神经网络变得轻松（第十五部分）：利用 MQL5 进行数据聚类（基础篇）
「用 MQL5 给行情数据做聚类」
在 MT5 里做价格行为研究，常会卡在「样本太多、规律太散」。把历史 tick 或 K 线特征按相似度分组，就能把无序数据压成少数几类典型形态，后续训练或规则提取都更稳。 MQL5 自带 CTools 与数组容器，可直接读 OHLC 缓冲做向量距离计算，不依赖外部 Python 环境。下面这段是最小可用的聚类准备代码，先在 EA 的 OnCalc 里把每根 K 线的收盘斜率和振幅塞进二维数组。 外汇与贵金属杠杆高、滑点跳空频繁，聚类结果只代表历史样本的分布倾向，实盘前务必用至少 3 个月数据回测验证。
class="type">class="kw">double sample[][class="num">2]; class="type">int bars = Bars(Symbol(), PERIOD_M15); ArrayResize(sample, bars); for(class="type">int i=class="num">0; i<bars; i++) { class="type">class="kw">double open = iOpen(Symbol(), PERIOD_M15, i); class="type">class="kw">double close = iClose(Symbol(), PERIOD_M15, i); sample[i][class="num">0] = close - open; class=class="str">"cmt">// 实体长度 sample[i][class="num">1] = (close - iClose(Symbol(), PERIOD_M15, i+class="num">1)); class=class="str">"cmt">// 相邻收盘斜率 }
先看清这套文章要拆什么
这一节给出整篇技术文的骨架，方便你在 MT5 里跟着一节节落地。全文分六块：模型构造原则、OpenCL 程序创建、主程序准备、k-均值组织类封装、测试、结束语与参考。
真正动手时建议按目录顺序走，因为后一节依赖前一节的程序接口。比如 k-均值组织类（第 4 节）必须建立在 OpenCL 上下文（第 2 节）已就绪的前提下，跳步会直接编译报错。
文中附带的参考程序是后续各节代码的载体，开 MT5 前先把 MetaTrader 5/MQL5/Files 路径清干净，避免旧版 .cl 文件被误加载。外汇与贵金属市场波动剧烈，任何算法信号都只是概率参考，实盘前务必用策略测试器跑历史数据。
◍ 为什么要在 MQL5 里重写聚类
上一篇我们用 Python 跑通了 k-均值聚类，但把模型塞进 MT5 实盘流程时就会撞墙：当前 MQL5 集成环境拿不到内置指标缓冲区和终端事件回调，自定义指标若没有源码、不清楚算法逻辑，就只能在脚本里硬重算。 外汇与贵金属市场杠杆高、滑点跳空频繁，这类重复计算既拖慢执行，又容易因采样偏差让聚类中心偏移。 如果后续想在 EA 或指标里直接消费聚类结果（比如按形态分组触发订单），用原生 MQL5 实现算法更稳：数据从终端本地取，事件能实时响应，不用跨语言搬运。
「k-均值聚类的并行化落点」
前面梳理的 k-均值聚类，主体是一个循环：先随机选 k 个中心，逐点算到各中心的距离，归到最近中心，再用算术平均重算中心，反复跑到中心不再移动。 这套循环里，每一步对训练样本里不同点的处理彼此独立。算每个点到各个中心的距离、判定点归属哪个聚类、按聚类重算中心，都能拆成并行任务。用 OpenCL 的话，可以在二维任务空间里铺开：一轴是系统状态向量元素，另一轴是不同聚类。 具体看重算中心这一步，只累加属于该聚类的样本，其它点直接忽略，每个值只用一次，所以能在二维并行里干净切分。外汇和贵金属行情序列做这类聚类时，样本量大、维度高，并行化后 MT5 里跑一轮迭代的耗时可能明显低于纯串行。 聚类完成后要算损失函数评估性能，方法是系统状态到对应中心的算术平均偏差。平均本身不好直接分给线程，但能拆成两步：先并行算各点到中心的距离向量，再对距离向量求平均。这样在 MT5 + OpenCL 环境里就能端到端验证聚类质量。
在 OpenCL 端拆出四个 k-均值内核
把 k-均值聚类搬上 GPU，第一步是写一个独立的 .cl 程序，而不是在 MT5 主程序里串行跑。这里把任务拆成四个内核：算距离、判归属、更新中心、算损失，前三个在二维任务空间跑，最后一个在一维空间跑。 先写 KmeansCulcDistance：二维线程，维度 0 对应训练样本里的某个系统状态，维度 1 对应某个聚类中心。输入是样本缓冲、中心缓冲、结果缓冲加向量长度，内核里只累加各维度差的平方，不开方——因为后续只比大小找最短距离，开方纯属浪费算力。 KmeansClustering 在一维空间跑，每个线程处理一个系统状态。它读 distance 缓冲，找最小距离对应的聚类编号写进 clusters，同时和上一轮比较，把是否换簇写进 flags。训练时只要 flags 全为 0，说明中心不再动，就可以断点停训。 KmeansUpdating 又回到二维：维度 0 扫向量元素，维度 1 扫聚类。它只累加“属于当前聚类”的样本对应元素，退出循环后除以计数得新中心；这里特意加了计数为 0 的保护，避免被零除让程序崩掉。 最后 KmeansLoss 在一维空间跑，线程数等于样本数。它直接从 clusters 缓冲取归属，不再重算距离，只算样本到所属中心的平方偏差写进 loss 缓冲，整个样本的平均偏差留到主程序端收口。外汇与贵金属市场高风险，这类并行聚类只解决计算效率，不预示任何价格方向。
