与每个输入神经元相关联的值被向前输入到第一个隐藏层的相关神经元，然后乘上一个适当的权重，加总起来，经过一个传递函数产生一个输出。来自第一个隐藏层的输出接着就要么被向前送入第二个隐藏层，要么就直接被送入只有一个隐藏层的网络的输出层。输出层的输出结果就是该网络做出的预测。
隐藏层的神经元数是通过实验确定的，对任何一个类似股票或期货价格预测的非线性問題，网络至少需要有一个隐藏层．此外，传递函数应该是一个非线性的、可以不断微分的函数，比如 s 形的，允许网络执行非线性的统计模拟。图 5－8 介绍了一个隐藏神经元的例子。
输入数据选择和处理 神经系统网络建立在开发者对现实世界的输入和输出之间关系的理解的基础上。作出的决定必须与将要预测什么以及网络需要什么样的输入数据有关。“无用输入，无用输出”也同样适用于神经系统网络对金融市场的认识以及对各種工其的使用，比如寻找各相关市场间的关联的基本成分分析，对于正确地选择输入数据都是必需的，一旦输入数据被选出后，就必须进行加工。通过减小网络的输入，可以使认识变得更简单。两種被广泛使用的加工方法就是我们所知的“转化”和“统一化”：转化是通过对原始数据输入的操作，向网络产生一个单精度的输入，统一化则把输入的单精度数据转化，均匀分布，并把这些数据缩放以匹配输入神经元的范围。
在神经系统网络的许多应用中，转化包含着对输入数据的代数的和统计的操作：在金融预测应用中，有着各種各样的用来解释市场行为的技术指标，这些指标都可用作转换的工具。预处理后的输入可能会含有差别。比例，以及开盘、最高、最低、收盘、成交量及开盘利息原始数据的移动平均等。输入层中的每个神经元都代表着一个经过预处理后的输入。
