如何掌握机器学习（基础篇）
◍ 从手动交易到算法交易的门槛
多数有经验的交易者都经历过手动盯盘的阶段，初期看支撑阻力、形态突破还算顺手，但一旦想把胜率做稳、把仓位铺到多个外汇或贵金属品种上，人工反应就会成为瓶颈。 算法交易能解决批量执行和低延迟的问题，但它不是只会画线的延伸——在 MT5 里写 EA 需要你同时懂市场结构、MQL5 语法和风险控制逻辑，三者缺一个都跑不顺。 机器学习与神经网络最近几年在量化圈升温很快，MetaTrader 5 从 2019 年之后内置的 ONNX 推理接口，让训练好的轻量模型能直接进 EA 调用。不过这套东西资料分散，新手很容易在矩阵、特征工程这些概念里迷路，我们后面会拆开逐步讲。
「入门机器交易的参考书单」
想在 MT5 里把机器学习真正跑起来，光会 MQL5 不够，数学、统计和 Python 是绕不开的三块底座。下面这几本英文书覆盖了从统计推断到实盘部署的不同切面，适合边读边在策略回测里验证。 Marcos López de Prado 的《Advances in Financial Machine Learning》把金融场景下的标签构建、交叉验证讲得很透，直接对应避免未来函数这一坑。Howard B Bandy 的《Quantitative Technical Analysis》偏重交易系统开发与资金管理，对做 EA 风控参数有启发。 Tony Guida 与 Michael Halls-Moore 的两本分别谈大数据量化投资和高级算法交易，Jannes Klaas、Stefan Jansen 则更落地，用 Python 生态手把手做策略。Ali Akansu 的信号处理、David Aronson 的循证技术分析和统计合理 ML、Ernest Chan 的机器交易部署，合起来基本是一张从理论到上线的地图。 外汇与贵金属杠杆高、滑点跳空频繁，书里回测漂亮不等于实盘能活，建议先挑一本在 demo 账户用历史数据复刻一个信号再说。
把机器学习课程塞进交易实战前先看清门槛
想用机器学习做外汇或贵金属交易，在线课是最快入门路径，但多数公开课程以股票、量化基金场景为主，直接迁移到高杠杆品种要自己补一层风控。乔治亚理工那门「针对交易的机器学习」约 4 个月课时，覆盖线性回归、KNN、回归树，并专门讲概率机器学习怎么落地交易决策，比泛泛的 AI 课更贴盘。 Udacity 与 WorldQuant 合开的「人工智能交易」周期 6 个月，教 Python 处理历史数据、生成信号和管理组合，多因素模型带优化模块，适合想自己写回测框架的人。纽约大学专业系列共四门，每门 13–24 小时，弱相关于交易，但要求你会 numpy、pandas、IPython，且懂线性代数与基础概率微积分，否则练习跑不动。 外汇和贵金属波动受杠杆与跳空影响极大，课程里的股票假设不能直接当真；开 MT5 前先确认自己能用 Python 把 Tick 数据导出来，再决定报哪门课，不然听完仍复制不了任何策略。
◍ 机器学习交易视频清单
想直接看别人怎么把机器学习搬进交易框架，下面这些公开录像比读文档更快入门。Siraj Raval 那组偏深度学习做股价预测，涉及加密货币机器人、强化学习和 TensorFlow；QuantInsti 与 Quantopian 的 webinar 覆盖分类回归、情绪建模和组合理论，适合补量化底子。 Sentdex 的两套分别讲外汇股票的模式识别入门，以及用 Python 做机器学习前的数据预处理，对 MT5 玩家来说，数据清洗那段最实用。QuantNews 的三集短课把数据准备和超参数调整的第一步拆得很细，能照着调参。 Howard Bandy 和 Ernie Chan 的各有一小时 webinar，主题都是机器学习交易系统开发，前者重流程、后者重策略逻辑。Alpaca 的 CTO Hitoshi Harada 谈了用深度学习做自动加密与股票 API，Prediction Machines 的 Ben Ball 则演示了 TensorFlow 强化学习在金融里的落地。 学术向的有埃塞克斯大学硕士答辩，用卷积神经网络从 DOM Level-2 订单簿提取信息；Tucker Balch 在理工硕士课里讲深度强化学习交易项目；Krish Naik 用 Stacked LSTM 做股价预测建模。外汇与贵金属自带高杠杆高风险，这些视频里的模型在实盘前都需在 MT5 用历史数据重跑验证。