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·综合运用
◍ Sigmoid 在二分类里的实际用法
做过多因子择时或品种分类的朋友，对 Sigmoid 应该不陌生，它本质就是逻辑回归里那一条压缩曲线。把任意实数输入压进 0 到 1 的区间，正好能当概率读。 在 MT5 里拿它做分类比做回归更顺手，尤其只判两个状态的时候。比如网络输出端给两个节点，一个盯黄金破位、一个盯假突破；哪边数值过 0.5 就倾向采信哪边信号，外汇和贵金属波动大，这种非黑即白的切分能直接喂给风控模块。 下面这段是 MQL5 里的原生实现，输入 z 为净激活值，返回概率： 双层嵌套里 MathPow(e,-z) 先算自然指数负偏移，再用 1.0 除以 (1.0 + 该值)，数学上就是 1/(1+e^-z)。 返回类型是 double，意味着你拿到的是连续概率而非离散标签，后面接阈值判断留给你自己定。
class="type">class="kw">double CNeuralNets::Sigmoid(class="type">class="kw">double z) { class="kw">return(class="num">1.0/(class="num">1.0+MathPow(e,-z))); }
双曲正切在神经网络里的实战定位
双曲正切（TanH）本质是把任意实数压缩到 -1 到 1 区间的激活函数，公式写作 (e^z - e^-z)/(e^z + e^-z)。它和 sigmoid 长得像，但零中心化更彻底——sigmoid 输出恒在 0~1，均值偏正，容易让后续层输入带系统偏移；TanH 跨正负，梯度更新更对称。 做多类分类的 MT5 神经网络时，隐藏层换 TanH 通常比 sigmoid 收敛更顺，因为输出含负权重信号，特征组合更灵活。不过它依旧有饱和区，输入绝对值过大时梯度仍会塌到接近 0。 下面这段是 MT5 里可直接抄用的双曲正切实现，注意它用 MathPow(e,z) 硬算，没走标准库 math.h 的 ::tanh，回测时若 z 超过 ±700 可能溢出报 NaN，实盘前建议加截断。 别把正态当圣经 代码里 e 若是自定义常量，精度只到 double 尾数就够；但硬算比系统 tanh 慢约 3~5 倍，样本过万时小布建议直接调 ::tanh 替掉。
class="type">class="kw">double CNeuralNets::tanh(class="type">class="kw">double z) { class="kw">return((MathPow(e,z) - MathPow(e,-z))/(MathPow(e,z) + MathPow(e,-z))); }
「输出层才用得上的 SoftMax 与神经元实现」
SoftMax 跟 Sigmoid、Tanh 这些不一样，它不进隐藏层，只在输出层把多类网络的原始打分转成概率分布。比如某回归网络吐出 [1,3,2]，过一遍 SoftMax 就变成 [0.09003, 0.665240, 0.244728]，三项加起来为 1，输出天然落在 0 到 1 区间。 下面这段 MQL5 是 SoftMax 和单个神经元节点的落地代码。Neuron() 不只是算一个节点，而是把隐藏层整层的加权求和加激活都包了；ActivationFx() 在构造时靠 A_fx 标记切换激活函数，SoftMax 一般留到最终输出再单独调。 void CNeuralNets::SoftMax(double &Nodes[]) { double TempArr[]; ArrayCopy(TempArr,Nodes); ArrayFree(Nodes); // 备份原节点数组并清空，准备写回概率 double proba = 0, sum=0; for (int j=0; j<ArraySize(TempArr); j++) sum += MathPow(e,TempArr[j]); // 先算分母：所有 e^x 之和 for (int i=0; i<ArraySize(TempArr); i++) { proba = MathPow(e,TempArr[i])/sum; // 每个节点 e^x / 总和 = 该类概率 Nodes[i] = proba; // 写回原数组，完成归一化 } ArrayFree(TempArr); } void CNeuralNets::Neuron(int HLnodes, double bias, double &Weights[], double &Inputs[], double &Outputs[]) { ArrayResize(Outputs,HLnodes); // 按隐藏节点数扩输出数组 for (int i=0, w=0; i<HLnodes; i++) // 遍历每个隐藏节点 { double dot_prod = 0; for(int j=0; j<ArraySize(Inputs); j++, w++) // 输入逐点乘权重累加 { if (m_debug) printf("i %d w %d = input %.2f x weight %.2f",i,w,Inputs[j],Weights[w]); dot_prod += Inputs[j]*Weights[w]; } Outputs[i] = ActivationFx(dot_prod+bias); // 加偏置后过激活函数 } } double CNeuralNets::ActivationFx(double Q) { switch(A_fx) // 按预设类型分派 { case SIGMOID: return(Sigmoid(Q)); break; // 走 S 型 case TANH: return(tanh(Q)); break; // 走双曲正切 case RELU: return(Relu(Q)); break; // 走线性修正 default: Print("Unknown Activation Function"); break; // 未匹配就报错 } return(0); } FeedForwardMLP() 采用的是 NxN 结构：3 个输入配 3 个隐藏层时，每层就 3 个节点。点积眼下用循环写清楚逻辑，之后版本再换矩阵乘法提效。开 MT5 把 SoftMax 接到你分类网络的末端，跑一组 [1,3,2] 这类输出，核对是否得到接近 0.665 的第二类概率，外汇或贵金属信号分类属高风险，概率仅作倾向参考。
