int OrderOpen (int Type, double Volume, int Time,double Price,double SL, double TP);
void Possible_SL_or_TP(int Time, double PriceHigh,double PriceLow);
void OrderClose (int Ticket, int Time,double Price);
void OrderCloseAll (int Time, double Price);
int ProfitTradeCount ();
int TotalPipsProfit ();
int LossSeriesCount ();
int ProfitSeriesCount();
大胡子的笑话立即浮现在脑海中
我对出生时的 "零 "表示怀疑，此外，我认为错误-偏转一直存在。我已经重新设计了它，所以当一个对象 通过带有参数的构造函数被创建 时，一个新的序列将在序列的末端被初始化。
它的工作速度会慢一点，但序列会一直是唯一的。
当通过标准构造函数创建时，你需要调用Srand()，序列将是相同的，在一个圆中旋转。
我建议考虑一个虚拟订单圣经(模拟市场上的开仓/平仓。命令与真实订单几乎相同)。
当你需要在历史数据上运行一个模型时，它就会派上用场（在策略测试器 之外）。
你忘记了什么？我们可以改进、增加、改变、修改什么？- 图书馆是非常基本的。
到目前为止，只有买入-0和卖出-1类型的操作被实施。
讲座1在此进行https://www.mql5.com/ru/forum/4956/page23
这里的讲座2https://www.mql5.com/ru/forum/4956/page34
第3次讲座在此举行https://www.mql5.com/ru/forum/4956/page36
第4讲。视觉皮层组织在时间序列转换中的应用
因此，我们的任务是根据大脑的原理，建立一个价格模式的分类神经网络。这个网络可以分为两个模块：一个用于转换输入信息（价格）的模块和一个可以根据任何已知原则建立的分类模块（如支持向量机）。
在我之前的讲座中，我描述了视觉皮层的HMAX模型，作为生物信息转换的一个例子。 这个模型的最大缺点是，权重（感受野）的值没有经过训练，而是简单地从大脑神经元的生物测量中提取。例如，V1（S1）中简单神经元的感受野被测量，如这里的视频所示https://www.youtube.com/watch?v=Cw5PKV9Rj3o（你听到的点击声是神经元的脉冲声）。在我们引用时间序列的情况下，转换信息的神经元的 "接受区域 "事先是未知的。因此，我们将不得不自己去寻找它们。例如，通过与视觉皮层的S1层类比，价格转换的第一层（S1层）可以建立如下。
在这个例子中，我们的S1层有6个子层，编号为0-5。同一子层的神经元（圆圈）具有相同的输入权重（感受野），传统上显示为左边的矩形。每个子层的神经元都有自己的感受野。我们预先知道，如果有一个子层的接收场w_0,k，其中k=0...5（方向 "向上"），那么一定有一个子层的接收场-w_0,k（方向 "向下"）。让具有正场的层用偶数编号（0，2，4），其负的对应层用模糊数编号（1，3，5）。此外，我们知道，S1子层必须有不同大小的感受野。让场的大小从子层0（和它的负数对应1）增加到子层4（和它的负数对应5）。同一列的所有神经元的输入都是以相同的价格输入的（例如，第一列的神经元以价格x_0...x_5输入）。下一列的神经元的输入被送入价格偏移了1条（x_1...x_6），等等。因此，我们的S1层由具有不同方向（向上、向下）、大小和时间位置的感受野的神经元组成。
对S1层神经元的输入权重的学习只针对不同子层的一列神经元进行，至于是哪一列并不重要。然后，所有的权重被复制到每个子层的剩余神经元。学习是在没有老师的情况下进行的，将不同的价格模式送入S1层的输入，并通过一些规则改变权重。有许多关于神经元权重的自学规则，这里有很好的描述。
Miller, K. D., and MacKay, D.J.C.(1994).神经计算》, 6, 100-126.
