![Matrices y vectores en MQL5](https://c.mql5.com/2/49/matrix_vectors_mql5_600x314.jpg)
Matrices y vectores en MQL5
La matriz y el vector de tipos de datos especiales nos permiten escribir un código próximo a la notación matemática. Esto elimina la necesidad de crear ciclos anidados y recordar la indexación correcta de las matrices que participan en los cálculos, aumentando la fiabilidad y la velocidad del desarrollo de programas complejos.
![Programamos una red neuronal profunda desde cero usando el lenguaje MQL](https://c.mql5.com/2/49/Programming-a-Deep-Neural-Network-from-Scratch-using-MQL-Language_600x314.jpg)
Programamos una red neuronal profunda desde cero usando el lenguaje MQL
El objetivo de este artículo es enseñar al lector cómo crear una red neuronal profunda desde cero utilizando el lenguaje MQL4/5.
![Perceptrón Multicapa y Algoritmo de Retropropagación (Parte II): Implementación en Python e integración en MQL5](https://c.mql5.com/2/49/Multilayer-perceptron-and-backpropagation-algorithm_002_600x314.jpg)
Perceptrón Multicapa y Algoritmo de Retropropagación (Parte II): Implementación en Python e integración en MQL5
Se ha puesto a disposición un paquete de Python con el propósito de desarrollar la integración en MQL, lo que abre las puertas a numerosas posibilidades como la exploración de datos, la creación y el uso de modelos de aprendizaje automático. Esta integración nativa de MQL5 en Python abre las puertas a muchas posibilidades de uso que nos permiten construir desde una simple regresión lineal a un modelo de aprendizaje profundo. Entendamos cómo instalar y preparar el entorno de desarrollo y usar algunas de las bibliotecas de aprendizaje automático.
![Redes neuronales: así de sencillo (Parte 13): Normalización por lotes (Batch Normalization)](https://c.mql5.com/2/49/Neural_networks_made_easy_003_600x314.jpg)
Redes neuronales: así de sencillo (Parte 13): Normalización por lotes (Batch Normalization)
En el artículo anterior, comenzamos a analizar varios métodos para mejorar la calidad del aprendizaje de la red neuronal. En este artículo, proponemos al lector continuar con este tema y analizar la normalización por lotes de los datos, un enfoque muy interesante.
![Redes neuronales: así de sencillo (Parte 12): Dropout](https://c.mql5.com/2/49/Neural_networks_made_easy_002_600x314.jpg)
Redes neuronales: así de sencillo (Parte 12): Dropout
A la hora de proseguir el estudio de las redes neuronales, probablemente merezca la pena prestar un poco de atención a los métodos capaces de aumentar su convergencia durante el entrenamiento. Existen varios de estos métodos. En este artículo, proponemos al lector analizar uno de ellos: el Dropout (dilución).
![Aprendizaje de máquinas en sistemas comerciales con cuadrícula y martingale. ¿Apostaría por ello?](https://c.mql5.com/2/49/8826_ml_grid_martingale_600x314.jpg)
Aprendizaje de máquinas en sistemas comerciales con cuadrícula y martingale. ¿Apostaría por ello?
En este artículo, presentaremos al lector la técnica del aprendizaje automático para el comercio con martingale y cuadrícula. Para nuestra sorpresa, este enfoque, por algún motivo, no se ha tratado en absoluto en la red global. Después de leer el artículo, podremos crear nuestros propios bots.
![Redes neuronales: así de sencillo (Parte 11): Variaciones de GTP](https://c.mql5.com/2/49/Neural_networks_made_easy_001_600x314.jpg)
Redes neuronales: así de sencillo (Parte 11): Variaciones de GTP
Hoy en día, quizás uno de los modelos de lenguaje de redes neuronales más avanzados sea GPT-3, que en su versión máxima contiene 175 mil millones de parámetros. Obviamente, no vamos a crear semejante monstruo en condiciones domésticas. Pero sí que podemos ver qué soluciones arquitectónicas se pueden usar en nuestro trabajo y qué ventajas nos ofrecerán.
