Обучение НС может вестись с учителем или без него.

В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и по некоторому внутреннему алгоритму система подстраивает веса своих синаптических связей.

Во втором случае выходы НС формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы.

Существует великое множество различных алгоритмов обучения, которые делятся на два больших класса:

-детерминистские,

-стохастические.

В первом из них подстройка весов представляет собой жесткую последовательность действий, во втором она проводится на основе действий, подчиняющихся некоторому случайному процессу.

Среди различных конфигураций искусственных нейронных сетей встречаются такие, при классификации которых по принципу обучения, строго говоря, не подходит обучение ни с учителем, ни без него.

В таких сетях весовые коэффициенты синапсов рассчитываются только единожды, перед началом функционирования сети на основе информации об обрабатываемых данных, и все обучение сети сводится именно к этому расчету. С одной стороны, предъявление априорной информации можно расценивать как помощь учителя, но с другой - сеть фактически просто запоминает образцы до того, как на ее вход поступают реальные данные, и не может изменять свое поведение, поэтому говорить о звене обратной связи с «миром» (учителем) не приходится.

Из сетей с подобной логикой работы наиболее известны сеть Хопфилда и сеть Хэмминга, которые обычно используются для организации ассоциативной памяти.

Задача, решаемая данной сетью в качестве ассоциативной памяти, как правило, формулируется следующим образом. Известен некоторый набор двоичных сигналов (изображений, звуковых оцифровок, прочих данных, описывающих некие объекты или характеристики процессов), которые считаются образцовыми. Сеть должна уметь из произвольного неидеального сигнала, поданного на ее вход, выделить («вспомнить» по частичной информации) соответствующий ему образец (если такой есть) или «дать заключение» о том, что входные данные не соответствуют ни одному из образцов.

Сети Хопфилда, Хэмминга позволяют просто и эффективно решить задачу воссоздания образов по неполной и искаженной информации. Невысокая емкость сетей (число запоминаемых образов) объясняется тем, что сети не просто запоминают образы, а позволяют проводить их обобщение; например, с помощью сети Хэмминга возможна классификация по критерию максимального правдоподобия. Вместе с тем легкость построения программных и аппаратных моделей делает эти сети привлекательными для многих применений.

На втором,наиболее важном этапе проводится определение состава входов. Нейросеть умеет отсеивать незначимые входы, но каждый «лишний» вход утяжеляет сеть, затрудняет обучение, а главное - снижает качество прогноза. При большом числе «лишних» входов нейросеть, чаще всего, делает прогноз «сегодня будет, как вчера, завтра будет, как сегодня». Поэтому необходимо очень аккуратно подходить к добавлению новых входов.

Вообще, на входы нейросетей можно подавать самую разнообразную информацию - как дискретную (различные события) так и непрерывную (цены- индексы, индикаторы).

Состав входов обычно является наиболее «сокровенной» тайной разработчика нейросети и держится в секрете. Наиболее значимыми входами являются индикаторы технического анализа и различные фондовые индексы.

При правильном обучении НС все основные ее ошибки связанны с недостатком входной информации и глобальным изменением состояния объекта прогнозирования.

Например, прогноз максимальной цены на день вперед для НК ЛУКойл дает наибольшие ошибки прогноза в дни выхода каких-либо новостей, которые сильно влияли на российский рынок акций. НС не может прогнозировать такие события, как отставки премьер-министров, начало войны, итоги собраний акционеров и другие фундаментальные факторы. Но и в этих случаях нейросеть будет полезной, если заранее получить два варианта прогнозов: без переломного события и с ним, - тогда у трейдера уже будут ценовые уровни при разных сценариях развития событий и в зависимости от ситуации на рынке выбирается необходимый прогноз.

На третьем этапепроводится выбор типа нейросетевой технологии и метода ее обучения. Для решения практических задач часто требуются обучающие выборки большого объема, поэтому в ряде нейропакетов предусмотрены средства, облегчающие процесс формирования и использования обучающих примеров. Однако в настоящее время отсутствует универсальная методика построения обучающих выборок, и набор обучающих примеров, как правило, формируется индивидуально для каждой решаемой задачи.

Оказывается, что после многократного предъявления примеров веса сети стабилизируются, причем сеть дает правильные ответы на (почти) все примеры из базы данных. В таком случае говорят, что «сесть натренирована». В программных реализациях можно видеть, что в процессе обучения величина ошибки (сумма квадратов ошибок по всем выходам) постепенно уменьшается. Когда величина ошибки достигает нуля или приемлемого малого уровня, тренировку останавливают, а полученную сеть считают натренированной и готовой к применению на новых данных.

Вся информация, которую сеть имеет о задаче, содержится в наборе примеров. Считается, что для полноценной тренировки требуется хотя бы несколько десятков-сотен примеров. Обучение сети - сложный и наукоемкий процесс.

Четвертый этап - подготовка данных. В последние годы конъюнктура финансовых рынков претерпела значительные изменения, вследствие которых стала динамичнее. В связи с этим возникла необходимость использования специальных механизмов обучения (неравномерной выборки данных), при которых больший вес имеют более новые данные. Кроме этого, при подготовке данных необходимо руководствоваться следующим правилом: исходные данные должны быть непротиворечивы. Для решения этой проблемы, возможно, потребуется увеличить число входов.

В процессе работы периодически по мере изменения рынка и его перехода на новые уровни (минимум или максимум) необходимо проводить переобучение нейросетей на новых данных.

Обучение нейросетей - процесс простой, но длительный и требующий мониторинга. Для ускорения обучения обычно используют нейроплаты - нейроускорители, генетические, модифицированные алгоритмы обучения, как, например, пакетная обработка и пр.

На последних этапах проводят тестирование нейросети и ее запуск для получения прогнозов и оценки результатов. Для проверки правильности обучения построенной нейронной сети в нейроимитаторах предусмотрены специальные средства тестирования. В сеть вводится сигнал, который, как правило, не совпадает ни с одним из входных сигналов примеров обучающей выборки. Далее анализируется получившийся выходной сигнал сети.

Тестирование обученной сети может проводиться либо на одиночных входных сигналах, либо на тестовой выборке, которая имеет структуру, аналогичную обучающей выборке, и также состоит из пар («вход», «требуемый выход»). Обычно обучающая и тестовая выборки не пересекаются. Тестовая выборка строится индивидуально для каждой решаемой задачи. Если результаты тестирования не удовлетворяют, то просматривается набор входных данных, изменяют некоторые учебные программы или перестраивают сеть.

Выходные данные могут быть представлены как числовыми данными, так и текстовыми, преобразованными в уникальный набор чисел в зависимости от класса выполняемой задачи.