MQL5中使用坐标下降法的弹性网络回归（基础篇）
◍ 在MT5里跑弹性网络回归
MQL5 里可以直接用坐标下降法做弹性网络回归，这套思路适合处理外汇与贵金属多因子建模时的共线性问题，但杠杆品种波动剧烈，回测结论只代表历史概率，实盘仍属高风险。 实现上不依赖外部库，核心是在每次迭代里对单个系数做软阈值更新，L1 与 L2 惩罚项按比例 α 混合，α 靠近 1 偏 Lasso、靠近 0 偏 Ridge。 原文示例发布于 2024 年 3 月 5 日，在 MetaTrader 5 社区展示后获得 941 次浏览与 4 条讨论，说明这类纯 MQL5 数值计算方案在量化交易者中有真实需求。 开 MT5 新建脚本把下面这段坐标下降骨架抄进去，先拿 EURUSD 的 H1 收盘价与两三个动量因子试跑，调 α 看系数稀疏度变化。
「为什么交易策略总在过拟合上栽跟头」
弹性网络回归把岭回归的 L2 惩罚和拉索回归的 L1 惩罚揉进同一个线性模型里，本质是用双重约束换掉普通最小二乘的放任。对做外汇和贵金属的人来讲，这套东西不是学院派玩具——过拟合正是策略上线即失效的头号原因，把训练期的随机噪声当成可重复模式，回测漂亮实盘崩。 本文要在纯 MQL5 里用优化坐标下降实现弹性网络，不依赖外部库。后面会拿一个简单的移动平均预测策略做演示，你能直接把代码丢进 MT5 跑一遍，看惩罚项怎么把拟合曲线从“记住噪声”拉回“捕捉倾向”。 外汇与贵金属属高杠杆品种，任何模型输出的都只是概率倾向，实盘前请在策略测试器用不同品种周期交叉验证。
用弹性网络给策略因子瘦身
预测模型上线前最怕的不是拟合不够，而是把训练样本里的噪声当成了规律。变量一多，冗余因子就会拉高训练偏差，实盘立刻露馅。正则化就是压住这种过拟合的手段。 拉索（Lasso）靠 L1 罚项把不重要因子的系数直接压到 0，相当于自动做因子筛选；岭回归（Ridge）用 L2 罚项只缩小系数、不归零，所有因子都留着但整体更平滑。弹性网络（Elastic Net）把两者揉在一起，罚项是绝对值和与平方和的组合，由 alpha 和 lambda 两个超参加权。 alpha 决定偏向哪边：取 0 时退化为纯岭（L2），取 1 时退化为纯拉索（L1），中间值则线性混合。lambda 控制惩罚力度，越大模型越简单。 放到 MT5 策略开发里，这东西很实用——我们常堆十几个指标碰运气，弹性网络能在不关心因子相关性的前提下，把没用的指标系数压没，把有预测力的留下来，过度拟合的概率会明显下降。外汇和贵金属波动受事件驱动，高杠杆下模型失效很快，任何因子筛选都只是降低风险而非消除。
◍ 用坐标下降拆掉多维优化的维度墙
坐标下降把多维优化拆成一串一维子问题：每次只沿一个维度去最小化目标函数，其余维度暂时冻结。对做策略的人而言，它最实用的落点在于弹性网络回归的两步调用。 第一步用用户给定的固定 alpha 去搜最优 lambda；lambda 定了以后，再跑一遍同一套优化逻辑，把回归方程的 beta 系数算出来。这两步共用一个下降循环，只是目标变量换了。 想验证就开 MT5 自建脚本：先锁 alpha 跑 lambda 扫描，再固定 lambda 解 beta，对比 sklearn 的 ElasticNet 路径看偏差。外汇与贵金属杠杆高，回测结论只代表历史样本，实盘仍可能失效。
「兼容 MT4 的矩阵压平与坐标下降类骨架」
做跨平台库时，这套实现刻意不碰 MQL5 的矩阵/向量新类型，全部用一维平面数组模拟矩阵，目的是保住和 MQL4 的兼容。比如要建 4 行 3 列的矩阵，就开一个长度为 4×3=12 的普通数组，成员按行依次排：先第一行 3 个，再第二行，以此类推。遍历时用「行索引×列数 + 列索引」定位，所有这类数组在变量或参数名后都挂 _matrix 后缀，调用时另用参数传维数。 CCoordinateDescent 的构造函数吃 4 个参数：num_predictors 是预测器（指标）列数；num_observations 是每列的行数；use_covariance_updates 是布尔量，仅在观测数大于预测器数（num_observations > num_predictors）时建议开 true，执行时间会明显缩短；num_lambdas_to_trial 限定训练里试 lambda 的最大个数。构造只铺内部数据结构，不碰具体数据。 灌数据走 SetData：首参起始索引方便后面交叉验证；num_observations 这里若小于构造时的值，索引越界会回卷到数组头，不需要就设成和构造一致，但绝不能 ≤0。xx_matrix 按前面说的压平矩阵塞原始指标，大小必须是 num_observations*num_predictors；yy 是对应目标值。方法内部先标准化再拷进缓冲，返回 true 后才准调 Train() 或 TrainLambda()。 Train() 里定正则类型 alpha、强度 lambda、收敛测试 fast_test 与精度 convergence_criterion；maxits 防死循环，设 1000 往上较稳；warm_start 控制 beta 是否从零初始化。慢测试（fast_test=false）看目标方差解释率逐轮变化小于标准即停，快测试看所有 beta 最大调整量小于标准即停。TrainLambda() 用 GetLambdaThreshold() 给的 lambda（全 beta 为零处）做起点，循环调 Train() 最多存 m_nlambda 组 beta。外汇/贵金属样本噪声大，lambda 搜过头容易过拟合，调参时建议先用 covariance 更新提速、小步试 lambda。
