![Otras clases en la biblioteca DoEasy (Parte 67): Clase de objeto de gráfico](https://c.mql5.com/2/42/MQL5-avatar-doeasy-library__5.png)
![Otras clases en la biblioteca DoEasy (Parte 67): Clase de objeto de gráfico](https://c.mql5.com/i/articles/overlay.png)
Otras clases en la biblioteca DoEasy (Parte 67): Clase de objeto de gráfico
En este artículo, crearemos una clase de objeto de gráfico (de un gráfico de un instrumento comercial) y modificaremos la clase de colección de objetos de señal mql5 para que cada objeto de señal guardado en la colección actualice también todos sus parámetros al actualizarse la lista.
![Plantilla para proyectar el MVC y posibilidades de uso](https://c.mql5.com/2/42/MVC.png)
![Plantilla para proyectar el MVC y posibilidades de uso](https://c.mql5.com/i/articles/overlay.png)
Plantilla para proyectar el MVC y posibilidades de uso
En el artículo, analizaremos una plantilla de MVC bastante extendida. Asimismo, estudiaremos sus posibilidades y las ventajas y desventajas de su uso en los programas MQL. Su esencia consiste en "dividir" el código existente en tres componentes separados: Modelo (Model), Vista (View) y Controlador (Controller).
![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.
![Aproximación por fuerza bruta a la búsqueda de patrones (Parte IV): Funcionalidad mínima](https://c.mql5.com/2/49/Brute_force_approach_to_pattern_search_004_600x314.jpg)
Aproximación por fuerza bruta a la búsqueda de patrones (Parte IV): Funcionalidad mínima
En este artículo, mostraremos una versión mejorada de la fuerza bruta, basada en los objetivos establecidos en el artículo anterior, y trataremos de abarcar este tema de la forma más amplia posible usando los asesores y la configuración obtenidos con este método. También ofreceremos a la comunidad la posibilidad de probar la nueva versión del programa.
![Otras clases en la biblioteca DoEasy (Parte 66): Clases de Colección de Señales MQL5.com](https://c.mql5.com/2/42/MQL5-avatar-doeasy-library__4.png)
![Otras clases en la biblioteca DoEasy (Parte 66): Clases de Colección de Señales MQL5.com](https://c.mql5.com/i/articles/overlay.png)
Otras clases en la biblioteca DoEasy (Parte 66): Clases de Colección de Señales MQL5.com
En este artículo, crearemos una clase de colección de señales del Servicio de señales de MQL5.com con funciones para gestionar las señales suscritas, y también modificaremos la clase del objeto de instantánea de la profundidad de mercado para mostrar el volumen total de la profundidad de mercado de compra y venta.
![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.
![Técnicas útiles y exóticas para el comercio automático](https://c.mql5.com/2/49/exotic_techniques_automated_trading_600x314.jpg)
Técnicas útiles y exóticas para el comercio automático
En el presente artículo, mostraremos algunos trucos muy útiles e interesantes para comerciar de forma automatizada. Alguna de estas técnicas podría resultar familiar al lector, o quizá no, pero intentaremos exponer los métodos más interesantes y explicar por qué merece la pena utilizarlos. Y lo que es más importante: mostraremos lo que pueden hacer en la práctica. Vamos a escribir asesores expertos y comprobar todas las técnicas descritas en la historia de cotizaciones.
![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.
![Trabajando con los precios y Señales en la biblioteca DoEasy (Parte 65): Colección de la profundidad de mercado y clase para trabajar con las Señales MQL5.com](https://c.mql5.com/2/42/MQL5-avatar-doeasy-library__3.png)
![Trabajando con los precios y Señales en la biblioteca DoEasy (Parte 65): Colección de la profundidad de mercado y clase para trabajar con las Señales MQL5.com](https://c.mql5.com/i/articles/overlay.png)
Trabajando con los precios y Señales en la biblioteca DoEasy (Parte 65): Colección de la profundidad de mercado y clase para trabajar con las Señales MQL5.com
En el presente artículo, crearemos una clase de colección de profundidad de mercado para todos los símbolos y comenzaremos a desarrollar la funcionalidad necesaria para trabajar con el servicio de señales de MQL5.com. Para ello, crearemos una clase de objeto de señal.
