在 MetaTrader 5 中使用自组织特征映射（Kohonen 映射）

一、什么是自组织特征映射（SOM）

自组织特征映射（Self-Organizing Map，SOM）由芬兰教授 Teuvo Kohonen 在 1982 年提出，是一种无监督神经网络。它不需要输入数据与目标输出一一对应，而是把高维输入空间非线性地映射到一个规则的低维网格上，让相似的数据点落在相邻节点。换句话说，SOM 生成的是输入数据的一张「相似性地图」——你喂进去一组高维样本，它吐出来一张二维网格，颜色或位置相近的节点代表特征相近的样本。这在交易里特别适合做品种聚类、市场状态分层、异常检测。

和多数神经网络不同，SOM 的训练没有「标准答案」监督。它靠竞争学习自动找出数据的内在拓扑结构：训练集里靠近的样本，在地图上也会靠近。这种「拓扑保持」特性，是 K-means 这类硬聚类做不到的——K-means 只给标签，SOM 还给邻居关系，方便你顺着地图看过渡带。

二、网络架构与学习算法

最简单的 SOM 是一个 N×N 节点网格（文中用 4×4、15×20 等），每个节点持有一个与输入向量同维的权重向量，以及网格坐标 (x,y)。学习分几步循环：1) 用随机值初始化所有节点权重；2) 从训练集随机抽一个样本向量；3) 计算每个节点权重与样本的欧氏距离，最靠近的那个节点叫最佳匹配单元 BMU（Best Matching Unit）；4) 以 BMU 为中心、按当前邻域半径，调整邻域内所有节点的权重，让它们更靠近样本，越靠近 BMU 调整越多；5) 邻域半径和学习率随迭代逐步缩小；6) 重复第 2 步 N 次。多次迭代后，网格会演化成稳定的特征分区，每个区域就像一个特征分类器。

两个超参数决定训练质量：迭代次数（文中用 10000 次，地图约在 2400 步后成形）和邻域半径（初始为整张网格半径，逐步衰减到 1）。迭代太少地图没定型，太多则浪费算力；半径衰减太快容易碎成孤岛，太慢则过渡带模糊。实际调参时先小网格试跑、看训练动态图，再放大。

三、MQL5 实现：CSOMNode 与 CSOM 类

文中用面向对象方式实现。CSOMNode 是每个网格节点的类，保存坐标和权重向量，提供 CalculateDistance（算到某向量的平方距离）和 AdjustWeights（按学习率和影响因子调权重）。CSOM 是整个网络类，内部用 cIntBMP 库把训练结果画成 BMP 图像，对外暴露 InitParameters(迭代次数, 横向节点数, 纵向节点数, 图像宽, 高)、BestMatchingNode、Train、Render、ShowBMP 等方法。使用时先 MathSrand 固定随机种子保证可复现，InitParameters 建网，AddTrainPattern 加样本，Train 训练，Render 出图，ShowBMP 贴到图表上。

CSOM KohonenMap;
void OnInit() {
  MathSrand(200);
  KohonenMap.InitParameters(10000, 15, 20, 400, 400);
  KohonenMap.AddTrainPattern(255,0,0);   // Red
  KohonenMap.AddTrainPattern(0,128,0);   // Green
  // ... 共 8 种颜色
  KohonenMap.Train();
  KohonenMap.Render();
  KohonenMap.ShowBMP(false);
}

四、经典示例：颜色聚类可视化

SOM 最直观的入门例子是颜色聚类：把 8 种 RGB 颜色当作三维向量喂进去，训练后地图上相同/相近颜色会聚成一团，肉眼就能验证「拓扑保持」。文中把 15×20 节点的网格渲染成 400×400 的 BMP，每个节点按自身权重着色，结果是一片平滑过渡的色块地图。进一步把网格改成 300 节点的六边形单元格（HexagonalCell=true），并通过 ShowBorders 开关控制是否画边框，就得到另一种更贴近学术文献的可视化风格。

这个例子虽小，却把 SOM 的全部机制走了一遍：向量化输入、BMU 竞争、邻域平滑、结果可视化。它证明即使只有三维输入，SOM 也能把「谁和谁像」画出来——这正是我们后面拿去处理行情特征的基础。

五、扩展到 Web 颜色与六边形网格

文中从 CSOM 派生出 CSOMWeb，新增 AddTrainColor(颜色常量) 和 ShowColor(颜色, 名字) 两个方法，内部自动把 MQL5 的 Web 颜色常量（如 clrRed、clrBlue）拆成 RGB 三维向量再加进训练集。这样你不用手写 (255,0,0)，直接传 clrRed 即可，处理 132 种预定义 Web 颜色时尤其方便。可视化上，通过 input 参数切换六边形单元格和边框显示，得到不同观感的地图——实用价值在于：当颜色很多、彼此色差很小时，正方形网格会出现「边界锯齿」，六边形网格的过渡更自然。

六、在交易中能做什么：品种聚类与状态识别

SOM 在量化里最自然的应用是「把高维行情特征压成一张可解释的地图」。例如把每个交易品种在某段时间里的波动率、动量、相关性、买卖盘失衡等十几个指标拼成向量，训练一张 SOM，地图上相邻节点就代表「市场状态相近」的品种组合——你可以据此做板块聚类、找替代品种、识别系统性风险集中在哪一片区域。另一个用法是单品种的状态分层：把不同行情阶段（趋势/震荡/突破）的特征喂进去，地图不同区域对应不同 regime，EA 就能按「当前落在哪个节点附近」切换策略参数。

相比纯统计阈值，SOM 的优势是「见过全样本后自己归纳拓扑」，不会漏掉你没显式定义的过渡态。代价是结果偏黑盒、需要 Render 出图人工解读，且对特征工程和迭代次数敏感。稳健做法是先小网格试跑看训练动态，确认地图稳定后再放大节点数投入实盘监控。

七、小结

Kohonen 映射是无监督神经网络，用 BMU 竞争 + 邻域平滑把高维样本压成一张「相似性地图」，拓扑保持是它区别于 K-means 的核心。MQL5 里用 CSOMNode/CSOM 类配合 cIntBMP 就能训练并渲染，经典颜色聚类例子帮你快速验证机制。交易中可拿它做品种聚类、市场状态识别、异常检测——前提是先标准化特征、调好迭代与邻域，并把结果 Render 出来人工复核。它不替代监督模型，但是一张极好的「全样本特征全景图」。