<span class="comment">class=class="str">"cmt">//+------------------------------------------------------------------+</span> <span class="comment">class=class="str">"cmt">//| Coordinate Descent optimization class |</span> <span class="comment">class=class="str">"cmt">//+------------------------------------------------------------------+</span> <span class="keyword">class</span> CCoordinateDescent { <span class="keyword">class="kw">private</span>: <span class="keyword">class="type">bool</span> m_initialized; <span class="comment">class=class="str">"cmt">// Was everything legal and allocs successful?</span> <span class="keyword">class="type">class="kw">double</span> m_beta[]; <span class="comment">class=class="str">"cmt">// Beta coefs(m_nvars of them)</span> <span class="keyword">class="type">class="kw">double</span> m_explained; <span class="comment">class=class="str">"cmt">// Fraction of variance m_explained by model; computed by Train()</span> <span class="keyword">class="type">class="kw">double</span> m_xmeans[]; <span class="comment">class=class="str">"cmt">// Mean of each X predictor</span> <span class="keyword">class="type">class="kw">double</span> m_xscales[]; <span class="comment">class=class="str">"cmt">// And standard deviation</span> <span class="keyword">class="type">class="kw">double</span> m_ymean; <span class="comment">class=class="str">"cmt">// Intercept(mean of Y)</span> <span class="keyword">class="type">class="kw">double</span> m_yscale; <span class="comment">class=class="str">"cmt">// Standard deviation of Y</span> <span class="keyword">class="type">int</span> m_nvars ; <span class="comment">class=class="str">"cmt">// Number of variables</span> <span class="keyword">class="type">int</span> m_observs ; <span class="comment">class=class="str">"cmt">// Number of cases</span> <span class="keyword">class="type">bool</span> m_covarupdates ; <span class="comment">class=class="str">"cmt">// Does user want(often faster) covariance update method?</span> <span class="keyword">class="type">int</span> m_nlambda ; <span class="comment">class=class="str">"cmt">// Reserve space for this many m_beta sets for saving by TrainLambda() (may be zero)</span> <span class="keyword">class="type">class="kw">double</span> m_lambdabeta_matrix[]; <span class="comment">class=class="str">"cmt">// Saved m_beta coefs(m_nlambda sets of m_nvars of them)</span> <span class="keyword">class="type">class="kw">double</span> m_lambdas[]; <span class="comment">class=class="str">"cmt">// Lambdas tested by TrainLambda()</span> <span class="keyword">class="type">class="kw">double</span> m_x_matrix[]; <span class="comment">class=class="str">"cmt">// Normalized(mean=class="num">0, std=class="num">1) X; m_observs by m_nvars</span>
坐标下降类的存取接口与内部状态
