Neuroverkot ovat ohjelmistoja, jotka toimivat samalla tavalla kuin ihmisen ajattelu. Ne koostuvat suuresta määrästä ohjelmallisia hermosoluja, jotka toimivat aivan samalla tavalla kuin inhimilliset vastineensa. Neuroverkko-ohjelmat tavoittelevat yksinkertaisimmillaan sitä, että ohjelmisto alkaisi itse löytää lainalaisuudet, joilla input (historiadata) tuottaa toteutuneen todellisuuden.

Neuroverkko-ohjelmistoja on käytetty pörssikurssien ennustamiseen

Neuroverkkoja on monissa projekteissa yritetty käyttää pörssin kehityksen ennustamiseen. Tämä tehtävä sopii periaatteessa neuroverkolle. Ilmiö on monimutkainen, siihen vaikuttavat tekijät ovat moninaisia, mutta selkeän numerisia. Ennustettava ilmiö, pörssi-indeksin kehitys, on selkeä, mitattava ja yksiselitteinen. Teknisessä mielessä tämä on mitä otollisin haaste neuroverkoille. Lisäksi onnistunut ennuste tuottaisi merkittävää rahallista hyötyä.

Mutta käyttävätkö maailman suurimmat investointipankit toiminnassaan neuroverkkoja? Eivät merkittävässä määrin. Neuroverkot ovat kymmenien vuosien kokeilujen jälkeen yhä pääosin epäonnistuneet pörssikurssien ennustamisessa.

Neuroverkot osaavat ennustaa tulevaisuutta annetussa lähdeaineistossa

Syyt ovat olleet osin aivan perustavan laatuisia. Jos syötetieto on runsas, niin on itse asiassa helppo keksiä erinomaisen tarkka tapa ennustaa sitä dokumentoitua tulevaisuutta, joka on aineistossa mukana. Mutta ongelmana on vain se, että keksitty algoritmi pettää heti, jos samaa ennustustapaa käyttää johonkin tulevaisuuden päivään, jota aineistossa ei ole mukana. Ilmiö on sama kuin historian tulkitsemisessa. On jälkikäteen helppoa keksiä syyt, miksi historia tapahtui niin kuin se tapahtui. Mutta on verrattomasti vaikeampaa ennustaa tulevaisuutta tästä eteenpäin. 

Ja vielä pahempaa. Lähes minkä tahansa kohtuullisen runsaan aineiston perusteella on jopa äärettömän monta erilaista tapaa selittää se tulevaisuus, joka toteutui aineistossa. Siis on olemassa äärettömän monta väärää tapaa luulla ymmärtävänsä ilmiö. Teoreetikot kutsuvat näitä selitystapoja ortogonaalisten funktioiden joukoiksi. Ja niiden ominaisuutena on se, että millä tahansa niistä voidaan aina laatia ennustemenetelmä, joka toimii koko aineistossa. Mutta yleensä löydetty menetelmä pettää heti, kun sitä sovelletaan sellaiseen päivään, jota ei ole mukana aineistossa. 

Neuroverkot antavat väärän ennusteen oikeasta tulevaisuudesta

Miten tämä liittyy neuroverkkoihin? Neuroverkot löytävät yleensä yhden aineistossa toimivan ennustemenetelmän, joka sitten pettää heti kun ohjelmistoa käyttää todellisessa elämässä. Harmillinen juttu.

Mutta inhimilliset ihmiset osaavat laatia monasti ihan toimivia ennusteita. Tähän on hyvä syy, kulttuuri. Otetaanpa esimerkki. Tiedämme, että bruttokansantuotteen suhteellisella kasvulla voi olla merkitystä sille miten pörssikurssit kehittyvät tulevaisuudessa. Meillä on kulttuurin tuomaa tietoa. Ja kun saamme datasarjan, jossa kerrotaan korruption kehittymisestä eri maissa, tiedämme että korruption väheneminen voi olla merkittävä pörssikurssien kehitykseen vaikuttava tekijä.

Neuroverkkojen pettäminen johtuu niiden puutteellisesta kulttuuritaustasta

Neuroverkolla ei ole ennakkoymmärrystä. Se lähtee pohtimaan asiaa aivan liian yleisellä tavalla. Saadessaan tilaston korruptiosta eri vuosina, neuroverkko alkaa pohtia sitä vaikuttaako viiden vuoden takaisen korruption tason neliöjuuri pörssikurssien nykyiseen kehitykseen. Ja ennen pitkää se näiden ponnistelujensa tuloksena löytää laskentatavan, joka toimii aineistossa, mutta joka on todellisuudessa aivan väärä. Ja noita täysin vääriä tapoja on äärettömän monta. Niinpä neuroverkko pääseekin nopeasti tulokseen, joka toimii aineistossa, mutta joka on täysin mielipuolinen ja vailla todellisuuspohjaa.