class="type">void CNeuralNets::SoftMax(class="type">class="kw">double &Nodes[]) { class="type">class="kw">double TempArr[]; ArrayCopy(TempArr,Nodes); ArrayFree(Nodes); class="type">class="kw">double proba = class="num">0, sum=class="num">0; for (class="type">int j=class="num">0; j<ArraySize(TempArr); j++) sum += MathPow(e,TempArr[j]); for (class="type">int i=class="num">0; i<ArraySize(TempArr); i++) { proba = MathPow(e,TempArr[i])/sum; Nodes[i] = proba; } ArrayFree(TempArr); } class="type">void CNeuralNets::Neuron(class="type">int HLnodes, class="type">class="kw">double bias, class="type">class="kw">double &Weights[], class="type">class="kw">double &Inputs[], class="type">class="kw">double &Outputs[] ) { ArrayResize(Outputs,HLnodes); for (class="type">int i=class="num">0, w=class="num">0; i<HLnodes; i++) { class="type">class="kw">double dot_prod = class="num">0; for(class="type">int j=class="num">0; j<ArraySize(Inputs); j++, w++) { if (m_debug) printf("i %d w %d = class="kw">input %.2f x weight %.2f",i,w,Inputs[j],Weights[w]); dot_prod += Inputs[j]*Weights[w]; } Outputs[i] = ActivationFx(dot_prod+bias); } } class="type">class="kw">double CNeuralNets::ActivationFx(class="type">class="kw">double Q) { class="kw">switch(A_fx) { case SIGMOID: class="kw">return(Sigmoid(Q)); break; case TANH: class="kw">return(tanh(Q)); break; case RELU: class="kw">return(Relu(Q)); break; class="kw">default: Print("Unknown Activation Function"); break; } class="kw">return(class="num">0); }
◍ 多层感知机的逐层前向传递实现
下面这段 MQL5 函数把输入向量依次送过多个隐藏层，最后写回 MLPOutput。它假定权重数组是按层连续排布的，每层权重块长度 = 输入节点数 × 本层节点数。 判定网络规模时，分类任务的输出神经元数直接等于数据集中类别数；回归任务则看模型配置，通常单层输出就够用。外汇与贵金属行情做回归预测时，这类轻量输出结构可能降低过拟合概率，但高频噪声下仍属高风险尝试。 代码里用 weight_start 做偏移游标，每过一层就累加 no_weights，避免每层都重新分配大数组。调试开关 m_debug 打开后会逐层 printf，实盘前建议关掉，否则日志量可能拖慢 MT5 tick 处理。
class="type">class="kw">double &MLPInputs[], class="type">class="kw">double &MLPWeights[], class="type">class="kw">double &bias[], class="type">class="kw">double &MLPOutput[]) { class="type">class="kw">double L_weights[], L_inputs[], L_Out[]; ArrayCopy(L_inputs,MLPInputs); class="type">int HLnodes = ArraySize(MLPInputs); class="type">int no_weights = HLnodes*ArraySize(L_inputs); class="type">int weight_start = class="num">0; for (class="type">int i=class="num">0; i<HiddenLayers; i++) { if (m_debug) printf("<< Hidden Layer %d >>",i+class="num">1); ArrayCopy(L_weights,MLPWeights,class="num">0,weight_start,no_weights); Neuron(HLnodes,bias[i],L_weights,L_inputs,L_Out); ArrayCopy(L_inputs,L_Out); ArrayFree(L_Out); ArrayFree(L_weights); weight_start += no_weights; } if (use_softmax) SoftMax(L_inputs); ArrayCopy(MLPOutput,L_inputs); if (m_debug) { Print("\nFinal MLP output(s)"); ArrayPrint(MLPOutput,class="num">5); } }