![Aplicación práctica de las redes neuronales en el trading (Parte 2). Visión por computadora](https://c.mql5.com/2/49/Practical_application_of_neural_networks_in_trading_001_600x314.jpg)
Aplicación práctica de las redes neuronales en el trading (Parte 2). Visión por computadora
El uso de la visión por computadora permite entrenar redes neuronales con la representación visual de la tabla de precios y los indicadores. Este método nos permitirá utilizar con mayor libertad todo el complejo de indicadores técnicos, pues no requiere su suministro digital a la red neuronal.
![Redes neuronales: así de sencillo (Parte 10): Multi-Head Attention (atención multi-cabeza)](https://c.mql5.com/2/49/Neural_Networks_Easy_009_600x314.jpg)
Redes neuronales: así de sencillo (Parte 10): Multi-Head Attention (atención multi-cabeza)
Ya hemos hablado con anterioridad del mecanismo de auto-atención (self-attention) en las redes neuronales. En la práctica, en las arquitecturas de las redes neuronales modernas, se usan varios hilos de auto-atención paralelos para buscar diversas dependencias entre los elementos de la secuencia. Vamos a ver la implementación de este enfoque y evaluar su influencia en el rendimiento general de la red.
![Redes neuronales: así de sencillo (Parte 9): Documentamos el trabajo realizado](https://c.mql5.com/2/49/Neural_networks_made_easy_008_600x314.jpg)
Redes neuronales: así de sencillo (Parte 9): Documentamos el trabajo realizado
Ya hemos recorrido un largo camino y el código de nuestra biblioteca ha crecido de manera considerable. Resulta difícil monitorear todas las conexiones y dependencias. Y, obviamente, antes de proseguir con el desarrollo del proyecto, necesitaremos documentar el trabajo ya realizado y actualizar la documentación en cada paso posterior. Una documentación debidamente redactada nos ayudará a ver la integridad de nuestro trabajo.
![Redes neuronales: así de sencillo (Parte 8): Mecanismos de atención](https://c.mql5.com/2/49/Neural_Networks_Easy_008_600x314.jpg)
Redes neuronales: así de sencillo (Parte 8): Mecanismos de atención
En artículos anteriores, ya hemos puesto a prueba diferentes variantes para organizar las redes neuronales, incluyendo las redes convolucionales, adoptadas de algoritmos de procesamiento de imágenes. En el presente artículo, les proponemos analizar los mecanismos de atención, cuya aparición impulsó el desarrollo de los modelos de lenguaje.
![Perceptrón Multicapa y Algoritmo de Retropropagación](https://c.mql5.com/2/49/Multilayer-perceptron-and-backpropagation-algorithm_001_600x314.jpg)
Perceptrón Multicapa y Algoritmo de Retropropagación
Recientemente, al aumentar la popularidad de estos dos métodos, se han desarrollado tantas bibliotecas en Matlab, R, Python, C++, etc., que reciben el conjunto de entrenamiento como entrada y construyen automáticamente una red neuronal apropiada para el supuesto problema. Vamos a entender cómo funciona un tipo básico de red neural, (perceptrón de una sola neurona y perceptrón multicapa), y un fascinante algoritmo encargado del aprendizaje de la red, (gradiente descendente y retropropagación). Estos modelos de red servirán como base para los modelos más complejos que existen hoy en día.
![Remuestreo avanzado y selección de modelos CatBoost con el método de fuerza bruta](https://c.mql5.com/2/49/Advanced-resampling-and-selection-of-CatBoost-models-by-brute-force-method_600x314.jpg)
Remuestreo avanzado y selección de modelos CatBoost con el método de fuerza bruta
Este artículo describe uno de los posibles enfoques respecto a la transformación de datos para mejorar las capacidades generalizadoras del modelo, y también analiza la iteración sobre los modelos CatBoost y la elección del mejor de ellos.