![Algoritmo de autoadaptación (Parte IV): Funcionalidad adicional y pruebas](https://c.mql5.com/2/41/50_percents__4.png)
![Algoritmo de autoadaptación (Parte IV): Funcionalidad adicional y pruebas](https://c.mql5.com/i/articles/overlay.png)
Algoritmo de autoadaptación (Parte IV): Funcionalidad adicional y pruebas
Seguimos completando el algoritmo con la funcionalidad mínima necesaria y realizando pruebas con el material obtenido. La rentabilidad ha resultado baja, pero los artículos nos muestran un modelo que nos permite comerciar con beneficios de una forma completamente automática con instrumentos comerciales completamente diferentes, y no solo diferentes, sino que también se comercian en mercados fundamentalmente distintos.
![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.
![Trabajando con los precios en la biblioteca DoEasy (Parte 64): Profundidad del mercado, clases del objeto de instantánea y del objeto de serie de instantáneas del DOM](https://c.mql5.com/2/42/MQL5-avatar-doeasy-library__2.png)
![Trabajando con los precios en la biblioteca DoEasy (Parte 64): Profundidad del mercado, clases del objeto de instantánea y del objeto de serie de instantáneas del DOM](https://c.mql5.com/i/articles/overlay.png)
Trabajando con los precios en la biblioteca DoEasy (Parte 64): Profundidad del mercado, clases del objeto de instantánea y del objeto de serie de instantáneas del DOM
En este artículo, vamos a crear dos clases: la clase del objeto de instantánea del DOM y la clase del objeto de serie de instantáneas del DOM, además, simularemos la creación de la serie de datos del DOM.
![Aproximación por fuerza bruta a la búsqueda de patrones (Parte II): Nuevos horizontes](https://c.mql5.com/2/49/Brute_force_approach_to_pattern_search_003_600x314.jpg)
Aproximación por fuerza bruta a la búsqueda de patrones (Parte II): Nuevos horizontes
Este artículo prosigue con el tema de la fuerza bruta, ofreciendo al algoritmo de nuestro programa nuevas posibilidades para el análisis de mercado, y acelerando la velocidad de análisis y la calidad de los resultados finales, lo cual brinda un punto de vista de máxima calidad sobre los patrones globales en el marco de este enfoque.
![Buscando patrones estacionales en el mercado de divisas con la ayuda del algoritmo CatBoost](https://c.mql5.com/2/49/finding_seasonal_patterns_catboost_600x314.jpg)
Buscando patrones estacionales en el mercado de divisas con la ayuda del algoritmo CatBoost
En el presente artículo, mostramos la posibilidad de crear modelos de aprendizaje automático con filtros temporales y también descubrimos la efectividad de este enfoque. Ahora, podremos descartar el factor humano, diciéndole simplemente al modelo: "Quiero que comercies a una hora determinada de un día concreto de la semana". Así, podremos delegar en el algoritmo la búsqueda de patrones.
![Algoritmo de autoadaptación (Parte III): Renunciando a la optimización](https://c.mql5.com/2/41/50_percents__3.png)
![Algoritmo de autoadaptación (Parte III): Renunciando a la optimización](https://c.mql5.com/i/articles/overlay.png)
Algoritmo de autoadaptación (Parte III): Renunciando a la optimización
No podemos obtener un algoritmo verdaderamente estable si para seleccionar los parámetros utilizamos la optimización basada en datos históricos. Un algoritmo estable en sí mismo debe saber qué parámetros se necesitan para trabajar con cualquier instrumento comercial en cualquier momento. El algoritmo no debe suponer ni adivinar: debe saber con certeza.
![El mercado y la física de sus patrones globales](https://c.mql5.com/2/40/5a55ed9f370f2c15608b457b.png)
![El mercado y la física de sus patrones globales](https://c.mql5.com/i/articles/overlay.png)
El mercado y la física de sus patrones globales
En el presente artículo trataremos de comprobar la suposición de que cualquier sistema con un mínimo conocimiento del mercado puede operar a escala global. No vamos a inventar teorías ni leyes: reflexionaremos únicamente sobre la base de hechos conocidos por todos, convirtiendo paulatinamente dichos hechos al lenguaje del análisis matemático.
