Вы хотите быстро проверить торговую идею, не тратя времени на программирование? Выберите в "Мастере MQL5" нужный тип торговых сигналов, подключите модули сопровождения позиций и управления капиталом - на этом вся работа закончена. Создайте свои реализации модулей или закажите их через сервис "Работа" - и комбинируйте новые модули с уже существующими.
LeCun, Y., Denker, J. S., Solla, S. A., Howard, R. E., Jackel, L. D.(1990). 最佳的脑损伤。 在Touretzky, D.S.(Eds), Advances in Neural Information Processing Systems 2, NIPS*89, Morgan Kaufmann, Denver, CO, 598-605.
Hassibi, B., Stork, D.G., Wolff, G. J. (1993). 最佳的脑外科医生和一般网络修剪。 Proc.IEEE Int.忏悔。神经系统。网络, 1, 293--299.
Miller, K D., & MacKay, D.J.C.(1994). 限制因素在赫比恩学习中的作用。 神经计算, 6, 100--126.
Miller, K. D.(1996). 突触经济学：突触可塑性中的竞争与合作。 神经元, 17, 371-374.
In neuroscience, synaptic pruning, neuronal pruning or axon pruning refer to neurological regulatory processes, which facilitate changes in neural structure by reducing the overall number of neurons and synapses, leaving more efficient synaptic configurations. Pruning is a process that is a general feature of mammalian neurological development...
来吧，让我们看看你有什么本事。
也对稀疏网有强烈兴趣。
还有模糊逻辑相关的模型--万岁！！我想起了其中一个模型的名字，这里有一个 描述的链接。塚本模型。
____
如果成功实施，这些可能会成为一个重磅炸弹。
TheXpert。
...
该产品必须达到NSDT型神经包的水平，niasilim。
...
太糟糕了））。这是目前最适合任何水平的用户的程序。在《股票与商品 》杂志根据交易员意见调查进行的9年最佳分析软件排名中名列第一。但对于开源来说，它太酷了。))
Renat 2011.10.18 00:45 #
我有一个想法，就是开发一个有几种类型的神经网络引擎，任何交易员都可以用最小的努力来使用它。
该代码将在MQL5的源代码中提供，并作为终端的一部分分发。
我认为如果是代码，任何 交易员都不能再使用它。任何交易员-程序员，是的。对于任何一个交易者来说，通过MQL5向导 将神经网络纳入交易系统是合适的，但我想那时的向导必须进行重大修改。
我读了这篇文章，至少我开始明白一切是多么复杂)。
不过我建议，要求在论坛中设立一个单独的板块，所有在一个主题中的都是地狱。作为一个堆积的思想库，它是好的，但当讨论开始时......。
让它公开，谁愿意参加。就系统的个别方面制定主题，主题的管理员会在讨论时在第一个帖子中做出最终决定。如果有必要，在个别主题中安排一次公开投票等。
顺便说一句，如果在该分支的所有页面上都有一个钉住的帖子（由管理员指示）的功能，那就更好了，这样我的眼前总是有一些讨论的摘要。
对于那些有兴趣的人，我将尝试在几篇简短的演讲文章中解释为什么我认为基于信息转换的生物方法并使用稀疏原则的神经网络非常有前途。
第1讲：神经网络中稀疏性的生物学基础。
发育中的婴儿大脑经历了一个建立大量突触（神经元之间的连接）的阶段，随后到了青春期，几乎一半的连接被移除。许多科学家推测，这种去除突触的做法是必要的，以减少大脑因新陈代谢缓慢和荷尔蒙变化而使用的能量。大量的突触使孩子的大脑能够记住大量的信息，这也解释了为什么外语在青春期之前更容易学习。到了青春期去掉一半的连接有助于大脑更好地总结信息。移除发育中的青少年大脑中一半的连接的机制仍然是未知的。许多人认为，新陈代谢的变化减少了维持突触所需的生物原（营养物质）的数量。 这些物质的数量有限，导致神经元的输入连接之间为其存在而竞争。这种竞争是通过竞争学习方法来模拟的，其中神经元输入权重的绝对值之和或其平方之和保持不变。这些方法被用于自学网络中。在教师辅助学习网络（如直接传播网络）中，神经元输入权重之间的竞争通常不被考虑在内。在这种网络中，神经元之间的连接在其权重被训练后被移除。移除的权重要么是最小的权重，要么是对平均学习误差影响不大的权重。
参考文献。
https://en.wikipedia.org/wiki/Synaptic_pruning
Huttenlocher, P. R. (1979).
人类额叶皮层的突触密度--发展变化和年龄的影响。
Brain Res., 163, 195--205.
Braitenberg, V., Schuz, A.(1998).
皮质：神经元连接的统计学和几何学。
Berlin: Springer.
LeCun, Y., Denker, J. S., Solla, S. A., Howard, R. E., Jackel, L. D.(1990).