CCoordinateDescent 把回归过程的中间量都塞进了私有数组：m_y[] 是均值0、标准差1的标准化Y，m_resid[] 存残差，m_xinner_matrix[] 与 m_yinner[] 仅在开启协方差增量更新（m_covarupdates）时保留 Nvars 阶内积矩阵和向量，用来避免每步重算全样本。 公开侧只暴露只读 accessor：GetYmean / GetYscale 拿Y的归一化参数，GetExplainedVariance 回传已解释方差比例，GetBetaAt 与 GetLambdaAt 按索引取系数和惩罚项——索引越界时统一返回0而非抛错，调用方得自己保证下标合法。 构造签名 CCoordinateDescent(num_predictors, num_observations, use_covariance_updates, num_lambdas_to_trial) 表明：预测器个数、样本数、是否走协方差更新、要试几条 lambda 路径，全在实例化时定死。想在 MT5 里复用这个类，先确认你的 num_observations 与历史 Bar 数对齐，否则 GetXmeansAt 返回的均值会偏。
class="type">class="kw">double m_y[]; class=class="str">"cmt">// Normalized(mean=class="num">0, std=class="num">1) Y class="type">class="kw">double m_resid[]; class=class="str">"cmt">// Residual class="type">class="kw">double m_xinner_matrix[]; class=class="str">"cmt">// Nvars square inner product matrix if m_covarupdates class="type">class="kw">double m_yinner[]; class=class="str">"cmt">// Nvars XY inner product vector if m_covarupdates class="kw">public: class=class="str">"cmt">//constructor CCoordinateDescent(const class="type">int num_predictors, const class="type">int num_observations, const class="type">bool use_covariance_updates, const class="type">int num_lambdas_to_trial) ; class=class="str">"cmt">//desctructor ~CCoordinateDescent(class="type">void) ; class=class="str">"cmt">//Accessor methods for class="kw">private properties class="type">class="kw">double GetYmean(class="type">void) { class="kw">return m_ymean; } class="type">class="kw">double GetYscale(class="type">void) { class="kw">return m_yscale;} class="type">class="kw">double GetExplainedVariance(class="type">void) { class="kw">return m_explained;} class="type">class="kw">double GetXmeansAt(const class="type">int index) { if(index>=class="num">0 && index<ArraySize(m_xmeans)) class="kw">return m_xmeans[index]; else class="kw">return class="num">0;} class="type">class="kw">double GetXscalesAt(const class="type">int index) { if(index>=class="num">0 && index<ArraySize(m_xscales)) class="kw">return m_xscales[index]; else class="kw">return class="num">0;} class="type">class="kw">double GetBetaAt(const class="type">int index) { if(index>=class="num">0 && index<ArraySize(m_beta)) class="kw">return m_beta[index]; else class="kw">return class="num">0;} class="type">class="kw">double GetLambdaAt(const class="type">int index) { if(index>=class="num">0 && index<ArraySize(m_lambdas)) class="kw">return m_lambdas[index]; else class="kw">return class="num">0;} class="type">class="kw">double GetLambdaBetaAt(const class="type">int index) { if(index>=class="num">0 && index<ArraySize(m_lambdabeta_matrix)) class="kw">return m_lambdabeta_matrix[index]; else class="kw">return class="num">0;}