En inglés: Neural Network
DEFINICIÓN de’Red Neural’
Una red neuronal es una serie de algoritmos que intentan identificar relaciones subyacentes en un conjunto de datos utilizando un proceso que imita la forma en que funciona el cerebro humano. Las redes neuronales tienen la capacidad de adaptarse a los cambios de entrada, por lo que la red produce el mejor resultado posible sin necesidad de rediseñar los criterios de salida. El concepto de redes neuronales está aumentando rápidamente en popularidad en el área del desarrollo de sistemas comerciales.
DESCENDIMIENTO ‘Red neuronal’
En finanzas, las redes neuronales se utilizan para la previsión de series temporales, la negociación algorítmica, la clasificación de valores, la modelización del riesgo crediticio y la construcción de indicadores propios y derivados de precios.
Cómo funciona una red neuronal
Una red neuronal funciona de manera similar a la red neuronal del cerebro. Una «neurona» en una red neuronal es una simple función matemática que captura y organiza la información según una arquitectura. La red se parece mucho a métodos estadísticos como el ajuste de curvas y el análisis de regresión.
Una red neuronal consiste en capas de nodos interconectados. Cada nodo es un perceptrón y se asemeja a una regresión lineal múltiple. El perceptrón alimenta la señal generada por una regresión lineal múltiple a una función de activación que puede ser no lineal.
En un perceptrón de varias capas (MLP), los perceptrones están dispuestos en capas interconectadas. La capa de entrada recibe patrones de entrada. La capa de salida contiene clasificaciones o señales de salida a las que se pueden asignar los patrones de entrada. Por ejemplo, los patrones pueden ser una lista de cantidades para indicadores técnicos relativos a un valor; los resultados potenciales pueden ser «comprar», «mantener» o «vender». Las capas ocultas ajustan las ponderaciones de las entradas hasta que el error de la red neural es mínimo. Se ha teorizado que las capas ocultas extraen características salientes en los datos de entrada que tienen poder predictivo con respecto a las salidas. Describe la extracción de características, que realiza una función similar a las técnicas estadísticas, como el análisis de componentes principales.
Aplicación de redes neuronales
Las redes neuronales son ampliamente utilizadas en operaciones financieras, planificación empresarial, comercio, análisis de negocios y mantenimiento de productos. Las redes neuronales son comunes en aplicaciones empresariales tales como soluciones de pronóstico e investigación de mercado, detección de fraudes y evaluación de riesgos.
Una red neuronal analiza los datos de precios y descubre oportunidades para tomar decisiones comerciales basadas en datos analizados a fondo. Las redes pueden detectar sutiles interdependencias no lineales y patrones que otros métodos de análisis técnico no pueden descubrir. Sin embargo, un aumento del 10% en la eficiencia es todo lo que un inversor puede esperar de una red neuronal. Siempre habrá conjuntos de datos y clases de tareas para los que los algoritmos utilizados anteriormente siguen siendo superiores. El algoritmo no es lo que importa; lo que disuade es la información de entrada bien preparada sobre el indicador objetivo.