また、通常のニューラルネットワークの学習ではなく、遺伝的アルゴリズムを用いて過去のデータから重みを選択することも新機能の一つです。Geneticsは若干結果が悪く、時間もかかります。しかし、MT4にはニューロニックアルゴリズムが組み込まれておらず、それを学習することもできません。しかし、遺伝に基づく最適化がある。そして、この分野の研究者の中には、状況が急激に変化した場合、動的学習はあまり適切ではないことに気づいた人もいた。もし市場で強気が優勢であれば、システムは強気トレンドに再学習し、弱気トレンドは忘れます。 その逆もまた然りです。Samuel A. L. 1959, "Some studies in machine learning using game of checkers" (IBM J. Research and Devepopmend 3: 210 - 229) が、この怪物に初めて遭遇し、記述しています。自分の番組にプロの対戦相手がいれば、次第にプロレベルのゲームに移行していくことを観察していたのである。しかし、相手が初心者の場合、プログラムは前のレベルを「忘れて」原始的なプレーにパスをし始めた。したがって、ニューロン自身のミスや損失について動的に教えることは、おそらく意味がない。市場に適した取引戦略を開発するためには、歴史を通した方が簡単です。
スクリプトを書くか、コード自体にMagicNumbersによって異なる矢印の色を設定する必要があります。
それは素晴らしいアイデアですね！「MagicNumbersごとに異なる矢印の色を設定するコード」のおかげです。
でも、脚本について。
矢印の色を変えるということでしょうか、それともスクリプトで「余計な」注文を消すことができるのでしょうか。
でも、脚本について。
矢印の色を変えるということですか？それとも、スクリプトで「余分な」注文を削除できるようになるのでしょうか？
心のおもむくままに。:)矢印の処理方法の例を以下に示します。http://www.alpari-idc.ru/ru/articles_mql4/25.html
ディスクリプタを確認する必要があります - テスターはMagicNumberを書き込んでいます。
台本はどうなっているんだ。
矢印の色を変えるということですか？それとも、スクリプトで「余分な」注文を削除できるようになるのでしょうか？
それは、あなたの心の意志次第です。:)矢印の処理方法の例を以下に示します。http://www.alpari-idc.ru/ru/articles_mql4/25.html
ディスクリプタを確認する必要があります - テスターはMagicNumberを書き込んでいます。
OKです。
また、一般的に「スペクトル分散」は、そんな単純なものではありません。
最初に最低限2つのパラメータ（2つの指標）だけを取りました。
それぞれの局所極値の2つの良い値で。
パラメータ値の代わりに配列を使っています。
合計4つのMagicNumber(ループstart()内で4回)
ロットサイズは4で割られます - すなわち、一度に4つのExpert Advisor（4倍の取引）です。
私の結果をお伝えします。
ある特性を持つサイファフィルタを用いてACを平滑化することに相当する。平滑化係数のバランスが悪く、購入ボタンにレンガが乗っているのと同じ状態です。ブリック（＋ストキャスティックなど）は、買うタイミングと売るタイミングさえ分かれば、それだけで非常によく機能します。また、21小節でACが2回下がることや、最適化可能な4つのパラメータの存在を考慮すると......)))。
しかし、私にとっては、ニューラルネットワークがどのように機能するのか、なぜ私たちが望むほど効率的でないのかに光を当てるものです。
創作期の最初のころは、先週の結果（66000本に対して7200本）をもとにm1で動くEAを書くのが趣味で、テスターでは週に300パーセンテージも表示されていました......。
価格はフーリエ級数分解して何倍音にすれば最適化後のグレイルが出るんだろう？
ACオシレーターに関しては、エキスパートアドバイザーはその最後の値を見るだけでなく（最後の値に基づく決定は、テクニカル分析で最も頻繁に使用されます）、履歴、すなわち、過去にその指標の他の3つの値が何であったかを研究しています。意思決定のためのオシレータの挙動に興味がある。この挙動がまさにニューラルネットワークの入力になる。そして、出力にはBuyかSellが表示されます。
