另一个新功能不是标准的神经网络训练，而是使用遗传算法在历史数据上选择权重。我试了两种变体，遗传学的结果稍差，而且时间较慢。但在MT4中没有内置的神经元算法和学习它。但有一个基于遗传学的优化。而这一领域的一些研究人员意识到，如果情况发生急剧变化，动态学习并不十分充分。如果市场上牛市占上风，系统将重新适应牛市趋势，而忘记熊市趋势。 反之亦然。Samuel A. L. 1959，"利用跳棋游戏进行机器学习的一些研究"（IBM J. Research and Devepopmend 3: 210 - 229），首次遇到并描述了这个怪胎。他观察到，如果他的节目有一个专业的对手，就会逐渐转为专业水平的比赛。但如果对手是个初学者，那么程序就会 "忘记 "之前的水平，开始传到原始的游戏。因此，在神经元自身的错误和损失上进行动态教学可能是没有意义的。通过历史，以制定足以适应市场的交易策略，是比较容易的。
你需要写一个脚本，或者在代码本身中为不同的MagicNumbers设置不同的箭头颜色。
这是个好主意，感谢 "为不同的MagicNumbers设置不同箭头颜色的代码"!
但关于剧本。
你是指改变箭头的颜色，还是说脚本能够删除 "额外 "的订单？
但关于剧本。
你是指改变箭头的颜色，还是脚本能够删除 "额外 "的订单？
这是你心中所想的。:)这里给出了一个如何处理箭头的例子http://www.alpari-idc.ru/ru/articles_mql4/25.html
你需要检查描述符--测试者在里面写了MagicNumber。
剧本呢。
你是指改变箭头的颜色，还是脚本能够删除 "额外 "的订单？
这取决于你的心愿。:)这里给出了一个如何处理箭头的例子http://www.alpari-idc.ru/ru/articles_mql4/25.html
你需要检查描述符--测试者在里面写了MagicNumber。
好的。
而一般来说，"光谱多样化 "并不是那么简单的事情。
我至少只取了2个参数（两个指标）来开始。
有2个各自的局部极值的好值。
我使用数组而不是参数值。
共有4个MagicNumber（在循环start()中出现4次）。
手数除以4 - 即每次有4个专家顾问（4倍的交易）。
我将分享我的成果。
相当于使用具有某些特性的赛普滤波器对交流电进行平滑处理。平滑系数是不平衡的，这相当于在购买按钮上拍了一块砖。砖头（+如随机）本身就非常好用，只要知道什么时候买，什么时候卖。另外，考虑到AC在21条期间可以下降2次，以及存在4个可优化的参数......))))。
但对我来说，它揭示了神经网络的工作原理，以及为什么它们不像我们希望的那样高效。
我在创作初期有一个爱好--根据上周的结果（7200条，而不是66000条）编写在M1上工作的EA--每周有多达300个百分点显示在测试仪.....。
我想知道价格需要分解成多少次谐波的傅里叶级数，才能在优化后得到一个圣杯？
至于AC振荡器，专家顾问不仅要看它的最后数值（基于最后数值的决策在技术分析中最常使用），而且要研究历史，即该指标在过去的3个其他数值是什么。他对用于决策的震荡器行为感兴趣。这种非常的行为得到了神经网络的输入。而在输出上，我们得到了买入或卖出。
另一个新功能不是标准的神经网络训练，而是使用遗传算法在历史数据上选择权重。我试了两种变体，遗传学的结果稍差，而且时间较慢。但在MT4中没有内置的神经元算法和学习它。但有一个基于遗传学的优化。而这一领域的一些研究人员意识到，如果情况发生急剧变化，动态学习并不十分充分。如果市场上牛市占上风，系统将重新适应牛市趋势，而忘记熊市趋势。 反之亦然。Samuel A. L. 1959，"利用跳棋游戏进行机器学习的一些研究"（IBM J. Research and Devepopmend 3: 210 - 229），首次遇到并描述了这个怪胎。他观察到，如果他的节目有一个专业的对手，就会逐渐转为专业水平的比赛。但如果对手是个初学者，那么程序就会 "忘记 "之前的水平，开始传到原始的游戏。因此，在神经元自身的错误和损失上进行动态教学可能是没有意义的。通过历史，以制定足以适应市场的交易策略，是比较容易的。
至于圣杯，你不需要非常聪明。你只需要满足一些条件。
1.系统必须在没有任何止损的情况下开仓，或者在非常大的距离上设置止损，使其操作的概率接近于0。
2.一个强大的过滤器，基于几个指标，其触发条件由逻辑和（&&）分隔。并将这些非常指标的大量输入参数拉到MTS外部设置中，这样在几年的历史数据测试中只开了几个仓位。
3.在这一切的基础上，再加上资本和风险管理，再加上一个提高的分数
我计划不使用NS进行预测、推断或插值，而只使用NS搜索模式。
例如，我对培训的技术特别感兴趣。
例如，用一个训练器--假设我们给历史上的每个柱状物的信号集作为训练序列，预期的TC输出是-1/0/1（卖/0/买）。
那么，对于每个条形图，我们应该手动预设信号吗？如何避免？
那么在这种情况下，如何在没有老师的情况下应用培训呢？如何获得整个历史上的交易结果并实现最大的利润？
为此采用了什么方法？
谁有关于NS在交易中的应用的有趣链接？已经有一个很大的NS理论库了。 我计划不使用NS进行预测、推断或插值，而只使用NS搜索模式。 例如，我对培训的技术特别感兴趣。 例如，用一个训练器--假设我们给历史上的每个柱状物的信号集作为训练序列，预期的TC输出是-1/0/1（卖/0/买）。 那么，对于每个条形图，我们应该手动预设信号吗？如何避免？ 那么在这种情况下，如何在没有老师的情况下应用培训呢？如何在整个历史上获得交易结果并实现最大的利润？ 为此采用了哪些方法？
对于模式识别，尝试使用kohonen地图。但首先你应该对数据进行规范化处理，或者直接编码。
...
例如，以教师为例--假设我们给历史上的每个条形图的信号集作为训练序列，NS的预期输出：-1/0/1（卖出/0/买入）。
那么，对于每个条形图，我们应该手动预设信号吗？如何避免？
...
是的，Kohonen卡是 好的，这里最重要的事情，我认为，是在将模式输入到网络输入之前正确编码。
出现了一个问题。难道没有人有一个标准吗--如何确定cohonen网络是否训练有素。
如果在N次迭代中，例子不再被分为不同的类别，并且模式的迁移已经停止，那么我们可以说学习已经完成。