最佳的脑损伤。
在Touretzky, D.S.(Eds), Advances in Neural Information Processing Systems 2, NIPS*89, Morgan Kaufmann, Denver, CO, 598-605.
Hassibi, B., Stork, D.G., Wolff, G. J. (1993).
最佳的脑外科医生和一般网络修剪。
Proc.IEEE Int.忏悔。神经系统。网络, 1, 293--299.
Miller, K D., & MacKay, D.J.C.(1994).
限制因素在赫比恩学习中的作用。
神经计算, 6, 100--126.
Miller, K. D.(1996).
突触经济学：突触可塑性中的竞争与合作。
神经元, 17, 371-374.
更多的是imho。你不太可能在外面找到符合你要求的专家顾问。如果你有预算，无论如何，在项目结束时，根据对元报价的主观评估，在你们之间平分或不平分，会更有效率。
我将支持一位外部专家。首先，在我看来，你至少需要两个（最好是更多），其次，不确定的是，这里至少有几个论坛用户会更合格。
你可以做得更简单。
在这种情况下，我们从特殊到一般，试图抽象到普遍模型。
1.绘制（在纸上+数学模型的口头算法）我们可能实现的网络（拓扑结构和对它们的教学方法）。
2.在绘制的模型中找到共同的对接点，创建抽象的引擎类。
tol64。
我认为，如果它是代码，任何 交易者将不再能够使用它。任何交易员-程序员，是的。对于任何交易者来说，通过MQL5向导 将神经网络纳入交易系统的选择是合适的，但我想，向导需要进行重大修改。
我在读这个话题，至少现在我开始明白一切是多么复杂））。
1.在我看来，首先，它必须是一个强大和多功能的库，通过它，交易者-程序员（或简单的MQL程序员）可以创建一个必要的复杂性和功能的神经网络。在这个阶段，我认为应该创建一个由少量对象组成的核心库（最大限度的抽象性和通用性在这里很重要）。
2.在第二步，有必要更详细和深入地编写库的功能（确定网络的类型、训练方法、拓扑结构变体等）。
而在第三步，我认为你必须决定究竟什么会被输入，以及如何进行训练。
4.最后，在我看来，最有趣的事情是。与MQ一起开发某种 "神经网络向导 "将是很好的，它允许你创建一个神经网络模板，一致地指定其所有特征。
从普通人的角度来看，它应该是这样的。启动向导并在其中指定：一个这样的网络，这样的层，这样的神经元，处理这样的火鸡的参数（或只是分析某种信息流），在输出中我们得到某种信号。
向导的结果应该是（至少在我看来是一个好主意）一个可以作为独立模块使用的模板，或者可以用于开发现有VISARD中的EA模板。
5.如果问题是关于使用神经网络通过Wizard创建专家模板，就有必要提供可以添加神经网络的形式（可以是多个）。
在这种情况下，神经网络的模式将必须在某个地方（如信号等）并满足某些要求。
PS
在这种方法中，最好能定义整个神经网络、单个层（或层的一部分）和单个神经元的 "重要性"。
我建议我们要求在论坛中设立一个单独的区域，把所有东西都放在一个主题里是很麻烦的。作为一个堆积思想的库房，它是好的，但当讨论开始时...
所有这些棘手的网络都是可以解决的--最重要的是以交易为导向）））。而这意味着整合到工作中的EA中。这意味着对于大多数典型的EA来说，没有必要做一堆辅助性的事情，如输入数据的预处理或准备训练样本，它应该是系统化和自动化的。也就是说，如果有人决定输入一个掩码，他将不需要首先生成一些掩码值，然后生成一些预测值（例如，在一些条形图中的价格上涨），将其全部规范化，等等，然后再训练网络。
从纯粹的技术角度看，它可能是这样的：对于输入的神经元，我们有一个虚拟的函数 EnterData，返回双倍。如果你想输入一些指标或任何你想要的东西，你只需在这个函数中写下一切。
对于输出神经元来说，同样是ExitData函数，计算出被预测的内容。
例如，我想预测5个柱子的价格变化：我重新定义了函数
double ExitData(){
返回(Open[-5]-Open[0]) ;
}
或者我想预测波动性
double ExitData(){
return(High[iHighest(...,5,-5)]-Low[iLowest(....,5,-5)]);
}
等。
同时，要把学习期和样本外作为网络对象的一个属性。经过训练后，我们可以得到股权曲线在样本外的特征（例如利润系数）。
即
Net.StartTime=2005
Net.FinishTime=2008年
Net.StartOutOfSamples=2009年份
Net.FinishOutOfSamples=2011年
淘宝网.教学。
实验结果显示，该公司的产品和服务在全球范围内都有很高的知名度。
如果(Net.PFOutOfSamples>3) Print("Good")。
或者，如果网络不是自己交易，而是预测波动性，例如，用户自己重新定义评估网络质量的OutOutOfSamples的函数。
然后，可以使用测试器和优化工具来搜索最佳拓扑结构或选择网络类型和其他许多事情。