Machine learning and data mining Problems Clustering Dimensionality reduction Ensemble learning Anomaly detection Theory An artificial neural network is an interconnected group of nodes, akin to the vast network of neurons in a brain. Here, each circular node represents an artificial neuron and an arrow represents a...
不存在精神错乱。对网络有深刻的理解。在这里要花很长时间来陈述，而且这样做也没有意义。因此，我将限制自己，简要地陈述我的观点。那些不同意的人，请说出来，举出例子，如果你想的话，甚至是文艺复兴技术 。让我们一起笑吧。
对网络有深刻的理解。在这里要花很长时间来布置，这样做没有任何意义。
不存在精神错乱。对网络有深刻的理解。在这里要花很长时间来陈述，而且这样做也没有意义。因此，我将限制自己，简要地陈述我的观点。那些不同意的人，请说出来，举出例子，如果你想的话，甚至是文艺复兴技术 。让我们一起笑吧。
现在可能无法举例，但在未来，随着终端、编程语言、工具的发展，将有可能做出成熟的人工智能，很多伟人对进步的看法都是错误的，有些人及时改变了主意，很多人因此而失败，所以我们应该等待
2名数学家、2名物理学家、2名神经生物学家和2名经济学家
这是个恶性循环!
如果我们知道给NS输入什么，那么NS就没有用了。
而如果我们用东西来供应我们的投入，我们将不需要NS。
结论：神经网络是狗屁？!!!!=)
我认为真正重要的信息应该反馈给国家安全局。
1)最后的报价，例如最后的10小时条形图（因此NS可以检测水平和父子关系）。
2)当前时间（所以NS知道什么时候期待波动高峰，因为新闻和市场开盘是以整数时间值发生的）。
3）宏观经济指标（最好是实时的，在MT5中如何以及从哪里输入这些指标--不知道）。
4）不同地区的好消息和坏消息（我不知道如何实现，你可以输入好消息/坏消息的系数，但我不知道如何将它们送入MT5，从哪里自动送入，不需要人工干预）。
现在可能无法举例，但在未来，随着终端、编程语言、工具的发展，将有可能做出成熟的人工智能，很多伟人对进步的看法是错误的，有些人及时改变了主意，很多人因此而失败，所以我们必须等到
(他们不会聚在一起，做出真正有效的东西）），此外，不能保证这些神经网络不已经存在，他们可能正在某个人的终端中安静地工作。人工神经网络的进展始于1943年，69年来，它们甚至没有学会区分猫和狗。有一些领域已经成功地使用了它们，这些领域的数据不需要重大的非线性转换。例如，根据一天中的时间和空气温度来预测耗电量。根据工厂订单、个人收入、失业率等对GDP增长进行预测。在市场上，网络必须根据过去的价格做出决定。给N个过去的价格本身作为网络的输入是不好的，所以在嘈杂的数据之间建立一个非线性关系是很愚蠢的。市场上确实存在模式，但它们是如此扭曲，甚至用非线性时间和价格转换的常规方法也无法识别。 例如，在N个过去的价格中，最重要的时刻只能是一两个片段，即这些价格达到支撑和阻力水平、趋势线或改变方向的片段。价格如何在这些重要部分之间移动，在大多数情况下并不重要。也就是说，通过这样的非线性转换，数据的维度N被大大降低到2-3倍。网络本身永远不会学会做这种价格的非线性转换。这要看我们怎么做。但是，如果我们知道如何处理价格，我们已经提前知道了策略（例如水平的分解），为什么我们还需要网络？如果我们知道趋势中的1-2-3模式会导致趋势的延续，那么我们为什么需要网？也许将来计算机会非常强大，会出现新的网络类型，与生物网络更加相似（也许在20-30年内）。
也请阅读这里，这里很好地描述了网络的缺点：https://en.wikipedia.org/wiki/Neural_network
例如这段话。
为了实现大型和有效的软件神经网络，需要投入大量的处理和存储资源。虽然大脑有专门为通过神经元图 处理信号的任务而定制的硬件，但在冯-诺伊曼 技术上模拟哪怕是最简化的形式，也可能迫使NN设计师为其连接填充数百万的数据库 行--这可能会消耗大量的计算机内存 和硬盘空间。此外，NN系统的设计者往往需要模拟信号通过许多这些连接及其相关的神经元的传输--这往往必须与难以置信的CPU 处理能力和时间相匹配。虽然神经网络经常产生有效的 程序，但它们往往是以效率 为代价的（它们往往会消耗大量的时间和金钱）。
