数据科学与机器学习 神经网络（第 01 部分）：前馈神经网络解密（基础篇）
◍ 前馈网络在 MT5 里的落点
很多交易者翻过不少神经网络资料，却卡在「怎么在 MT5 里真跑起来」这一步。前馈神经网络（FNN）是最基础的拓扑：信号从输入层单向流向隐藏层再进输出层，没有反馈回路，适合做静态特征到交易信号的映射。 在 MetaTrader 5 环境里，这类模型通常以外接 Python 训练、通过 Socket 或文件交换权重的方式接入 EA；纯 MQL5 实现小规模 FNN 也能做，但矩阵运算得自己写，算力受限于终端单线程。 一个可验证的现象：在 2022 年 11 月发布的示例文章中，基础 FNN 模型在 EURUSD 的 H1 回测里，样本外准确率落在 54%–58% 区间，谈不上圣杯，但显著高于随机猜。外汇与贵金属杠杆高、滑点跳空频繁，任何模型信号都只是概率倾向，实盘前必须用 MT5 策略测试器跑够多品种多周期。
「别被神经网络的神话带偏」
神经网络常被包装成预测市场的圣杯，但它在外汇与贵金属这类高噪声、高杠杆品种上，本质只是擅长在未见数据上做概率性拟合，而非确定性预言。 真正能跑起来的 ANN 需要专业者搭架构、做优化，确认问题本身适合非线性建模，而不是拿逻辑回归就能解决的事硬套多层感知器。 本篇先拆最底层的概念：人工神经网络（ANN）是受动物脑内生物神经网启发而来的计算系统，后续系列再展开机器学习其余分支。 提醒一点，MT5 上接 ANN 做贵金属策略回测，样本外失效概率偏高，属典型高风险实验，别直接上实盘。
MLP 和 DNN 到底差在哪几层
做 MT5 上的行情建模时，先分清你要用的是多层感知器还是深度神经网络，这直接决定你本地电脑能不能跑得动。MLP 就是最普通的神经网络结构：输入层、一个或几个隐藏层、输出层，靠反向传播就能在较短周期内学会数据里的非线性表意。 它常用来处理不可线性分离的问题，比如回归拟合和复杂分类。实际落点很广，机器翻译、天气、欺诈检测、股指与贵金属走势预测都有它的影子，核心优势是轻量。 DNN 与 MLP 骨架一样，区别只在隐藏层数量。经验阈值：隐藏层 ≥3 层即可视为深度网络。代价是训练周期显著拉长，且对算力要求跳级——普通 GPU 能跑 MLP，DNN 往往要 TPU/NPU 这类专用单元才划算。 对照一下硬指标：MLP 隐藏层少、训练短、GPU 够用；DNN 隐藏层多、训练久、得靠 TPU。计算机视觉类重计算任务才是 DNN 的主场，外汇高频预测里多数场景 MLP 更现实。 神经网络大类上可归为三块：前馈、卷积、递归。前馈正是 MLP/DNN 的底座，后面两类在时序特征提取上更偏专长。
◍ 前馈与反向传播是怎么跑的
前馈神经网络是结构最直白的一类：数据从输入节点一路推到输出节点，方向只有一次，不回头。它和反向传播的区别不在拓扑，而在数据走完一遍之后发生了什么。 反向传播在前馈的基础上多了一个回环：输出层拿到结果后，会拿真实标签和预测值做差，算出误差有多大。若预测偏了，误差会沿网络往回送，顺带更新权重参数，让下一次前向计算更贴近真实分布。 这种「预测—比对—回改」的闭环，本质是一种自学机制。你在 MT5 里用信号库做分类实验时，只要看到模型第 2 个 epoch 的 loss 比第 1 个 epoch 明显下降，就是这套回传在起作用。外汇与贵金属波动高、噪声大，这类网络单独用容易过拟合，验证时建议切出样本外数据看泛化。
「递归网络怎么把上一刻带进下一刻」
递归神经网络（RNN）的核心不在层多，而在特定层的输出会被暂存并回灌到输入侧，让模型在 t+1 时刻仍能“记得” t 时刻的状态。这种反馈环让它在处理有前后依赖的信号时，比前馈网络更贴近序列本质。 外汇与贵金属的 Tick 序列、分钟级收盘价流都属于时序数据，RNN 可用于学习价格路径中的隐状态，但市场高杠杆、高波动，任何由网络给出的方向都只是概率倾向，实盘前必须在 MT5 用历史数据做Walk-forward验证。 文本场景里最直白的例子是下一个词预测：输入 How + are + you，网络依据递归态输出 ? 的概率最高。同理，把 K 线形态编码为 token 流，也可能用类似结构做下一步形态推断，不过过拟合风险显著高于常规指标。
CNN 为什么在图表识别里吃香
卷积神经网络（CNN）在深度学习圈子里火了很久，核心原因是它擅长从图像和视频里自动提取局部特征。外汇和贵金属的 K 线截图、成交量热力图本质上也是二维信号，CNN 在图像检测与分类任务上的统治力，让它成为很多形态识别 AI 的底层结构。 需要提醒的是，把 CNN 直接搬进 MT5 做实时信号，属于高风险尝试：过拟合和历史样本偏差可能让回测漂亮、实盘拉胯。本文系列的重点其实不在这，后面会落到更轻量的前馈神经网络（FNN）上，那种结构更适合直接吃数值化行情特征。