FANN Neural Networks pt1

Pic Ref : http://www.stepchange.no/

1. Neural Networks (類神經網路), 透過學習跟分析來解決非線性的工程問題,一般用在最佳化理論,跟人工智慧上. Ref: http://en.wikipedia.org/wiki/Neural_network
2. 在此我們利用FANN Neural Network的基礎,來解決金融商品上的價錢預測,或者是透過歷史資料的學習分析,找出適當的進出場價格. Target: (1)藉由類神經演算法的學習跟預測的功能來推得T+1~T+N天的模擬結果. Target: (2)利用feedback運算把預測值跟實際當天收盤價做比對,做誤差性質的量化分析.
3. Basic Flow 主要分成 3 個 Layer. 分別是 Input Layer, Hidden Layer, OutPut Layer. Input Layer : 為我們的Input Inf, Hindden Layer: 為decided, 判斷決策. Output Layer : 為Out Data. 以底下的Sample 為例. 在Hidden Layer中的 H1, 它的Input 來自 X1, X2, X3, X4. Ouput 為Z1, 所以我們可以表示成 H1 = C1*X1 + C2*X2 + C3*X3 + C4*X4, C1~ C4 分別為 Cofactor(Weight),來決定每個input的權重. 在來決定output 的Direction Z1 =1; H1 ">="30 Z2 =0; H1 "<" 30 當H1 的Rrank ">=" 30, Output 就傳給 Z1, 相反的傳給Z2.... Pic Ref : http://www.information-management.com/specialreports/2008_61/10000704-1.html
4. 底下先用最簡單的範例 XOR來做實驗 table Ref : http://nxforce.blogspot.com/search/label/ANN 用數學公式表示法 簡單的說就是透過Hidden Layer的層數跟學習係數一直做Recursive的動作,算出Input跟Output的誤差,透過誤差值的調整Weight,讓Output的值最後能達到收斂狀態.所以我們就可以很明確的畫出True, False落在的的區間.在藉由這些Inf 反推回 Input 跟 Output的關係. smaple 圖示 http://www.openprocessing.org/visuals/?visualID=159
5. Ref : http://leenissen.dk/fann/