![Redes neuronales: así de sencillo (Parte 7): Métodos de optimización adaptativos](https://c.mql5.com/2/49/Neural_Networks_Easy_007_600x314.jpg)
Redes neuronales: así de sencillo (Parte 7): Métodos de optimización adaptativos
En artículos anteriores, hemos usado el descenso de gradiente estocástico para entrenar una red neuronal utilizando una única tasa de aprendizaje para todas las neuronas de la red. En este artículo, proponemos al lector buscar métodos de aprendizaje adaptativo que nos permitan modificar la tasa de aprendizaje de cada neurona. Vamos a echar un vistazo a las ventajas y desventajas de este enfoque.
![Redes neuronales: así de sencillo (Parte 6): Experimentos con la tasa de aprendizaje de la red neuronal](https://c.mql5.com/2/49/Neural_Networks_Easy_006_600x314.jpg)
Redes neuronales: así de sencillo (Parte 6): Experimentos con la tasa de aprendizaje de la red neuronal
Ya hemos hablado sobre algunos tipos de redes neuronales y su implementación. En todos los casos, hemos usado el método de descenso de gradiente para entrenar las redes neuronales, lo cual implica la elección de una tasa de aprendizaje. En este artículo, queremos mostrar con ejemplos lo importante que resulta elegir correctamente la tasa de aprendizaje, y también su impacto en el entrenamiento de una red neuronal.
![Redes neuronales: así de sencillo (Parte 5): Cálculos multihilo en OpenCL](https://c.mql5.com/2/49/Neural_Networks_Easy_005_600x314.jpg)
Redes neuronales: así de sencillo (Parte 5): Cálculos multihilo en OpenCL
Ya hemos analizado algunos tipos de implementación de redes neuronales. Podemos ver con facilidad que se repiten las mismas operaciones para cada neurona de la red. Y aquí sentimos el legítimo deseo de aprovechar las posibilidades que ofrece la computación multihilo de la tecnología moderna para acelerar el proceso de aprendizaje de una red neuronal. En el presente artículo, analizaremos una de las opciones para tal implementación.
![Gradient boosting en el aprendizaje de máquinas transductivo y activo](https://c.mql5.com/2/49/gradient_boosting_catboost_ml_600x314.jpg)
Gradient boosting en el aprendizaje de máquinas transductivo y activo
En este artículo, el lector podrá familiarizarse con los métodos de aprendizaje automático activo basados en datos reales, descubriendo además cuáles son sus ventajas y desventajas. Puede que estos métodos terminen por ocupar un lugar en su arsenal de modelos de aprendizaje automático. El término transducción fue introducido por Vladímir Naúmovich Vápnik, el inventor de la máquina de vectores de soporte (SVM).
![Redes neuronales: así de sencillo (Parte 4): Redes recurrentes](https://c.mql5.com/2/49/Neural_Networks_Easy_004_600x314.jpg)
Redes neuronales: así de sencillo (Parte 4): Redes recurrentes
Continuamos nuestra inmersión en el mundo de las redes neuronales. En el presente artículo, hablaremos de las redes neuronales recurrentes. Este tipo de redes neuronales se ofrece para su utilización con series temporales, que son precisamente los gráficos de precios en la plataforma comercial MetaTrader 5.
![Redes neuronales: así de sencillo (Parte 3): Redes convolucionales](https://c.mql5.com/2/49/Neural_Networks_Easy_003_600x314.jpg)
Redes neuronales: así de sencillo (Parte 3): Redes convolucionales
Continuando el tema de la redes neuronales, proponemos al lector analizar las redes neuronales convolucionales. Este tipo de redes neuronales ha sido desarrollado para buscar objetos en una imagen. Asimismo, analizaremos cómo nos pueden ayudar al operar en los mercados financieros.
