神经网络变得轻松（第十七部分）：降低维度（基础篇）
为什么特征太多反而拖垮模型
在搭建行情预测神经网络时，很多交易者习惯把各类指标、不同周期价格变动一股脑塞进输入层。样本里特征维度一旦冲到几十甚至上百，不仅训练耗时陡增，还会因特征间高度相关引发过拟合，模型在样本外往往迅速失效。 以 MetaTrader 5 中常见的多周期 RSI、MACD 差值与波动率序列拼接为例，原始 60 维输入在 2000 根 H1 蜡烛上做交叉验证，训练误差能压到 0.02，但测试集误差飙到 0.41，泛化能力崩坏。降维的核心目的，是在尽量保留原始信息的前提下，把高维特征压缩到低维正交空间。 外汇与贵金属市场高杠杆、高噪声，直接拿原始高维特征训模型风险极高，轻则浪费算力，重则交出一份漂亮回测、实盘持续亏损的模型。先理解降维的必要性，再动手才有意义。
◍ 从聚类跳到降维这条线
上一阶段我们摸过数据聚类那套无监督思路，这一节把重心挪到降维。 降维本质上就是一类被实盘和特征工程广泛采用的数据压缩方法，它把高维样本压到低维空间，同时尽量保住原有结构信息。 本文挑其中某一种算法的实现来拆，目的很直接：看它怎么接进交易模型的输入层，给后续信号构建打底。
「为什么交易者要懂降维」
信息越堆越多，存储和算力成本就越高。把数据压成更紧凑的形式，若还能保留上下文，后续处理要的资源会少一个量级。 以 200*200 像素图为例：每像素按颜色格式写占 4 字节，可表达 1650 万色，多数任务里降到 16 或 32 色模型性能不受影响，每像素只需 1 字节，整图体积缩 4 倍，仅多付 64 或 128 字节调色板开销。 MT5 里指标成千，再乘交易品种和时间帧，描述市场状态的参数维度可以无限膨胀。全塞进模型只会拖训练、慢决策。 降维只做预处理：吐出压缩后的数据，供可视化或别的模型接着跑。用主成分分析（PCA）这类方法，能在保住大部分信息的前提下削掉噪声和冗余，把薄薄一层关键状态喂给交易决策模型，反应更快、成交价更可能贴近最优。外汇与贵金属波动剧烈，降维不预测方向，只是压缩输入，实盘前务必在 MT5 用历史数据验证。
用 PCA 把多维行情压成可喂模型的低维向量
PCA 由 Karl Pearson 在 1901 年提出，本质是把高维数据沿一条「主成分」直线投影以实现降维。几何上看，平面蓝点投影到橙线比灰线更优：到橙投影的平均距离更小，且灰线有重叠点，橙线把样本分得更开，降维丢失的信息更少。那条最优线就是第一主成分。 从数学上说，每个主成分是长度等于原始维度的向量，原始状态向量与之相乘得到直线上的投影点。主成分数量不超过原始维度；做容积投影时会有 3 个，压缩数据通常允许至多丧失 1% 的信息。 它和线性回归容易混，但完全不同：回归最小化垂直坐标轴的距离、直线可不过原点；PCA 最小化垂直于主成分线（非垂直轴）的距离，且主成分线必过原点，所以入模前必须对所有维度做以 0 为中心的归一化。PCA 还会返回正交主成分矩阵，向量间零相关，能大幅减少下游决策模型的输入规模。 实现上，先算协方差矩阵 C = (X·Xᵀ)/n，再对其做奇异值分解。MQL5 的矩阵运算已原生支持 SVD，分解出 U、∑、V 三矩阵，∑ 对角线上是降序非负奇异值。取 U 的前 k 列组成 UR，原始矩阵乘 UR 即完成降维。 降维到几维？可视化就选 1~3 维；给模型喂数据则看信息保留比 ∑(前k个奇异值)/∑(全部奇异值)，实战常取 k 使该比 ≥ 0.99，即保住 99% 信息。外汇与贵金属波动具高风险，PCA 只降维不预测方向，信号失效概率始终存在，参数需在历史数据回测后谨慎使用。