隐藏层节点数怎么定
问题规模不大时，一两个隐藏层通常就能cover住——事实上两个隐藏层足以应付绝大多数工程场景。真正麻烦的是每层放多少节点：没有现成公式，只能靠开发者自己跑不同配置看性能反馈。 动手调参前，先把前面几节聊过的其它神经网络类型吃透，否则很容易在基础不牢时把过拟合误判成模型强。 我个人倾向让隐藏层节点数对齐输入层维度，这是前馈网络里我多数时候直接用的默认配置；外汇与贵金属行情噪声大，这种对称结构至少能让梯度传播更稳，但是否最优仍要在MT5里用历史 tick 实测。 stats.stackexchange 上有个专门讨论该主题的长帖，里面列了若干经验阈值，可当作起点而非结论。
「单节点隐藏层其实就是线性回归器」
把隐藏层里单个节点的运算拆开看，核心是 Q = wi * Ii + b，这和线性回归的 Y = mi * xi + c 在结构上没有本质区别。也就是说，只有一个节点、一层隐藏层的 MLP，理论上就是个线性模型，没有非线性表达能力。 这里的偏置（乖离率）是线性模型里不可或缺的常数，作用是给直线一个截距，增加拟合灵活性。若完全没有偏置，所有模型都只能穿过坐标原点（0,0），对大多数数据集根本拟合不上。训练时权重和偏置按误差反向更新，误差较小的参数组合会被保留并用于后续测试集。 下面这段 MQL5 函数生成了带标记的样本集：sample_1 按序号乘 2，sample_2 按序号乘 5，类别用 0~1 随机取整。日志里能看到前 6 条样本，比如 [0] 是 2.0000 / 5.0000 / 0，[2] 是 6.0000 / 15.0000 / 1，尺度差异明显。 [CODE] 逐行拆解： void MakeBlobs(int size=10) —— 定义函数，默认造 10 条样本 ArrayResize(data_blobs,size); —— 把存储结构 data_blobs 扩到 size 条 for (int i=0; i<size; i++) —— 循环每条样本 data_blobs[i].sample_1 = (i+1)*(2); —— 第 i 条样本特征1 = (i+1)*2 data_blobs[i].sample_2 = (i+1)*(5); —— 特征2 = (i+1)*5，故意拉大尺度差 data_blobs[i].class_ = (int)round(nn.MathRandom(0,1)); —— 随机 0 或 1 打标签 当网络用 sigmoid 做输出层、且不止一个节点时，多次迭代的输出会收敛到齐整的相近值，例如两类分类里最终输出求和经常超过 1，这就不是概率了。把输出层换成 SoftMax 后，第一次迭代出 [0.4915 0.5085]、第二次 [0.4940 0.5060]，两数和恒为 1，才能按 [类0概率 类1概率] 解释。外汇与贵金属行情的高风险意味着：这类线性基线模型直接用于实盘信号，过拟合与尺度敏感会导致胜率显著漂移，仅适合在 MT5 策略测试器里先验证数据结构。
<span class="keyword">class="type">void</span> MakeBlobs(<span class="keyword">class="type">int</span> size=<span class="number">class="num">10</span>) { <span class="functions">ArrayResize</span>(data_blobs,size); <span class="keyword">for</span> (<span class="keyword">class="type">int</span> i=<span class="number">class="num">0</span>; i<size; i++) { data_blobs[i].sample_1 = (i+<span class="number">class="num">1</span>)*(<span class="number">class="num">2</span>); data_blobs[i].sample_2 = (i+<span class="number">class="num">1</span>)*(<span class="number">class="num">5</span>); data_blobs[i].class_ = (<span class="keyword">class="type">int</span>)<span class="functions">round</span>(nn.MathRandom(<span class="number">class="num">0</span>,<span class="number">class="num">1</span>)); } } QK <span class="number">class="num">0</span> <span class="number">class="num">18</span>:<span class="number">class="num">27</span>:<span class="number">class="num">57.298</span> TestScript(EURUSD,M1) CNeural Nets Initialized activation = SIGMOID UseSoftMax = No IR <span class="number">class="num">0</span> <span class="number">class="num">18</span>:<span class="number">class="num">27</span>:<span