![Redes neuronales: así de sencillo (Parte 2): Entrenamiento y prueba de la red](https://c.mql5.com/2/49/Neural_Networks_Easy_001_600x314.jpg)
Redes neuronales: así de sencillo (Parte 2): Entrenamiento y prueba de la red
En el presente artículo, proseguiremos nuestro estudio de las redes neuronales, iniciado en el artículo anterior, y analizaremos un ejemplo de uso en los asesores de la clase CNet que hemos creado. Asimismo, analizaremos dos modelos de red neuronal que han mostrado resultados semejantes tanto en su tiempo de entrenamiento, como en la precisión de sus predicciones.
![Aprendizaje de máquinas de Yándex (CatBoost) sin estudiar Python y R](https://c.mql5.com/2/49/CatBoost-machine-learning-algorithm-from-Yandex-with-no-Python-or-R-knowledge-required_600x314.jpg)
Aprendizaje de máquinas de Yándex (CatBoost) sin estudiar Python y R
En el artículo, descricribiremos las etapas del proceso de aprendizaje de máquinas usando un ejemplo concreto, y también adjuntaremos un código sobre el mismo. Para obtener los modelos, no necesitaremos conocer ningún lenguaje de programación como Python o R. Los conocimientos requeridos de MQL5 no serán profundos, iguales, por cierto, que los del autor del presente artículo; por eso, esperamos que este artículo sirva de guía para un amplio círculo de lectores que deseen valorar de forma experimental las posibilidades del aprendizaje de máquinas e implementar estas en sus desarrollos.
![Gradient boosting (CatBoost) en las tareas de construcción de sistemas comerciales. Un enfoque ingenuo](https://c.mql5.com/2/49/finding_seasonal_patterns_catboost_600x314.jpg)
Gradient boosting (CatBoost) en las tareas de construcción de sistemas comerciales. Un enfoque ingenuo
Entrenamiento del clasificador CatBoost en el lenguaje Python, exportación al formato mql5; análisis de los parámetros del modelo y simulador de estrategias personalizado. Para preparar los datos y entrenar el modelo, se usan el lenguaje de programación Python y la biblioteca MetaTrader5.
![Aplicación práctica de las redes neuronales en el trading. Pasamos a la práctica](https://c.mql5.com/2/49/Practical_application_of_neural_networks_in_trading_002_600x314.jpg)
Aplicación práctica de las redes neuronales en el trading. Pasamos a la práctica
En el presente artículo, ofrecemos la descripción y las instrucciones del uso práctico de los módulos de red neuronal en la plataforma Matlab. Asimismo, comentaremos los aspectos principales de la construcción de un sistema comercial con uso de modelos de redes neuronales (RN). Para que resulte más fácil familiarizarse con el complejo de elementos comprimidos para el presente artículo, hemos tenido que modernizarlo de forma que se puedan compatibilizar varias funciones del modelo de RN.
![Redes neuronales: así de sencillo](https://c.mql5.com/2/49/Neural_Networks_Easy_002_600x314.jpg)
Redes neuronales: así de sencillo
Cada vez que hablamos de inteligencia artificial, en nuestra cabeza surgen todo tipo de ideas fantásticas, y nos parece que se trata de algo complicado e inalcanzable. Sin embargo, cada día oímos hablar de la inteligencia artificial en nuestra vida diaria. En las noticias se escribe con cada vez mayor frecuencia sobre los logros en el uso de redes neuronales. En el presente artículo, queremos mostrar al lector lo sencillo que puede resultar para cualquiera crear una red neuronal y usar los logros de la inteligencia artificial en el trading.
![Neuroredes profundas (Parte VIII). Aumentando la calidad de la clasificación de los conjuntos bagging](https://c.mql5.com/2/48/Deep_Neural_Networks_08.png)
![Neuroredes profundas (Parte VIII). Aumentando la calidad de la clasificación de los conjuntos bagging](https://c.mql5.com/i/articles/overlay.png)
Neuroredes profundas (Parte VIII). Aumentando la calidad de la clasificación de los conjuntos bagging
En el artículo se analizan tres métodos con cuya ayuda podemos aumentar la calidad de clasificación de los conjuntos bagging y valorar su efectividad. Se ha evaluado cómo influye la optimización de los hiperparámetros de las redes neuronales ELM y los parámetros de post-procesado en la calidad de clasificación del conjunto.