神经元自我学习的第一条规则是由Hebb在1949年提出的（https://en.wikipedia.org/wiki/Hebbian_theory）。这条规则的内容是："如果一个神经元收到另一个神经元的输入，并且两者都高度活跃，那么神经元之间的权重必须增加"。在数学上，它被写成如下
dw_i = mu*x_i*y。
其中dw_i是权重w_i的增量，x_i是第i个输入的值，y是神经元的输出，mu是学习率。我们将使用Oja规则（https://en.wikipedia.org/wiki/Oja's_rule），它属于竞争性学习规则 的范畴。
dw_i = mu*y*(x_i - y*w_i/a)。
其中，dw_i是增量权重w_i，x_i是第i个输入的价格，y是神经元的输出，计算为y=SUM(w_i*x_i，i=0...m-1)，mu是学习率，a是一个参数（权重的平方之和SUM(w_i^2，i=0...m-1)趋向于a）。这个规则的优点是，它能自动找到作为价格行情的主要特征向量的权重。换句话说，Ogi的规则再现了主成分法（PCA）。这与生物学上的假设相吻合，即视觉皮层S1层的感受野代表了视觉信息的主要特征向量。所附的C++代码以EURUSD M5报价为输入，mu=1，a=1，自动训练了32个S1子层的权重。这些权重作为输入的函数显示如下
前两个子层（0和1）的权重显示为红色。它们只有两个非零值：-0.707和+0.707。子层2和3的权重显示为橙色。它们有4个非零值。等等。
要使用附件中的代码，你需要安装Boost和CImg库http://cimg.sourceforge.net/。 我还没有接触到更高的层（C1、S2、C2），可能在很长一段时间内都不会。那些读过我以前的文章的人应该了解所有HMAX层是如何工作的，并完成价格报价转换模块。在下一次（最后一次）讲座中，我将谈论稀疏网。
我建议考虑一个虚拟订单圣经(模拟市场上的开仓/平仓。命令与真实订单几乎相同)。
当你需要在历史数据上运行一个模型时，它就会派上用场（在策略测试器 之外）。
你忘记了什么？我们可以改进、增加、改变、修改什么？- 图书馆是非常基本的。
到目前为止，只有买入-0和卖出-1的操作被实施。
谢谢你的图书馆。能否给我一个关于如何使用它的快速教程？
实际上，没有什么可说的。
在每次运行历史记录之前，为了清除订单历史，调用
然后，根据你的交易策略，调用必要的命令。
价差是固定的，它在初始化时被设置。对于浮动价差，我们将不得不添加适当的功能。在我看来，这是不需要的--只要为一个工具设置最大可能的价差，就可以了。
其实没有什么可说的。
在每次运行历史记录之前，为了清除订单历史，你需要调用以下命令。
然后，根据交易策略，调用必要的命令。
价差是固定的，它在初始化时被设置。对于浮动价差，我们将不得不添加适当的功能。对我来说，这在地狱里是没有必要的--只需为一个乐器设置最大可能的价差，就可以了。
我很抱歉，但我似乎计算错误。目前，我几乎没有机会参与到这个项目 中来。
虽然参与的愿望是巨大的，但我极度缺乏时间和精力，这是很遗憾的。
我将在考试后（12月中旬）能够加入。顺便说一下，其中一门课程与神经网络直接相关。
顺便说一下。有两个目标功能。对于逻辑 回归和简单回归。
分类是逻辑回归的一种情况。
目标函数是用于逻辑回归。
而对于普通回归。
尽管它们的衍生物是相似的。也许这就是为什么区分通常是沉默的。
第一个是在分类问题中用于输出西格玛层。
第二种是用于预测问题中的线性输出。
我很抱歉，但我似乎计算错误。目前，我几乎没有机会参与到这个项目中来。
虽然参与的愿望是巨大的，但我极度缺乏时间和精力，这是很遗憾的。
我将在考试后（12月中旬）能够加入。顺便说一下，其中一门课程与神经网络直接相关。