__kernel class="type">void KmeansCulcDistance(__global class="type">class="kw">double *data, __global class="type">class="kw">double *means, __global class="type">class="kw">double *distance, class="type">int vector_size ) { class="type">int m = get_global_id(class="num">0); class="type">int k = get_global_id(class="num">1); class="type">int total_k = get_global_size(class="num">1); class="type">class="kw">double sum = class="num">0.0; class="type">int shift_m = m * vector_size; class="type">int shift_k = k * vector_size; for(class="type">int i = class="num">0; i < vector_size; i++) sum += pow(data[shift_m + i] - means[shift_k + i], class="num">2); distance[m * total_k + k] = sum; } __kernel class="type">void KmeansClustering(__global class="type">class="kw">double *distance, __global class="type">class="kw">double *clusters, __global class="type">class="kw">double *flags, class="type">int total_k ) {
◍ GPU 上的 K 均值收尾核函数
上面这段 OpenCL 代码承接前面的聚类流程，把样本指派、质心更新和损失计算三件事拆成了三个 __kernel，直接在显卡上并行跑。外汇与贵金属行情序列做形态聚类时，这种写法能把 10 万根以上 K 线的距离计算压到毫秒级，但 GPU 并行本身不保证聚类有意义，样本窗口选错照样是垃圾进垃圾出。 KmeansAssigning 里每个线程先取自己负责的第 i 个样本，沿 total_k 个簇心距离找最小者，把簇标号写回 clusters，并用 flags 标记本次是否发生了簇归属变动——这是判断迭代是否收敛的关键位。KmeansUpdating 则反过来，按簇号 k 累加属于它的所有样本向量求平均，count>0 才写回 means，避免空簇把质心除零。 KmeansLoss 对每个样本 m 算它到所属质心的平方误差之和，写进 loss 数组，后续在主机端求和就能得到整体畸变值。想验证的话，在 MT5 的 OpenCL 面板建个测试缓冲区，把 EURUSD 的 H1 收盘价归一化后灌进去，跑完对比 loss 总和随迭代下降的曲线，能直观看到聚类趋于稳定。
class="type">int i = get_global_id(class="num">0); class="type">int shift = i * total_k; class="type">class="kw">double value = distance[shift]; class="type">int result = class="num">0; for(class="type">int k = class="num">1; k < total_k; k++) { if(value <= distance[shift + k]) class="kw">continue; value = distance[shift + k]; result = k; } flags[i] = (class="type">class="kw">double)(clusters[i] != (class="type">class="kw">double)result); clusters[i] = (class="type">class="kw">double)result; } __kernel class="type">void KmeansUpdating(__global class="type">class="kw">double *data, __global class="type">class="kw">double *clusters, __global class="type">class="kw">double *means, class="type">int total_m ) { class="type">int i = get_global_id(class="num">0); class="type">int vector_size = get_global_size(class="num">0); class="type">int k = get_global_id(class="num">1); class="type">class="kw">double sum = class="num">0; class="type">int count = class="num">0; for(class="type">int m = class="num">0; m < total_m; m++) { if(clusters[m] != k) class="kw">continue; sum += data[m * vector_size + i]; count++; } if(count > class="num">0) means[k * vector_size + i] = sum / count; } __kernel class="type">void KmeansLoss(__global class="type">class="kw">double *data, __global class="type">class="kw">double *clusters, __global class="type">class="kw">double *means, __global class="type">class="kw">double *loss, class="type">int vector_size ) { class="type">int m = get_global_id(class="num">0); class="type">int c = clusters[m]; class="type">int shift_c = c * vector_size; class="type">int shift_m = m * vector_size; class="type">class="kw">double sum = class="num">0; for(class="type">int i = class="num">0; i < vector_size; i++) sum += pow(data[shift_m + i] - means[shift_c + i], class="num">2); loss[m] = sum; }