![Trabajando con los precios en la biblioteca DoEasy (Parte 63): Profundidad del mercado, clase de orden abstracta de la Profundidad del mercado](https://c.mql5.com/2/42/MQL5-avatar-doeasy-library__1.png)
![Trabajando con los precios en la biblioteca DoEasy (Parte 63): Profundidad del mercado, clase de orden abstracta de la Profundidad del mercado](https://c.mql5.com/i/articles/overlay.png)
Trabajando con los precios en la biblioteca DoEasy (Parte 63): Profundidad del mercado, clase de orden abstracta de la Profundidad del mercado
En el presente artículo, empezaremos a desarrollar la funcionalidad para trabajar con la Profundidad del mercado. Crearemos la clase del objeto de una orden abstracta de la Profundidad del mercado y sus clases herederas.
![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.
![Trabajando con los precios en la biblioteca DoEasy (Parte 62): Actualización de las series de tick en tiempo real, preparando para trabajar con la Profundidad del mercado](https://c.mql5.com/2/42/MQL5-avatar-doeasy-library.png)
![Trabajando con los precios en la biblioteca DoEasy (Parte 62): Actualización de las series de tick en tiempo real, preparando para trabajar con la Profundidad del mercado](https://c.mql5.com/i/articles/overlay.png)
Trabajando con los precios en la biblioteca DoEasy (Parte 62): Actualización de las series de tick en tiempo real, preparando para trabajar con la Profundidad del mercado
En este artículo, vamos a desarrollar la actualización de la colección de datos de tick en tiempo real, y prepararemos una clase del objeto de símbolo para manejar la Profundidad del mercado, con la que empezaremos a trabajar a partir del siguiente artículo.
![Desarrollando un algoritmo de autoadaptación (Parte II): Aumentando la efectividad](https://c.mql5.com/2/41/50_percents__2.png)
![Desarrollando un algoritmo de autoadaptación (Parte II): Aumentando la efectividad](https://c.mql5.com/i/articles/overlay.png)
Desarrollando un algoritmo de autoadaptación (Parte II): Aumentando la efectividad
En este artículo, continuaremos el tema del anterior. No obstante, primero flexibilizaremos el algoritmo desarrollado anteriormente. El algoritmo se ha vuelto más estable, con un aumento en el número de velas en la ventana de análisis o con un aumento en el porcentaje del umbral del preponderancia de velas descendentes o ascendentes. Hemos tenido que llegar a un compromiso y establecer un tamaño de muestra más grande para el análisis o un porcentaje mayor de preponderancia de la vela predominante.
![Trabajando con los precios en la biblioteca DoEasy (Parte 61): Colección de series de tick de los símbolos](https://c.mql5.com/2/41/MQL5-avatar-doeasy-library__5.png)
![Trabajando con los precios en la biblioteca DoEasy (Parte 61): Colección de series de tick de los símbolos](https://c.mql5.com/i/articles/overlay.png)
Trabajando con los precios en la biblioteca DoEasy (Parte 61): Colección de series de tick de los símbolos
Dado que el programa puede utilizar varios símbolos, entonces, es necesario crear su propia lista para cada uno de estos símbolos. En este artículo, vamos a combinar estas listas en una colección de datos de tick. En realidad, se trata de una lista común a base de la clase de la matriz dinámica de punteros a las instancias de la clase CObject y sus herederos de la Biblioteca estándar.
![Trabajando con los precios en la biblioteca DoEasy (Parte 60): Lista de serie de datos de tick del símbolo](https://c.mql5.com/2/41/MQL5-avatar-doeasy-library__4.png)
![Trabajando con los precios en la biblioteca DoEasy (Parte 60): Lista de serie de datos de tick del símbolo](https://c.mql5.com/i/articles/overlay.png)
Trabajando con los precios en la biblioteca DoEasy (Parte 60): Lista de serie de datos de tick del símbolo
En este artículo, vamos a crear una lista para almacenar los datos de tick del símbolo único, después, verificaremos su creación y obtención de los datos requeridos en el Asesor Experto. Dichas listas —siendo aplicada cada una de ellas para cada símbolo usado— van a componer luego la colección de datos de tick.