![Neuroredes profundas (Parte VII). Conjunto de neuroredes: stacking](https://c.mql5.com/2/48/Deep_Neural_Networks_07.png)
![Neuroredes profundas (Parte VII). Conjunto de neuroredes: stacking](https://c.mql5.com/i/articles/overlay.png)
Neuroredes profundas (Parte VII). Conjunto de neuroredes: stacking
Continuamos construyendo conjuntos. Ahora vamos a añadir al conjunto bagging creado anteriormente un combinador entrenable: una red neuronal profunda. Una red neuronal combina las mejores 7 salidas del conjunto después de la poda. La segunda recibe en la entrada las 500 salidas del conjunto, las poda y las combina. Construiremos las redes neuronales con la ayuda del paquete keras/TensorFlow de Python. Veremos brevemente las posibilidades del paquete. Y finalmente, realizaremos la simulación y compararemos la calidad de la clasificación de los conjuntos bagging y stacking.
![Neuroredes profundas (Parte VI). Conjunto de clasificadores de redes neuronales: bagging](https://c.mql5.com/2/48/Deep_Neural_Networks_06.png)
![Neuroredes profundas (Parte VI). Conjunto de clasificadores de redes neuronales: bagging](https://c.mql5.com/i/articles/overlay.png)
Neuroredes profundas (Parte VI). Conjunto de clasificadores de redes neuronales: bagging
Vamos a ver los métodos de construcción y entrenamiento de conjuntos de redes neuronales con la estructura bagging. También vamos a definir las peculiaridades de la optimización de los hiperparámetros de los clasificadores de redes neuronales individuales que componen el conjunto. Asimismo, compararemos la calidad de la red neuronal optimizada obtenida en el artículo anterior de la serie, y el conjunto creado de redes neuronales. Para finalizar, analizaremos las diferentes opciones para mejorar aún más la calidad de clasificación del conjunto.
![Neuroredes profundas (Parte V). Optimización bayesiana de los hiperparámetros de las DNN](https://c.mql5.com/2/48/Deep_Neural_Networks_05.png)
![Neuroredes profundas (Parte V). Optimización bayesiana de los hiperparámetros de las DNN](https://c.mql5.com/i/articles/overlay.png)
Neuroredes profundas (Parte V). Optimización bayesiana de los hiperparámetros de las DNN
En el artículo se analizan las posibilidades de la optimización bayesiana de los hiperparámetros de las neuroredes profundas obtenidas con diferentes formas de entrenamiento. Se compara la calidad de la clasificación de las DNN con los hiperparámetros óptimos en diferentes variedades de entrenamiento. Se ha comprobado mediante forward tests la profundidad de la efectividad de los hiperparámetros óptimos de la DNN. Se han definido los posibles campos de mejora de la calidad de la clasificación.
![Neuroredes profundas (Parte IV). Creación, entrenamiento y simulación de un modelo de neurored](https://c.mql5.com/2/48/Deep_Neural_Networks_04.png)
![Neuroredes profundas (Parte IV). Creación, entrenamiento y simulación de un modelo de neurored](https://c.mql5.com/i/articles/overlay.png)
Neuroredes profundas (Parte IV). Creación, entrenamiento y simulación de un modelo de neurored
En el artículo se analizan las nuevas posibilidades del paquete darch (v.0.12.0). Se describen los resultados del entrenamiento de una red neuronal profunda con diferentes tipos de datos, estructura y secuencia de entrenamiento. También se analizan los resultados.
