Одно из определений: "это последовательность нейронов, соединенных между собой синапсами. Структура нейронной сети пришла в мир программирования прямиком из биологии. Благодаря такой структуре, машина обретает способность анализировать и даже запоминать различную информацию. Нейронные сети также способны не только анализировать входящую информацию, но и воспроизводить ее из своей памяти. Другими словами, нейросеть это машинная интерпретация мозга человека, в котором находятся миллионы нейронов передающих информацию в виде электрических импульсов"

• Сеть Хемминга

Преимущества нейронных сетей

1. Нелинейность. Наиболее важным свойством искусственных нейронных сетей, обусловленным спецификой нелинейности, является то, что она распространяется по сети. Попытка смоделировать нелинейные физические механизмы, к которым, относится механизм ценообразования на фондовом рынке, предполагает нелинейность модели, которую могут обеспечить нейронные сети. Это главное преимущество данного подхода по сравнению с классическими методами анализа. Конечно, если элементы сети, нейроны, являются линейными, то и сеть будет линейной.

2. Адаптивность. Любая нейронная сеть может адаптироваться к новой среде, подстраиваясь к изменениям при помощи регулирования синаптических весов между нейронами. Это свойство позволяет использовать системы на основе нейронных сетей в нестационарных, то есть динамических средах. Для анализа фондового рынка, сложной самоорганизующейся динамической системы, адаптивность искусственных нейронных сетей является приоритетной.

3. Отсутствие априорных наблюдений. Моделирование механизмов ценообразования на фондовом рынке с использованием априорных эмпирических наблюдений отдаляет этот подход от чисто технического. Искусственные нейронные сети позволяют создавать модели, которые обучаются с нуля. Это свойство предоставляется благодаря возможности прямого отображения входных данных в выходные при обучении.

4. Однородность и гибкость. Искусственные нейронные сети являются универсальным и очень гибким инструментом анализа. Во-первых, все сети состоят из элементарных частиц - нейронов. Во-вторых, архитектура нейронных сетей, в пределах класса задач, которые должны быть решены, в значительной степени похожа, что позволяет быстро модифицировать инструмент. И в-третьих, особенностью искусственных нейронных сетей является модульность, то есть существует возможность интеграции одной сети в другую. (Взято: 4 Бенджио Иошуа, Гудфеллоу Ян, Глубокое обучение - Мск: ДМК Пресс, 2017.)

Применение нейросетей

• прогнозирование;
• классификация и кластеризация;
• сжатие, кодирование / декодирование;
• распознавание образов (изображений и работа с видеопотоком);
• более сложный вариант - применение в системах управления;

Парадигмы обучения нейросетей

• С учителем
• Без учителя
• С подкреплением (ReinForcement Learning)
• Метаобучение (обучение на многих задачах, чтобы быстро адаптироваться к новым): MAML, Reptile, ProtoNets

Современная литература по нейросетям

• Соломатин А.А., Овчинников В.В. "Применение нейронных сетей в экономике". Москва: Дашков и Ко, 2020.
• Прохорова Е.Н. "Нейронные сети: методы, модели, алгоритмы". Москва: ДМК Пресс, 2021.