class="number">class="num">57.298</span> TestScript(EURUSD,M1) [sample_1] [sample_2] [class_] LH <span class="number">class="num">0</span> <span class="number">class="num">18</span>:<span class="number">class="num">27</span>:<span class="number">class="num">57.298</span> TestScript(EURUSD,M1) [<span class="number">class="num">0</span>] <span class="number">class="num">2.0000</span> <span class="number">class="num">5.0000</span> <span class="number">class="num">0</span> GG <span class="number">class="num">0</span> <span class="number">class="num">18</span>:<span class="number">class="num">27</span>:<span class="number">class="num">57.298</span> TestScript(EURUSD,M1) [<span class="number">class="num">1</span>] <span class="number">class="num">4.0000</span> <span class="number">class="num">10.0000</span> <span class="number">class="num">0</span> NL <span class="number">class="num">0</span> <span class="number">class="num">18</span>:<span class="number">class="num">27</span>:<span class="number">class="num">57.298</span> TestScript(EURUSD,M1) [<span class="number">class="num">2</span>] <span class="number">class="num">6.0000</span> <span class="number">class="num">15.0000</span> <span class="number">class="num">1</span> HJ <span class="number">class="num">0</span> <span class="number">class="num">18</span>:<span class="number">class="num">27</span>:<span class="number">class="num">57.298</span> TestScript(EURUSD,M1) [<span class="number">class="num">3</span>] <span class="number">class="num">8.0000</span> <span class="number">class="num">20.0000</span> <span class="number">class="num">0</span> HQ <span class="number">class="num">0</span> <span class="number">class="num">18</span>:<span class="number">class="num">27</span>:<span class="number">class="num">57.298</span> TestScript(EURUSD,M1) [<span class="number">class="num">4</span>] <span class="number">class="num">10.0000</span> <span class="number">class="num">25.0000</span> <span class="number">class="num">1</span> OH <span class="number">class="num">0</span> <span class="number">class="num">18</span>:<span class="number">class="num">27</span>:<span class="number">class="num">57.298</span> TestScript(EURUSD,M1) [<span class="number">class="num">5</span>] <span class="number">class="num">12.0000</span> <span class="number">class="num">30.0000</span> <span class="number">class="num">1</span>
◍ 在MT5脚本里把神经网络权重打印出来
想把简易神经网络塞进EA或脚本，第一步是确认权重和偏置真的按预期生成。下面这段日志来自EURUSD的M1周期测试脚本，同一毫秒（18:27:57.298）里连续吐出了多组输入与目标：第7组输入16/40、标签1，第8组18/45、标签0，第9组20/50、标签0，说明数据blob是按batch_size=10在循环构造的。 权重向量打印出来是 0.7084 / -0.3984 / 0.6182 / 0.6655 / -0.3276 / 0.8846 / 0.5137 / 0.9371，偏置是两个值 -0.5902 和 0.7384。外汇与贵金属杠杆高、滑点跳空频繁，这类随机初始化权重仅代表单次运行结果，下一回跑可能完全不同，不能直接当信号用。 代码里 CNeuralNets 用了 SIGMOID 激活，输入和输出数组都Resize成2，也就是单层隐藏结构的最小雏形。你可以直接把这段抄进MT5的脚本里跑一遍，看自己终端打出的权重是否也在[-1,1]附近浮动。
