Les réseaux de neurones artificiels s’inspirent du fonctionnement du cerveau et du système nerveux ou, plus exactement, de la représentation que l’on s’en fait.

Il existe deux grandes catégories de réseaux :
- les réseaux à apprentissage supervisé dans lesquels le système apprend à reconnaître des formes à partir d’un échantillon d’apprentissage qui associe les modalités portées par des variables censées caractériser une forme, et la forme elle-même. Sur cet échantillon les résultats correspondant aux
divers ensembles d’informations données au système sont connus. C’est à partir de là que le système se paramètre.

- les réseaux à apprentissage non supervisé, qui sont utilisés lorsque l’utilisateur du réseau n’est pas en mesure de présenter au système un échantillon mettant en regard une somme d’informations et la forme
qu’elle est censée représenter. Le réseau s’auto-organise de façon à découvrir des formes récurrentes dans les informations qu’il reçoit, mais il le fait sans aide extérieure, contrairement aux réseaux à apprentissage supervisé. Le plus connu de cette catégorie de réseaux est celui de Kohonen (1984)

Dans le domaine de la finance, c’est le premier type de réseau que l’on utilise, le plus généralement, appelé réseau à couches.

Les neurones sont reliés entre eux par l’intermédiaire de poids synaptiques. L’algorithme d’apprentissage aura pour tâche d’évaluer ces poids en fonctions des données présentées lors de la phase d’apprentissage.
Il est à noter que certains réseaux plus complexes peuvent rajouter des connexions directes entre la couche d’entrée et la couche de sortie.
Dans le domaine qui nous intéresse, les neurones disposés sur la couche d’entrée reçoivent les informations censées expliquer le phénomène à analyser.

Chaque neurone collecte les informations fournies par les neurones de la couche précédente avec lesquels il se trouve en relation et calcule alors son potentiel d’activation. Celui-ci est ensuite transformé par une fonction pour déterminer l’impulsion envoyée aux neurones de la couche suivante
(potentiel de sortie).
L’activation d’un neurone est donnée par la somme des potentiels de sortie de ses prédécesseurs, pondérée par les poids synaptiques. Ce potentiel d’activation est ensuite transformé par une fonction afin de déterminer le potentiel de sortie.

Le réseau se paramètre à l’aide d’un échantillon d’apprentissage, qui associe des formes présentées à un résultat désiré. C’est l’algorithme d’apprentissage qui ajuste les poids synaptiques en cherchant à
minimiser une fonction de coût.
Après avoir initialisé les poids synaptiques de façon aléatoire, un premier calcul est effectué dans l’ordre topologique du réseau. La sortie obtenue est alors comparée à la sortie désirée et la fonction de coût, E est évaluée.

L’erreur totale commise par le système est ensuite rétropropagée de la couche de sortie vers la couche d’entrée et les poids synaptiques sont modifiés, ce qui permet d’initier un nouveau calcul. Le processus se poursuit ainsi jusqu’à ce que l’utilisateur intervienne pour y mettre fin ou jusqu’à ce qu’une valeur de la fonction de coût, fixée a priori soit atteinte.