Упростим  тему  по максимуму.
Возьмем  данные,  10 входных точек. Неважно чего, неважно каких.
Возьмем  1  нейрон, который  видит эти 10 точек,  а  значит  у него есть 10 весов  которые  нужно найти.
Процесс нахождения  весов и есть обучение.

Метод обучения  на примерах.  Значит мы  должны  знать заранее ответы,  какое значение примет сеть  для  каждого примера.
Есть методы обучения  без примеров.
Вот такой  примитив.

И это не  работает потому  что:

1.  Когда мы  подаем нестационарные  данные,  ответы  так же будут нестационарны, какую бы математику  мы  не  применили. Не существует математики корректно описывающей  нестационарные  процессы.  Сети инструмент стационарный!!!!!  Это означает что необходимо подавать стационарные  данные  на вход. Самый  яркий  пример синусоида,  идеал стационарности и по амплитуде, и по частоте.
2. Метод обучения  на  примерах,  применять нельзя. Потому что для  любого набора  данных невозможно разметить данные 100% правильно. Потому  что у вас в реальном рынке есть куча  факторов задержка, скорость расчетов, скорость выставления  и получения  данных, точность этих данных, ликвидность,  набрал позу или нет,  и в  каком объеме и  тд и тп.
3. Таким образом применение сетей реально серьезная  софтовая  задача, придется  разработать очень серьезный  комплекс, внутри которого будет зашита сеть для обучения,  и отдельный  режим этого софта для  тестирования  полученных результатов.

Если вы не умеете программировать забудьте про сети.
Если умеете, будьте  готовы  писать очень большой и сложный  проект. Который  даст мощный  исследовательский  инструмент, и не факт что этот  инструмент даст необходимый  результат.

И сами сети здесь в общем то вторичны, по сравнению  задачей  по разработке всего комплекса софта в  целом.

Вам потребуется:
1. Данные  в виде ордерлога  из которых вы будете  нарезать модели данных для сети.
2. Видеокарта с CUDA + ваш супер софт.
3. Крайне необычно мыслящий мозг, который будет способен решать такую исследовательскую задачу.