![Desarrollando un algoritmo de autoadaptación (Parte I): Encontrando un patrón básico](https://c.mql5.com/2/41/50_percents__1.png)
![Desarrollando un algoritmo de autoadaptación (Parte I): Encontrando un patrón básico](https://c.mql5.com/i/articles/overlay.png)
Desarrollando un algoritmo de autoadaptación (Parte I): Encontrando un patrón básico
En la presente serie de artículos, mostraremos un ejemplo de desarrollo de algoritmos autoadaptativos que tengan en cuenta los factores máximos que surgen en los mercados. Asimismo, veremos la sistematización de estas situaciones, su descripción dentro de una lógica y su consideración a la hora de comerciar. Comenzaremos con un algoritmo muy simple, que con el tiempo adquirirá su propia teoría y evolucionará hasta convertirse en un proyecto muy complejo.
![Utilizando hojas de cálculo para construir estrategias comerciales](https://c.mql5.com/2/41/spread_sheets_strategy.png)
![Utilizando hojas de cálculo para construir estrategias comerciales](https://c.mql5.com/i/articles/overlay.png)
Utilizando hojas de cálculo para construir estrategias comerciales
El artículo describe los principios y técnicas básicos que nos permiten analizar cualquier estrategia usando hojas de cálculo: Excel, Calc, Google. Asimismo, hemos comparado los resultados con el simulador de MetaTrader 5.
![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.
![WebSocket para MetaTrader 5](https://c.mql5.com/2/49/websockets_mt5_600x314.jpg)
WebSocket para MetaTrader 5
Antes de que aparecieran las funciones de red en la API MQL5 actualizada, las aplicaciones MetaTrader tenían una capacidad limitada para conectarse e interactuar con servicios basados en el protocolo WebSocket. Ahora, la situación es distinta. En este artículo, analizaremos la implementación de la biblioteca WebSocket en el MQL5 puro. Asimismo, presentaremos una breve descripción del protocolo WebSocket y una guía paso a paso sobre el uso de la biblioteca resultante.
![Aproximación por fuerza bruta a la búsqueda de patrones (Parte II): Inmersión](https://c.mql5.com/2/49/Brute_force_approach_to_pattern_search_002_600x314.jpg)
Aproximación por fuerza bruta a la búsqueda de patrones (Parte II): Inmersión
En el presente artículo, continuaremos con el tema de la fuerza bruta. Intentaremos destacar mejor los patrones con la ayuda de la nueva versión mejorada de nuestro programa y trataremos de encontrar la diferencia en la estabilidad usando distintos segmentos temporales y diferentes marcos temporales para las cotizaciones.
![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.
![Ejemplos de análisis de gráficos utilizando el TD Sequential de DeMark y los niveles de Murray-Gann](https://c.mql5.com/2/41/steps.png)
![Ejemplos de análisis de gráficos utilizando el TD Sequential de DeMark y los niveles de Murray-Gann](https://c.mql5.com/i/articles/overlay.png)
Ejemplos de análisis de gráficos utilizando el TD Sequential de DeMark y los niveles de Murray-Gann
El sistema secuencial de Thomas DeMark o TD sequential muestra perfectamente los cambios de equilibrio en el movimiento del precio. Esto se hace especialmente obvio si combinamos sus señales con un indicador de nivel, por ejemplo, con los niveles de Murray. En el artículo hablaremos de estas combinaciones. El texto está más bien dirigido a principiantes en el trading y aquellos que aún no pueden encontrar su "Grial", si bien mostramos algunas características de los niveles de construcción que no hemos visto en otros foros. Por consiguiente, también podría resultar de utilidad en algunos puntos a los usuarios avanzados. Bueno, y a los gurús los invitamos a debatir y realizar críticas constructivas...
