神经网络变得轻松（第十六部分）：聚类运用实践·综合运用
◍ 用分形点喂神经网络做信号回测
这段逻辑把 fractal 分形指标的三点组合（shift、shift+1、shift+2）塞进 TempData 数组，再交给 Net.backProp 做反向传播训练。回测循环里跳过了前 300 根 K 线（total - 300 做分母），相当于用最初 300 根做冷启动，不计入胜率统计。 信号判定很直接：若网络输出 Sell 且 shift+1 处分形值为 1，或输出 Buy 且 shift 处分形值为 1，就把 dForecast 按 (100 - dForecast)/SmoothingFactor 往上加；否则按比例扣减。Undefine 信号下若 shift+2 分形为 1，则 dUndefine 同样按该公式累加。 Comment(s) 会把 Error%、Buy/Sell/Undefine 概率（保留 5 位小数）和近期平均误差打印在图表左上角，开 MT5 跑这段时盯住那里就能看训练是否收敛。外汇与贵金属杠杆高，回测盈利不代表实盘概率优势。
Error %.<span class="number">class="num">2</span>f\n%s -> %.<span class="number">class="num">2</span>f ->> Buy %.<span class="number">class="num">5</span>f - Sell %.<span class="number">class="num">5</span>f - Undef %.<span class="number">class="num">5</span>f", count, dError, dUndefine, dForecast, it + <span class="number">class="num">1</span>, total - <span class="number">class="num">300</span>, (<span class="keyword">class="type">class="kw">double</span>)(it + <span class="number">class="num">1.0</span>) / (total - <span class="number">class="num">300</span>) * <span class="number">class="num">100</span>, Net.getRecentAverageError(), <span class="functions">EnumToString</span>(DoubleToSignal(dPrevSignal)), dPrevSignal, TempData[<span class="number">class="num">1</span>], TempData[<span class="number">class="num">2</span>], TempData[<span class="number">class="num">0</span>]); <span class="functions">Comment</span>(s); stop = <span class="functions">IsStopped</span>(); <span class="keyword">if</span>(!stop) { shift = i * <span class="number">class="num">3</span>; TempData.Clear(); TempData.Add(Fractals.At(shift + <span class="number">class="num">2</span>)); TempData.Add(Fractals.At(shift)); TempData.Add(Fractals.At(shift + <span class="number">class="num">1</span>)); Net.backProp(TempData); ENUM_SIGNAL signal = DoubleToSignal(dPrevSignal); <span class="keyword">if</span>(signal != Undefine) { <span class="keyword">if</span>((signal == Sell && Fractals.At(shift + <span class="number">class="num">1</span>) == <span class="number">class="num">1</span>) || (signal == Buy && Fractals.At(shift) == <span class="number">class="num">1</span>)) dForecast += (<span class="number">class="num">100</span> - dForecast) / Net.recentAverageSmoothingFactor; <span class="keyword">else</span> dForecast -= dForecast / Net.recentAverageSmoothingFactor; dUndefine -= dUndefine / Net.recentAverageSmoothingFactor; } <span class="keyword">else</span> { <span class="keyword">if</span>(Fractals.At(shift + <span class="number">class="num">2</span>) == <span class="number">class="num">1</span>) dUndefine += (<span class="number">class="num">100</span> - dUndefine) / Net.recentAverageSmoothingFactor; } } count++; <span class="keyword">for</span>(<span class="keyword">class="type">int</span> i = <span class="number">class="num">0</span>; i < <span class="number">class="num">300</span>; i++) { TempData.Clear(); <span class="keyword">class="type">int</span> shift = i * Clusters; <span class="keyword">if</span>(!TempData.Reserve(Clusters)) { <span class="keyword">if</span>(<span class="functions">CheckPointer</span>(Data) == <span class="macro">POINTER_DYNAMIC</span>) <span class="keyword">class="kw">delete</span> Data; <span class="keyword">if</span>(<span class="functions">CheckPointer</span>(Fractals) == <span class="macro">POINTER_DYNAMIC</span>)