また、通常のニューラルネットワークの学習ではなく、遺伝的アルゴリズムを用いて過去のデータから重みを選択することも新機能の一つです。Geneticsは若干結果が悪く、時間もかかります。しかし、MT4にはニューロニックアルゴリズムが組み込まれておらず、それを学習することもできません。しかし、遺伝に基づく最適化がある。そして、この分野の研究者の中には、状況が急激に変化した場合、動的学習はあまり適切ではないことに気づいた人もいた。もし市場で強気が優勢であれば、システムは強気トレンドに再学習し、弱気トレンドは忘れます。 その逆もまた然りです。Samuel A. L. 1959, "Some studies in machine learning using game of checkers" (IBM J. Research and Devepopmend 3: 210 - 229) が、この怪物に初めて遭遇し、記述しています。自分の番組にプロの対戦相手がいれば、次第にプロレベルのゲームに移行していくことを観察していたのである。しかし、相手が初心者の場合、プログラムは前のレベルを「忘れて」原始的なプレーにパスをし始めた。したがって、ニューロン自身のミスや損失について動的に教えることは、おそらく意味がない。市場に適した取引戦略を開発するためには、歴史を通した方が簡単です。
グレイルに関しては、あまり頭が良くなくても大丈夫です。いくつかの条件を満たせばいいのです。
1.システムは、ストップロスなし、または非常に大きな距離のストップロスありのポジションをオープンしなければならず、その操作の確率は0に近くなるようにします。
2.トリガー条件を論理的AND(&&)で区切った複数の指標に基づく強力なフィルター。そして、まさにこれらの指標の多くの入力パラメータをMTSの外部設定に引き込むため、数年にわたるテストの履歴データの間に、わずかなポジションしか開かなかったのです。
3.これに資本とリスクマネジメントが加わり、分数が増加する
NSは予測や外挿、補間に使うのではなく、あくまでパターンを探すために使うつもりです。
具体的には、例えばトレーニングの技術に興味があります。
例えば、トレーナーの場合、ヒストリーの各バーに対するシグナルのセットをトレーニングシーケンスとして与え、期待されるTCの出力が-1/0/1（売り/0/買い）であるとします。
そして、それぞれのバーに対して手動で信号をプリセットする必要があるのでしょうか？どうすれば回避できるのか？
また、この場合、先生がいなくてもトレーニングを適用するにはどうしたらいいのでしょうか？全履歴の取引結果を取得し、最大限の利益を得るには？
そのために、どのような方法論を用いているのか。
NSのトレーディングへの応用について、どなたか面白いリンクをお持ちの方はいらっしゃいますか？NSの理論については、すでに大きなライブラリーがあります。 NSは予測や外挿、補間に使うのではなく、あくまでパターンを探すために使うつもりです。 具体的には、例えばトレーニングの技術に興味があります。 例えば、トレーナーの場合、ヒストリーの各バーに対するシグナルのセットをトレーニングシーケンスとして与え、期待されるTCの出力が-1/0/1（売り/0/買い）であるとします。 そして、それぞれのバーに対して手動で信号をプリセットする必要があるのでしょうか？どうすれば回避できるのか？ また、この場合、先生がいなくてもトレーニングを適用するにはどうしたらいいのでしょうか？全履歴のトレード結果を得て、最大限の利益を得るには？ そのためにどのような方法をとっているのか、 。
パターン認識には、コホーネンマップを 使用してみてください。しかし、その前にデータを正規化するか、コード化するだけでよいのです。
...
例えば、教師がいる場合、学習シーケンスとして履歴上の各バーに対するシグナルのセットを与え、NSの期待出力：-1/0/1（売り/0/買い）を与えるとする。
そして、それぞれのバーに対して手動で信号をプリセットする必要があるのでしょうか？どうすれば回避できるのか？
...
コホーネンのカードは 良いですね。ここで最も重要なことは、ネットワーク入力に入力する前に、パターンを正しくコーディングすることだと思います。
という疑問が湧いてきました。コホーネンネットワークが訓練されているかどうかを判断する基準はないのでしょうか？
N回の繰り返しで、例がクラスに分けられなくなり、パターンの移動が止まれば、学習が完了したと言える。