几乎所有涉足外汇、股票、大宗商品或者加密货币市场在线交易的人们，都曾听说过神经网络及其在机器人交易（也被称为专业顾问，EA）中的应用。那么，神经网络到底是什么，它们有什么共同点，它们与人工智能有何不同？其优点和缺点有哪些？最后，神经网络是否能够成为确保每位交易员持续盈利的可靠工具呢？
神经网络，是一个受生物大脑结构和操作原理启发的算法结构。它被设计成通过模拟神经元由互相连接的节点组成的复杂网络来处理数据。每个网络中的每个人工神经元，都可以接收、处理和传递其他神经元的信号。所以说，它们能够解决从最简单到高度抽象的任务。
早在1943年，人工神经元的概念就由美国科学家沃伦 斯特吉斯 麦卡洛克（Warren Sturgis MuCulloch）和沃尔特 皮茨（Walter Pitts）提出，他们创建了神经元的数学模型。沃伦 麦卡洛克出生于1898年1927年获得美国耶鲁大学医学学位，从事神经病学和神经生理学的研究工作，专门研究神经元系统。就在那时，这位科学家对人工建模人类大脑的可能性产生了浓厚的兴趣。比他小25岁的沃尔特 皮茨，自学了数学和神经生理学课程，在他很小时就展现出了杰出的能力。
1943年，皮茨在芝加哥大学见到了麦卡洛克，这一次的会面开启了两人富有成果的合作。同年，他们发表了《神经活动内在概念的逻辑演算》（A Logical Calculus of the Ideas Immanent in Nervous Activity）为人工神经网络的理论研究奠定了基础。在他们的论文中，研究人员提出了一个基于数学逻辑的神经元模型，并展示了简单人工神经网络是如何在相互关联组织得当的情况下执行复杂计算任务。这一发现揭示了人工网络在建模认知过程和创造智能机器方面的潜在用途。
这项技术的发展经历了几个重要阶段，包括弗兰克 罗森布拉特（Frank Rosenblatt）在1957年发明了感知器。感知器是用于数字分类（即将数据分组）的最简单的人工神经元网络。它是由输入量和单个输出神经元组成，每个输入量都有一个特定的权重（一个表示输入重要性的数字），每个输出神经元将输入信号与其权重乘积相加。如果这个合计值超过了某个阈值，感知器便会激活并输出一个结果；如果没有超过，则输出另一个。
更为复杂神经网络出现的另一个重要步骤，是反向传播误差算法的发展，该算法出现于20世纪70年代，成为训练多层神经网络的基石。该算法一种训练人工神经网络的方法，其中神经元权重的校正是基于网络在预测中所产生的错误。首先，网络做出一个预测，然后将其与正确答案进行比较，并计算误差。之后有关这个错误的信息将通过网络传回，使其能够在处理更多数据的过程中学习和改进预测。
麦卡洛克、皮茨和他们的继任者的著作，为人工智能概念的发展起到了基础性作用。他们的研究预见并推动了深度学习模型的创建，这些模型如今在自动翻译、图像识别、自动驾驶汽车和流程自动化等各个领域得到应用，当然也包括金融交易。
在20世纪80年代，随着计算机技术的不断进步，能够处理大量数据和进行复杂计算的神经网络开始在金融交易中得到应用。然后，它真正引起人们兴趣是在20世纪90年代，随着机器学习的发展和计算能力的提高，人们可以更有效地利用人工神经网络进行市场数据分析。
20世纪的最后十年，将神经网络用于交易机器人开发的构想应运而生，交易机器人也被称为“专家顾问”（EA），用于分析市场状况、预测价格走势以及自动执行交易操作等。这些神经网络就价格、交易量、市场指标以及其他技术分析工具的历史数据，展开训练。它们能够识别复杂的模式和依赖关系，而这些模式和关系即便对于一名有经验的交易分析师而言也不总是显而易见的。经过训练，EA能够实时独立地做出金融工具买入或卖出决策。
使用神经网络进行自动化交易取得最重大发展，是在最近的15-20年。在这段时期，它们在各个方面的有效性得到了证明。但与其他任何技术一样，使用神经网络的缺点、问题和局限性，也越发显现出来。例如，需要对EA进行初步培训，这是一个漫长、困难且需要耐心的过程。在某些情况下，神经网络可能还需要接受再培训。当它过于精确地适应历史数据而失去概括能力时，采取这一步骤是必需的。相应地还有，为了适应市场状况变化而需要不断更新数据和算法，以及对神经网络工作结果解析的困难。
在这种情况下，正如许多专家所认为的那样，神经元EA开发的主要方向之一，是创建能够根据市场变化自主调整参数的自适应系统。此外，机器学习算法的改进工作也应继续，包括能够更准确预测和更有效交易的深度神经网络。对大量变量及其组合的分析，也有助于提高系统的预测能力。
神经网络与人工智能（AI），是经常被一起使用的两个词语，然而实际上它们表达的概念各不相同。神经网络和人工智能的主要区别在于：
– 应用领域：神经网络只是人工智能中使用的工具之一，它们专门用于根据提供的示例来学习和处理数据。而人工智能，涵盖了更广泛的技术和方法，不仅仅局限于机器学习和神经网络。人工智能的目的是最大限度地实现通用性，使其能够解决不同领域的各种任务。神经网络通常只限于根据所提供数据进行有效训练的领域。
– 功能性：人工智能力争完全模仿人类的智力，具备执行复杂任务的能力，如推理、自我完善、学习、感知，甚至社会互动。另一方面，神经网络专注于特定数据的处理任务，对其进行分类以及随后的预测。
– 适应性：神经网络在它们被训练的特定任务中表现良好，在缺乏数据或者应用条件发生变化的情况下，其有效性会显著降低。人工智能包括以最少事先准备进化和适应新任务、新条件的系统。
– 技术差异：神经网络的特定之处在于，它们遵循通过神经元层进行数据传输的原理，每个神经元层根据设定的权重和激活函数转换输入数据。人工智能涵盖的技术更为广泛，能够执行更加复杂、多样的任务。为了实现智能功能，它可以采用多种多样的方法，包括逻辑编程和优化算法。
最后，让我们来引述几位领先专家对于将神经网络和人工智能融入金融交易重要性的看法：
– 方舟投资（ARK Invest）首席执行官凯瑟琳 伍德（Catherine Wood）：“神经网络在股市交易中的预测能力，是具有革命性的，通过更为精确的时机和风险评估，有可能提高收益回报。”
– 谷歌大脑（Google Brain）联合创始人吴恩达（Andrew Ng）：“神经网络有可能让金融市场变得更加高效、透明和易于接近，但我们必须谨慎对待它们给经济带来的广泛影响。”
– 英国《金融时报》全球商业专栏作家兼副主编娜拉 福鲁哈尔（Rana Foroohar）：“随着神经网络变得越来越复杂，它们可能会通过对高频和长期投资策略提供更深层的见解，从而彻底改变交易格局。”
– 桥水基金（Bridgewater Associates）创始人雷 达利奥（Ray Dalio）：“人工智能和神经网络代表了下一个金融前沿。它们消化和分析大量数据的能力，可从根本上重塑我们对市场动态和资产管理的理解。”