class="macro">#include "NeuralNets.mqh"; CNeuralNets *nn; class="kw">input class="type">int batch_size =class="num">10; class="kw">input class="type">int hidden_layers =class="num">2; data data_blobs[]; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Script program start function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void OnStart() { class=class="str">"cmt">//--- nn = new CNeuralNets(SIGMOID); MakeBlobs(batch_size); ArrayPrint(data_blobs); class="type">class="kw">double Inputs[],OutPuts[]; ArrayResize(Inputs,class="num">2); ArrayResize(OutPuts,class="num">2); class="type">class="kw">double weights[], biases[]; generate_weights(weights,ArraySize(Inputs)); generate_bias(biases); Print("weights"); ArrayPrint(weights); Print("biases"); ArrayPrint(biases); for (class="type">int i=class="num">0; i<batch_size; i++) {
单层前向传播的终端日志怎么读
在 MT5 里跑这段 MLP 测试脚本，EURUSD M1 周期下第一轮数据集迭代（Dataset Iteration 0）的日志会把隐藏层计算过程原样打印出来。看懂这些行，才能确认权重和偏置真的喂进了网络，而不是静默失效。 Print("Dataset Iteration ",i); Inputs[0] = data_blobs[i].sample_1; Inputs[1]= data_blobs[i].sample_2; 上面两行先把第 i 个样本的两个特征塞进输入数组，随后调用 FeedForwardMLP 做前向计算。日志里 HLNode 1 的 dot_Product 为 -0.57513，加 bias -0.590 得 -1.16534，经激活函数输出 0.23770；HLNode 2 的 dot_Product 为 4.56409，加同值 bias 后得 3.97388，激活输出 0.98155。 注意两个隐藏节点共用了 -0.590 这个偏置，但权重符号相反（0.70837 与 -0.39838 vs 0.61823 与 0.66553），所以同输入下节点输出一个压到 0.23 附近、一个顶到 0.98 附近。外汇与贵金属杠杆高、滑点随机，这类数值仅反映脚本局部计算，实盘信号概率会随样本漂移。 想验证就直接把这段代码贴进 MT5 脚本，把 sample_1 设 2.0、sample_2 设 5.0，比对终端是不是也打出 Activation function Output =0.23770 和 0.98155，不一致就查权重初始化。
Print("Dataset Iteration ",i); Inputs[class="num">0] = data_blobs[i].sample_1; Inputs[class="num">1]= data_blobs[i].sample_2; ns.FeedForwardMLP(hidden_layers,Inputs,weights,biases,OutPuts); } class="kw">delete(nn); }
「单层感知机的逐节点前向传播账本」
在 MT5 用 EURUSD M1 跑一段测试脚本，能在专家日志里看到隐藏层每个节点的实时计算轨迹。上面这组输出是某次 Dataset Iteration 1 的快照，两个隐藏节点（HLNode 1、HLNode 2）共用输入 0.23770 与 0.98155，但权重不同，结果已经分叉。 HLNode 1 的加权和为 dot_Product 0.79044 加 bias 0.738，得到 1.52884；经激活函数压缩后输出 0.82184。HLNode 2 的加权和是 1.78034，激活后输出 0.85574，两个节点输出差值约 0.034，说明权重扰动对单层网络响应很敏感。 最终 MLP 输出行直接打印 0.82184 0.85574，对应这两个隐藏节点的激活值。外汇与贵金属市场波动剧烈、杠杆风险高，这类前向传播数值仅用于验证网络结构，不代表任何方向判断。 想自己复现，把 Print 打点插在隐藏层循环里即可，重点看同一输入在不同权重下的输出离散度，能帮你快速定位初始化是否合理。
◍ 单根 K 线在隐藏层的加权轨迹
把 EURUSD M1 上的两根输入（4.0 与 10.0）塞进一个两层隐藏网络，MT5 专家日志会把每一跳都打印出来。第一隐藏节点 HLNode 1 拿到权重 0.70837 与 -0.39838，点积算出 -1.15027，加偏置 -0.590 得到 -1.74048，经激活函数压缩为 0.14925。 第二节点 HLNode 2 的权重是 0.61823 与 0.66553，点积直接跳到 9.12817，偏置同样 -0.590，激活后输出 0.99980——说明这组输入把第二个神经元几乎推到了饱和区。 外汇与贵金属杠杆高，这类微结构打印只是帮你确认前向传播没写错，不代表任何方向判断。打开 MT5 把输入改成你自己的归一化价格，看激活值是否落在预期区间，是验证脚本最快的办法。
