereld rond de werking van de menselijke hersenen  terug te vinden.

 

neuraal netwerk

De hersenen slaan informatie en regels hoe die bewerkt moeten worden op in neuronen.

De neuronen gaven hun naam aan het systeem

Deze kunstmatig gesimuleerde neuronen geven ook hun naam aan het neuraal netwerk systeem.

Het is een zelflerend systeem

De neuronen leren zelf de regels die van toepassing zijn door training van het systeem. Een neuraal netwerk is bij uitstek een voorbeeld van de werking van een zelflerend systeem. Een vergaande vorm van een soort van kunstmatige intelligentie.

Het systeem begint bij de output

Bij het leerproces wordt aangegeven welke output van het neuraal netwerk systeem verwacht wordt. Daarna gaat het systeem zichzelf  instellen. Daarbij gaat  het een vooraf onbekend aantal neuronen, knooppunten of nodes vormen. En wel op een zodanige manier dat de verwachte output ook door het systeem zo goed mogelijk wordt weergegeven.

 

neuraal netwerk

De fouten die daarna overblijven in de output worden teruggekoppeld naar de inputlayer.

Oneindig vaak te herhalen proces

Dit proces kan oneindig vaak herhaald worden. Meestal zo lang tot het verschil tussen de daadwerkelijke output en de verwachte output minimaal is.

Hidden layer

De nieuw gevormde nodes bevinden zich in de zogenaamde hidden layer. Het is niet van buitenaf te zien wat er binnen het systeem precies ontstaan is. Wat dat betreft is het een vorm van een blackbox systeem.

Input layer

Naast deze hidden layer hebben we dan nog de input layer. Deze verwerkt de invoerstromen op basis waarvan een verwachting moet worden gemaakt.

Output layer

En dan is er nog de output layer. Deze layer bevat het resultaat dat aan de verwachting wordt getoetst.

backpropagation network

Koppelt het systeem al tijdens de leerfase zelf de gemaakte fouten terug naar de inputlayer? Dan spreken we van een backpropagation network . Dit is dus een systeem dat sterk zelflerend is . Zodanig dat het de fouten poogt te herstellen of te voorkomen.

De meeste neurale netwerken vallen onder deze backpropagation netwerken.

Voorstanders en tegenstanders

Zoals alle systemen uit de technische analyse hebben deze neurale netwerken hun voor-en tegenstanders. Er zijn onder beleggers vele tegenstanders van dit soort computergestuurde analyse. Als trader/belegger heb je geen enkele grip op hebt  over-geoptimaliseerd systeem. Een neuraal netwerk is voor hen het summum op het gebied van curvefitting. Hierdoor is de praktische bruikbaarheid nihil is. Het is volgens hen veel beter te streven naar een simpel en robuust systeem. Hier is uiteindelijk veel meer van te verwachten valt.

Het resultaat telt

Anderen zijn van mening dat hiermee alle onderlinge verwantschappen juist goed tot hun recht komen. Al ken je ze helemaal niet. En zul je ze ook met een neuraal netwerk nooit leren kennen. En is het eindresultaat bevredigend? Dan is dat volgens deze aanhangers ook helemaal niet nodig. Het gaat bij hen om het resultaat dat telt.

~~~~~~~| Een artikel van Artikelboer in opdracht van Kennisbank Beleggen |~~~~~~~
Dit artikel mag vrij gebruikt worden zolang er geen wijzigingen worden aangebracht en de links naar dit artikel blijven bestaan

 

Dit bericht is geplaatst in algemeen met de tags , , , , , , , , . Bookmark de permalink.

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

Deze website gebruikt Akismet om spam te verminderen. Bekijk hoe je reactie-gegevens worden verwerkt.