![Neuroredes profundas (Parte III). Selección de ejemplos y reducción de dimensiones](https://c.mql5.com/2/48/Deep_Neural_Networks_03.png)
![Neuroredes profundas (Parte III). Selección de ejemplos y reducción de dimensiones](https://c.mql5.com/i/articles/overlay.png)
Neuroredes profundas (Parte III). Selección de ejemplos y reducción de dimensiones
Este artículo continúa la serie de publicaciones sobre las neuroredes profundas. Vamos a analizar la selección de ejemplos (eliminación de ruidos), la reducción de los datos de entrada y la división del conjunto en train/val/test durante la preparación de los datos.
![Neuroredes profundas (Parte II). Desarrollo y selección de predictores](https://c.mql5.com/2/48/Deep_Neural_Networks_02.png)
![Neuroredes profundas (Parte II). Desarrollo y selección de predictores](https://c.mql5.com/i/articles/overlay.png)
Neuroredes profundas (Parte II). Desarrollo y selección de predictores
En este segundo artículo de la serie sobre redes neuronales profundas se analizarán la transformación y la selección en el proceso de preparación de los datos para el entrenamiento del modelo.
![Neuroredes profundas (Parte I). Preparación de datos](https://c.mql5.com/2/48/Deep_Neural_Networks_01.png)
![Neuroredes profundas (Parte I). Preparación de datos](https://c.mql5.com/i/articles/overlay.png)
Neuroredes profundas (Parte I). Preparación de datos
Esta serie de artículos continúa y desarrolla el tema de las neuroredes profundas (DNN), que ha sido incluidas en los últimos tiempos en muchas áreas aplicadas, incluyendo el trading. Se analizan las corrientes de dicho tema, comprobándose con experimentos prácticos los nuevos métodos e ideas. El primer artículo de la serie está dedicado a la preparación de los datos para las DNN.
![Red Neuronal: EA autooptimizable](https://c.mql5.com/2/24/Red_Neuronal.png)
![Red Neuronal: EA autooptimizable](https://c.mql5.com/i/articles/overlay.png)
Red Neuronal: EA autooptimizable
¿Podríamos diseñar un EA que periódicamente, según ordenara su código, autooptimizara los criterios de apertura o cierre de posición?.¿Qué pasaría si implementamos en el EA una red neuronal (perceptrón multicapa) que sea el módulo que analice el historial y evalúe la estrategia?. Podríamos decirle al código: "optimiza cada mes (cada semana, cada día o cada hora) la red neuronal y continúa tu trabajo". ¡De esta forma, tendríamos un EA autooptimizable!
![Evaluación y selección de variables en modelos de aprendizaje de máquinas](https://c.mql5.com/2/20/machine_learning.png)
![Evaluación y selección de variables en modelos de aprendizaje de máquinas](https://c.mql5.com/i/articles/overlay.png)
Evaluación y selección de variables en modelos de aprendizaje de máquinas
Este artículo se centra en aspectos específicos relacionados con la elección, los prerrequisitos y la evaluación de las variables de entrada (predictores) de los modelos de aprendizaje de máquinas. Vamos a plantear nuevos enfoques, y también expondremos las oportunidades que ofrece el análisis predictivo profundo, así como la influencia que tiene en el sobreajuste de los modelos. El resultado general de los modelos depende en gran medida del resultado de esta etapa. Analizaremos dos paquetes que ofrecen enfoques nuevos y originales para seleccionar predictores.
![Tercera generación de neuroredes: "Neuroredes profundas"](https://c.mql5.com/2/12/Deep_neural_network_MetaTrader5__2.png)
![Tercera generación de neuroredes: "Neuroredes profundas"](https://c.mql5.com/i/articles/overlay.png)
Tercera generación de neuroredes: "Neuroredes profundas"
El artículo está dedicado a una corriente nueva con muy buenas perspectivas en el aprendizaje automático, al así llamado "aprendizaje profundo" y más concretamente a las "neuroredes profundas". Se ha efectuado una breve panorámica de las neuroredes de 2 generación, sus arquitecturas de conexiones y tipos, métodos y normas de aprendizaje principales, así como de sus defectos más destacables. A continuacón se estudia la historia de la aparición y el desarrollo de las neuroredes de tercera generación, sus tipos principales, sus particularidades y métodos de aprendizaje. Se han realizado experimentos prácticos sobre la construcción y aprendizaje con datos reales de neurored profunda, iniciada con los pesos del auto-codificador acumulado. Se han estudiado todas las etapas, desde los datos de origen hasta la obtención de la métrica. En la última parte del artículo, se adjunta la implementación programática de una neurored profunda en forma de indicador-experto en MQL4/R.