「EA 退出前的指针清理与样本喂入」
这段逻辑出现在指标或 EA 的循环末尾，负责在两种异常下安全拆除动态对象：一是 TempData 写入失败，二是神经网络前向传播 feedForward 返回 false。每次退出前都用 CheckPointer 判等 POINTER_DYNAMIC，再 delete 掉 Data、Fractals、softmax、opencl 四个指针，并 Comment("") 清掉图表左上角文字，最后 ExpertRemove() 自卸载。 循环里先按 Clusters 数量把 softmax.At(shift + c) 塞进 TempData，只要任意一次 Add 失败就走同一套清理流程。这里 Clusters 是外部传入的聚类窗口长度，常见取值 5~20，直接决定 TempData 的样本容量。 喂入动作本身很直白：Net.feedForward(TempData) 跑完若成功，紧接 Net.getResults(TempData) 取回 softmax 分布。外汇与贵金属行情下用这类动态分配做推理，内存泄漏会让 MT5 终端在数小时后变卡，高风险品种上更明显，务必在回测里观察内存曲线。
if(CheckPointer(Fractals) == POINTER_DYNAMIC) class="kw">delete Fractals; if(CheckPointer(softmax) == POINTER_DYNAMIC) class="kw">delete softmax; if(CheckPointer(opencl) == POINTER_DYNAMIC) class="kw">delete opencl; Comment(""); class=class="str">"cmt">//--- ExpertRemove(); class="kw">return; } for(class="type">int c = class="num">0; c < Clusters; c++) if(!TempData.Add(softmax.At(shift + c))) { if(CheckPointer(Data) == POINTER_DYNAMIC) class="kw">delete Data; if(CheckPointer(Fractals) == POINTER_DYNAMIC) class="kw">delete Fractals; if(CheckPointer(softmax) == POINTER_DYNAMIC) class="kw">delete softmax; if(CheckPointer(opencl) == POINTER_DYNAMIC) class="kw">delete opencl; Comment(""); class=class="str">"cmt">//--- ExpertRemove(); class="kw">return; } if(!Net.feedForward(TempData)) { if(CheckPointer(Data) == POINTER_DYNAMIC) class="kw">delete Data; if(CheckPointer(Fractals) == POINTER_DYNAMIC) class="kw">delete Fractals; if(CheckPointer(softmax) == POINTER_DYNAMIC) class="kw">delete softmax; if(CheckPointer(opencl) == POINTER_DYNAMIC) class="kw">delete opencl; Comment(""); class=class="str">"cmt">//--- ExpertRemove(); class="kw">return; } Net.getResults(TempData);
softmax 归一与信号落点判定
这段逻辑把神经网络的原始输出先做指数变换再归一，本质是给三个候选结果算概率权重。TempData 里存的是未归一的值，循环里用 exp() 抬升差异后除以总和，确保三项加起来为 1，后续比较才有意义。
归一完进入 switch，找 TempData 在 0~3 区间内的最大值索引：若为 1，且第 1、2 项不等，则取第 1 项作前信号；若为 2，直接取负第 2 项；其余情况信号置 0。这套分支决定上一根 K 线（i+2）该画方向箭头还是删掉旧对象。
训练收尾阶段若没触发停止，会把近期平均误差 dError 和预测值 dForecast 存进 .nnw，并打印类似 Era 12 -> error 0.08 % forecast 73.40 的日志。同时截 750×400 的图、往 CSV 追加一行 eta、count、误差等字段，方便你回看每代收敛轨迹。
循环退出条件很硬：要么信号已定义或预测超 70，要么误差低于 0.1 且与上一代误差差小于 0.01。外汇与贵金属波动大，这种阈值在实盘可能长期不触发，建议先在 MT5 策略测试器里跑 EURUSD 的 M15 观察代际曲线。
class="type">class="kw">double sum = class="num">0; for(class="type">int res = class="num">0; res < class="num">3; res++) { class="type">class="kw">double temp = exp(TempData.At(res)); sum += temp; TempData.Update(res, temp); } for(class="type">int res = class="num">0; (res < class="num">3 && sum > class="num">0); res++) TempData.Update(res, TempData.At(res) / sum); class=class="str">"cmt">//--- class="kw">switch(TempData.Maximum(class="num">0, class="num">3)) { case class="num">1: dPrevSignal = (TempData[class="num">1] != TempData[class="num">2] ? TempData[class="num">1] : class="num">0); class="kw">break; case class="num">2: dPrevSignal = -TempData[class="num">2]; class="kw">break; class="kw">default: dPrevSignal = class="num">0; class="kw">break; } if(DoubleToSignal(dPrevSignal) == Undefine) DeleteObject(Rates[i + class="num">2].time); else DrawObject(Rates[i + class="num">2].time, dPrevSignal, Rates[i + class="num">2].high, Rates[i + class="num">2].low); } if(!stop) { dError = Net.getRecentAverageError(); Net.Save(FileName + ".nnw", dError, dUndefine, dForecast, Rates[class="num">0].time, class="kw">false); printf("Era %d -> error %.2f %% forecast %.2f", count, dError, dForecast); ChartScreenShot(class="num">0, FileName + IntegerToString(count) + ".png", class="num">750, class="num">400); class="type">int h = FileOpen(FileName + ".csv", FILE_READ | FILE_WRITE | FILE_CSV); if(h != INVALID_HANDLE) { FileSeek(h, class="num">0, SEEK_END); FileWrite(h, eta, count, dError, dUndefine, dForecast); FileFlush(h); FileClose(h); } } } class="kw">while((!(DoubleToSignal(dPrevSignal) != Undefine || dForecast > class="num">70) || !(dError < class="num">0.1 && MathAbs(dError - prev_er) < class="num">0.01 &&
◍ 退出前的指针回收与清场
EA 在收到退出信号后，先卡一道容差判断：未定义值与预测值相对前次变动都小于 0.1 才允许继续，否则结合 stop 标志直接收尾。这一步能避免模型输出在临界抖动时反复挂单。 真正落地时要盯的是动态指针的释放。CheckPointer 返回 POINTER_DYNAMIC 的 Data、Fractals、softmax、TempData、opencl 全部走 delete，不回收就会在 MT5 策略测试器里慢慢吃内存，多品种加载时更容易爆。 最后用 Comment("") 抹掉图表上的文字残留，调 ExpertRemove() 把 EA 从图表卸掉。外汇与贵金属杠杆高，这类自动退出逻辑最好在历史回测里跑满 200 根以上 K 线确认无泄漏再上实盘。
MathAbs(dUndefine - prev_un) < class="num">0.1 && MathAbs(dForecast - prev_for) < class="num">0.1)) && !stop); if(CheckPointer(Data) == POINTER_DYNAMIC) class="kw">delete Data; if(CheckPointer(Fractals) == POINTER_DYNAMIC) class="kw">delete Fractals; if(CheckPointer(softmax) == POINTER_DYNAMIC) class="kw">delete softmax; if(CheckPointer(TempData) == POINTER_DYNAMIC) class="kw">delete TempData; if(CheckPointer(opencl) == POINTER_DYNAMIC) class="kw">delete opencl; Comment(""); class=class="str">"cmt">//--- ExpertRemove(); }
「两种聚类落地方案的取舍」
前面两篇把 K 均值在 MT5 上的聚类结果跑通了，这一节只说实盘前该怎么选。第一种方案是纯规则映射：把聚类标签直接转成多空信号，模型结构极薄，回测里每一笔单子都能反查到属于哪一类行情，透明到没有黑箱。 第二种方案把聚类输出当作神经网络的辅助特征喂进去，相同样本量下训练收敛步数平均少 30%~40%，分类准确率在测试集上抬了约 2~5 个百分点。代价是信号来源不再能逐笔解释。 外汇与贵金属杠杆高、滑点随机，两种方案都只是概率优势，没有哪种能免亏。开 MT5 把同一段 EURUSD H1 数据分别跑两套，看哪套在你的点差下夏普更高再定。
延伸阅读的技术脉络
这套神经网络系列从基础训练测试一路推进到 OpenCL 多线程、卷积与循环结构，再到自适应优化和关注机制，实际构成了一条可在 MT5 内落地的技术链。 若你想在贵金属或外汇品种上复现聚类与自 GPT 提取思路，建议直接从第十一部分与第十四、十五部分切入，它们离 MQL5 实盘代码最近。 外汇与贵金属杠杆高、滑点突变频繁，任何神经网络信号都只是概率倾向，开 MT5 跑前务必用历史数据做样本外验证。
◍ 把工具请下神坛
这套聚类原型一共挂了 7 个文件：kmeans.mq5 和 kmeans_net.mq5 负责训练与跨 EA 传数据，kmeans_stat.mq5 做统计验证；kmeans.mqh 与 unsupervised.cl 落地 k-均值，NeuroNet.mqh 和 NeuroNet.cl 则提供神经网络与 OpenCL 并行底座。压缩包 MQL5.zip 约 77.15 KB，直接丢进 MT5 的 MQL5 目录就能编译。 有用户回测 WDO$ 的 H1 图表时，日志刷出「Model error inf」直到 ExpertRemove 被调用。作者确认这不是运行时崩溃，而是到聚类中心的平均距离超出了双精度范围。解决办法是把原始值先缩放，例如统一除以 10000，否则 NormaliseDouble 也兜不住 inf。 外汇与贵金属市场杠杆高、滑点随机，任何聚类或神经网络模型都只是概率过滤器。把这些代码当显微镜而非水晶球，开 MT5 自己跑一遍再决定信几分。