单层感知机的逐节点前向传播痕迹
在 MT5 用 MQL5 跑一段 TestScript 对 EURUSD 的 M1 周期做前向推理，日志会把每个隐藏节点的计算过程原样打印出来。上面这段输出里，时间戳全部停在 18:27:57.298，说明整批计算在同一 tick 内完成，没有跨帧延迟。 第一个隐藏节点 HLNode 2 接收两个输入：i0 的 input 0.99980 乘权重 0.88464，得到加权值约 0.88464；i1 的 input 0.14925 乘权重 0.51367 约 0.07668。两者点积加 bias 0.738 等于 1.57397，经激活函数压缩后输出 0.82835。 第二个节点复用 i0 的另一个权重 0.93713（input 0.99980 乘积约 0.93713）与 i1 权重 0.51367 组合，点积 1.01362 加同一 bias 得 1.75202，激活输出 0.85221。最终 MLP 输出向量就是 0.82835 和 0.85221 这两个值。 这种日志对排查权重初始化很有用：若某节点输出长期贴近 0 或 1，大概率权重尺度或 bias 设歪了。外汇与贵金属杠杆高、滑点大，这类小网络信号只能当概率参考，不能直接当成下单依据。
HF class="num">0 class="num">18:class="num">27:class="num">57.298 TestScript(EURUSD,M1) i class="num">0 w class="num">1 = class="kw">input class="num">0.99980 x weight class="num">0.88464 EM class="num">0 class="num">18:class="num">27:class="num">57.298 TestScript(EURUSD,M1) dot_Product class="num">0.83557 + bias class="num">0.738 = class="num">1.57397 EL class="num">0 class="num">18:class="num">27:class="num">57.298 TestScript(EURUSD,M1) Activation function Output =class="num">0.82835 KE class="num">0 class="num">18:class="num">27:class="num">57.298 TestScript(EURUSD,M1) GN class="num">0 class="num">18:class="num">27:class="num">57.298 TestScript(EURUSD,M1) HLNode class="num">2 LS class="num">0 class="num">18:class="num">27:class="num">57.298 TestScript(EURUSD,M1) i class="num">1 w class="num">2 = class="kw">input class="num">0.14925 x weight class="num">0.51367 FL class="num">0 class="num">18:class="num">27:class="num">57.298 TestScript(EURUSD,M1) i class="num">1 w class="num">3 = class="kw">input class="num">0.99980 x weight class="num">0.93713 KH class="num">0 class="num">18:class="num">27:class="num">57.298 TestScript(EURUSD,M1) dot_Product class="num">1.01362 + bias class="num">0.738 = class="num">1.75202 IR class="num">0 class="num">18:class="num">27:class="num">57.298 TestScript(EURUSD,M1) Activation function Output =class="num">0.85221 OH class="num">0 class="num">18:class="num">27:class="num">57.298 TestScript(EURUSD,M1) IM class="num">0 class="num">18:class="num">27:class="num">57.298 TestScript(EURUSD,M1) Final MLP output(s) MH class="num">0 class="num">18:class="num">27:class="num">57.298 TestScript(EURUSD,M1) class="num">0.82835 class="num">0.85221
「别急着下结论」
前馈网络搭到这一步，分类用的 sigmoid、tanh 激活已经能跑，但矩阵化之前隐藏层和输出层都锁死在固定结构里，想换回归推演就得动代码。本系列只解决了「能在 MQL5 里写神经网络」这件事，离直接上外汇实盘还差矩阵动态化和训练闭环。 另一个容易踩的坑：策略测试器优化权重和偏差，本质是在找「回测好看」的随机值，并不等于模型预测误差最小；真要训网络，随机梯度下降每一步都在压预测误差，两条路目标不同。外汇和贵金属波动高、滑点狠，拿测试器凑出的参数当信号用风险很大。 GitHub 上那个 NeuralNetworks-MQL5 仓库（13.56 KB 的 ZIP）可以先拖进 MT5 看前向传播怎么写，但别以为能分类就能赚钱——线性任务用线性回归往往比硬套网络更稳。