![Neuroredes gratis y a mogollón: NeuroPro y MetaTrader 5](https://c.mql5.com/2/12/NeuroPro_MetaTrader4_neural_net.png)
![Neuroredes gratis y a mogollón: NeuroPro y MetaTrader 5](https://c.mql5.com/i/articles/overlay.png)
Neuroredes gratis y a mogollón: NeuroPro y MetaTrader 5
Si los programas especializados de nueroredes para el trading le parecen caros o complicados (o al contrario, primitivos), entonces pruebe NeuroPro, está en ruso, es gratuito y contiene el conjunto ideal de posibilidades para los aficionados. Prodrá familiarizarse con su uso en MetaTrader 5 en este artículo.
![Los bosques aleatorios predicen las tendencias](https://c.mql5.com/2/11/Random_Forest_MetaTrader5.png)
![Los bosques aleatorios predicen las tendencias](https://c.mql5.com/i/articles/overlay.png)
Los bosques aleatorios predicen las tendencias
En el artículo se describe el uso del paquete Rattle para la búsqueda automática de patrones capaces de predecir "longs" y "shorts" para las parejas de divisas del mercado Fórex. El artículo será de utilidad tanto a los principiantes, como a los traders experimentados.
![Aprendizaje Automático: Cómo usar las Máquinas de Vectores de Soporte en Trading](https://c.mql5.com/2/0/iStock_000020410350_Small.png)
![Aprendizaje Automático: Cómo usar las Máquinas de Vectores de Soporte en Trading](https://c.mql5.com/i/articles/overlay.png)
Aprendizaje Automático: Cómo usar las Máquinas de Vectores de Soporte en Trading
Las máquinas de vectores de soporte se usan desde hace mucho tiempo en campos como la bioinformática y matemáticas aplicadas para estudiar conjuntos de datos complejos y extraer patrones que se pueden usar para clasificar datos. Este artículo examina qué es una máquina de vectores de soporte, cómo funciona y por qué puede resultar muy útil a la hora de extraer patrones complejos. Después investigaremos cómo se puede aplicar al mercado y usar potencialmente para tomar decisiones de trading. Usando la Herramienta de Aprendizaje de Máquina de Vectores de Soporte, el artículo facilitará ejemplos listos que permitirán a los lectores experimentar con sus propias operaciones de trading.
![Redes neuronales: de la teoría a la práctica](https://c.mql5.com/2/0/ava_seti.png)
![Redes neuronales: de la teoría a la práctica](https://c.mql5.com/i/articles/overlay.png)
Redes neuronales: de la teoría a la práctica
Hoy en día, cualquier operador ha oído hablar de las redes neuronales y conoce las ventajas de su utilización. La mayoría de ellos creen que quien puede trabajar con redes neuronales es una especie de superman. En este artículo intentaré explicarle la arquitectura de la red neuronal, describir sus aplicaciones y dar ejemplos de su uso práctico.
![Conectando redes neuronales de NeuroSolutions](https://c.mql5.com/2/0/neural_DLL.png)
![Conectando redes neuronales de NeuroSolutions](https://c.mql5.com/i/articles/overlay.png)
Conectando redes neuronales de NeuroSolutions
Además de la creación de las redes neuronales, el paquete del software de NeuroSolutions permite su exportación como archivos DLL. En este artículo se describe el proceso de creación de una red neuronal, la generación de un archivo DLL y su conexión a un Expert Advisor para el trading en MetaTrader 5.