![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.