![Aplicación práctica de las redes neuronales en el trading. Python (Parte I)](https://c.mql5.com/2/49/Practical_application_of_neural_networks_in_trading_003_600x314.jpg)
Aplicación práctica de las redes neuronales en el trading. Python (Parte I)
En este artículo, analizaremos paso a paso la implementación de un sistema comercial basado en la programación de redes neuronales profundas en Python. Para ello, usaremos la biblioteca de aprendizaje automático TensorFlow, desarrollada por Google. Para describir las redes neuronales, utilizaremos la biblioteca de Keras.
![Enfoque ideal sobre el desarrollo y el análisis de sistemas comerciales](https://c.mql5.com/2/40/optimal-approach.png)
![Enfoque ideal sobre el desarrollo y el análisis de sistemas comerciales](https://c.mql5.com/i/articles/overlay.png)
Enfoque ideal sobre el desarrollo y el análisis de sistemas comerciales
En el presente artículo, trataremos de mostrar con qué criterio elegir un sistema o señal para invertir nuestro dinero, además de cuál es el mejor enfoque para desarrollar sistemas comerciales y por qué este tema es tan importante en el comercio en fórex.
![Conjunto de instrumentos para el marcado manual de gráficos y comercio (Parte II). Haciendo el marcado](https://c.mql5.com/2/49/7908_manual_charting_trading_toolkit_002_600x314.jpg)
Conjunto de instrumentos para el marcado manual de gráficos y comercio (Parte II). Haciendo el marcado
Este artículo continúa el ciclo en el que mostramos la creación de una biblioteca capaz de marcar gráficos manualmente utilizando atajos de teclado. El marcado se realiza con líneas rectas y combinaciones de estas. Esta parte habla directamente sobre el propio dibujado utilizando las funciones descritas en la primera parte. La biblioteca se puede conectar a cualquier asesor experto o indicador, lo cual simplifica sustancialmente las tareas de marcado. Esta solución NO UTILIZA dlls externas: todos los comandos se implementan usando las herramientas integradas de MQL.
![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.
![Cuadrícula y martingale: ¿qué son y cómo usarlos?](https://c.mql5.com/2/40/mql5_martin_grid.png)
![Cuadrícula y martingale: ¿qué son y cómo usarlos?](https://c.mql5.com/i/articles/overlay.png)
Cuadrícula y martingale: ¿qué son y cómo usarlos?
En este artículo trataremos de explicar con detalle qué son la cuadrícula y el martingale, y qué tienen en común. También intentaremos analizar cómo de viables son en realidad estas estrategias. En el artículo habrá una parte matemática y otra práctica.
![Trabajando con los precios en la biblioteca DoEasy (Parte 59): Objeto para almacenar los datos de un tick](https://c.mql5.com/2/41/MQL5-avatar-doeasy-library__3.png)
![Trabajando con los precios en la biblioteca DoEasy (Parte 59): Objeto para almacenar los datos de un tick](https://c.mql5.com/i/articles/overlay.png)
Trabajando con los precios en la biblioteca DoEasy (Parte 59): Objeto para almacenar los datos de un tick
A partir de este artículo, procedemos a la creación de la funcionalidad de la biblioteca para trabajar con los datos de precios. Hoy, crearemos una clase del objeto que va a almacenar todos los datos de los precios que llegan con un tick.
![Trabajando con las series temporales en la biblioteca DoEasy (Parte 58): Series temporales de los datos de búferes de indicadores](https://c.mql5.com/2/49/doeasy_058_600x314.jpg)
Trabajando con las series temporales en la biblioteca DoEasy (Parte 58): Series temporales de los datos de búferes de indicadores
En conclusión del tema de trabajo con series temporales, vamos a organizar el almacenamiento, la búsqueda y la ordenación de los datos que se guardan en los búferes de indicadores. En el futuro, eso nos permitirá realizar el análisis a base de los valores de los indicadores que se crean a base de la biblioteca en nuestros programas. El concepto general de todas las clases de colección de la biblioteca permite encontrar fácilmente los datos necesarios en la colección correspondiente, y por tanto, lo mismo también será posible en la clase que vamos a crear hoy.