现在可能无法举出例子，但在未来，随着终端、编程语言和工具的发展，将有可能创造出成熟的人工智能，许多伟大的人对进步的看法是错误的，有些人及时改变了主意，许多人因此而失败，所以我们必须等待
而终端和MQL5没有任何关系，因为没有人禁止一般的人工智能，特别是MU，早已禁止使用其他工具来实现它（完全），包括把它作为一个库加入MT。
问题不在于创建一个网格并教授它（如何做很清楚，因为有很多信息，甚至有现成的实现）。网格的问题是完全不同的--事实上在这里已经说过了--网格的整个有效性被 "埋没 "在我们训练它的输入数据的选择上。而选择正确的数据（在市场背景下），正确地转换数据（例如，将其转换为多维空间，根据一种理论，形成隐藏在报价变化的外部表现背后的随机过程的吸引子）--这是最有价值的技术，在实践中我还没有遇到有用的信息。当然，上述分支中建议的一切都已经尝试过了，但没有成功。例如，宏观指标不需要网格，因为如果你知道如何正确解释它们，你就可以用手来交易。新闻不是一个指标，因为，首先，对它们的反应将是事后的，我们有点想在新闻进入市场之前预测动向并做出决定，其次，对新闻的反应是不可预测的--例如：日本的地震--日元似乎不好，但事实上对它的需求增长了，还有，新闻往往是负面的，但比预期的负面要少，它被认为是提高市场的理由，等等。一般来说，一切都已经尝试过了。那些已经成功的人（如果有的话）并没有坐在这里。而且他们没有分享他们的经验。
继续讨论市场上的网络问题。以我们大脑的视觉皮层为例。这个皮层中只有V1层包含1.4亿个神经元，而只有6层。所有这些神经元平行处理信息，并通过数百万个适应性突触相互连接。交易员所使用的计算机可以有多达1000个CPU核心。也就是说，为了模仿视觉皮层，每个核心必须实时计算数十万个神经元。培训这样一个网络将需要一年左右的时间。而这一切是为了看清世界和识别图像。即使我们能够成功地训练这个网络，它仍然无法达到与我们一样的物体识别的准确性，因为我们使用的不仅仅是视觉信息。例如，人工网络最困难的任务之一是阴影识别。这对我们来说是不难理解的，因为我们对光的特性很熟悉。但网络并不了解光的这些特性，除非我们教它这样做，否则它无法检测到这些特性。网络也不熟悉对象的透明度等等。就拿市场来说，那里的噪音比视觉信息中的噪音要大得多，而且对象（价格模式）也更加扭曲。而我们希望有几十个神经元看着过去的价格来设定市场模式。荒谬，不是吗？
继续讨论市场上的网络问题。以我们大脑的视觉皮层为例。这个皮层中只有V1层包含1.4亿个神经元，而只有6层。所有这些神经元平行处理信息，并通过数百万个适应性突触相互连接。交易员所使用的计算机可以有多达1000个GPU核心。也就是说，为了模仿视觉皮层，每个核心必须实时计算数十万个神经元。培训这样一个网络将需要一年左右的时间。而这一切是为了看清世界和认识图像。即使我们能够成功地训练这个网络，它仍然无法达到与我们一样的物体识别的准确性，因为我们使用的不仅仅是视觉信息。例如，人工网络最困难的任务之一是阴影识别。这对我们来说是不难理解的，因为我们对光的特性很熟悉。但网络并不了解光的这些特性，除非我们教它这样做，否则它无法检测到这些特性。网络也不熟悉对象的透明度等等。就拿市场来说，那里的噪音比视觉信息中的噪音要大得多，而且对象（价格模式）也更加扭曲。而我们希望有几十个神经元看着过去的价格来设定市场模式。荒谬，不是吗？
我再给你举个例子。
我去了RBC网站，今天有137条新闻，但其中3条可能会对卢布汇率产生实际影响。而且很有可能存在新闻中没有提及的影响。
也就是说，不仅要学会如何非常仔细地过滤输入流，而且很可能在输入流中没有描述这些或那些价格变化原因的信息。
一般来说，你不应该混淆温暖和柔软。机器最初是为了取代单调的/研究性的人类劳动而创造的。如果我们以交易领域为例，绝大多数参与者都不了解自己在做什么，这在结果中得到了反映。没有任何明确的原则可以保证未来的结果，如果你拿M3美元和SP500的动态来说，你可以看到，即使是买入和持有策略也是亏损的。那么，机器应该怎么做--也是单调地失去......
尽管为艺术而艺术，也有生活的权利。