Розглянуто та досліджено новий клас мереж глибокого навчання-гібридні мережі глибокого навчання на основі методу самоорганізації МГУА. Застосування МГУА дозволяє навчати не тільки ваги зв'язків, але і конструювати структуру мережі. Як вузли мережі можуть бути використані елементарні нейрони з двома входами. Перевага такої структури-мала кількість налаштовуваних параметрів. Виконано оптимізацію параметрів та структури гібридних неофазі мереж. Розглянуто застосування гібридних мереж глибокого навчання з оптимізованими параметрами для прогнозування біржових індексів з різними інтервалами упередження-один день, тиждень та місяць. Проведено експериментальні дослідження гібридних МГУА неофазі мереж та порівняння їх з нечіткою нейронною мережею ANFIS, що дозволило оцінити ефективність та переваги гібридних мереж порівняно звичайними мережами глибокого навчання.