数据科学和机器学习（第 12 部分）：自训练神经网络能否帮助您跑赢股市？（基础篇）
手工劳动正迁移到更高抽象层
在 MT5 上折腾自训练神经网络的人，迟早会撞上同一堵墙：特征工程那套手工活并没有消失，只是被推到了更上层。原 MQL5 社区 2023-08-07 发布的系列文提到，专家级投入从「设计特征」转为「设计架构、损失函数、优化方案」，这是实打实的劳动迁移，不是省力。 索托（Stefano Soatto）那句被原文引的话说得很直白——你仍得是专家才能让神经网络跑通，只是原先抠指标特征的精力，现在花在网路结构与训练逻辑上。对外汇/贵金属这类高杠杆、高波动品种，这种抽象层抬升意味着调参容错更低，一个损失函数设计偏差，回测好看实盘可能直接崩。 对读者来说，可验证的动作很具体：开 MT5 新建一个 EA，把原先写死的 RSI 阈值特征删掉，改用简单全连接层让网络自提取，对比两者在 XAUUSD 的 M15 上 3 个月回测曲线。差别大概率不在「谁更赚钱」，而在「谁的过拟合更隐蔽」。
◍ 神经网络不是塞进EA就灵
做过一阵子算法交易的人，多半都听过神经网络。它常被宣传成圣杯机器人的必经之路，但真相是：把网络模块硬塞进交易机器人，离稳定盈利还差得远。外汇和贵金属市场高杠杆、高波动，任何模型失效都可能放大亏损。 我个人的看法很直接——神经网络对怕麻烦的人基本没用。你至少得愿意亲手分析模型结构、检查输入预处理和缩放里的偏差，这些琐碎活儿决定你是盈利还是爆仓。本文先从这个工具到底是什么讲起。
「单层感知器为何够用」
人工神经网络本质上是对生物神经结构的计算模拟，靠层间全连接来抓取数据里的非线性关系。层数堆得越多，模型理论上越能拟合复杂模式，但计算开销陡增，且对简单问题容易过配，准确率反而可能下降。 在多层感知器里，前层每个节点都连到下一层全部节点，信号从输入一路传至输出。这种稠密连接是它找复杂规律的基础，却也意味着参数量随层数指数级膨胀。 实际回测与工程经验显示，大多数交易类问题单隐藏层就能覆盖。我们后续机器人就采用单层结构，在 MT5 里用最轻量网络验证价格行为特征，避免无谓的算力浪费。
前向验算里的矩阵维度是命门
做神经网络前向验算，代码本身没几行，真正卡人的是矩阵维度。输入向量先转成矩阵，再和权重矩阵相乘、加偏置、过激活函数，任何一步维度对不上，MT5 里直接报错或者输出全乱。 回归和分类是两类根本问题：回归预测连续量，比如下一根 K 线的价格点位；分类预测离散标签，比如给 0 表示偏空、1 表示偏多。本文先用回归思路去推价格走向，单层结构就够了，所以前向函数里看不到循环。 记住三个硬尺寸：输入矩阵是 n×1；权重矩阵是 HN×n（HN 是隐藏节点数，n 是上层输入行数）；偏置矩阵和该层输出同形。搞清这个，你自己改隐藏层数量时不会淹死在维度猜测里。 下面这段代码就是单层前向验算的核心。VectorToMatrix 把行情特征向量转成矩阵，W.MatMul 做权重点乘，加 B 后过激活函数 A_FX 出结果。复制进 MT5 的 CRegNeuralNets 类，改 A_FX 就能换激活逻辑。外汇和贵金属波动剧烈，这类单网络预测仅作概率参考，实盘高风险。
matrix CRegNeuralNets::ForwardPass(vector &input_v) { matrix INPUT = this.matrix_utils.VectorToMatrix(input_v); matrix OUTPUT; OUTPUT = W.MatMul(INPUT); class=class="str">"cmt">//Weight X Inputs OUTPUT = OUTPUT + B; class=class="str">"cmt">//Outputs + Bias OUTPUT.Activation(OUTPUT, ENUM_ACTIVATION_FUNCTION(A_FX)); class=class="str">"cmt">//Activation Function class="kw">return (OUTPUT); } matrix INPUT = this.matrix_utils.VectorToMatrix(input_v);
◍ 权重初始化别只丢随机数
神经网络权重若只填随机值就丢给训练，后面反向传播会制造大量幽灵 bug，逼你怀疑硬编码逻辑而非初始化本身。错误初始化最直观的代价是网络卡在局部极小值，收敛慢到肉眼可见，外汇与贵金属模型在这种耗时过程里还会叠加滑点漂移的高风险。 多数人停在「选个随机状态生成矩阵」这一步，实际上随机之后必须用 Glorot 或 He 做尺度归一。Xavier/Glorot 适配 sigmoid、tanh，He 适配 RELU 系；单隐藏层网络只有一个权重矩阵，初始化后紧跟归一化即可。下面这段代码用固定随机态 42 生成 1×m_inputs 的均匀矩阵，再乘 1/√输入数完成 He 缩放： [CODE] this.W = matrix_utils.Random(0.0, 1.0,1,m_inputs, RANDOM_STATE); this.W = matrix_utils.Random(0.0, 1.0,1,m_inputs, RANDOM_STATE); this.W = this.W * 1/sqrt(m_inputs); //He initialization [/CODE] 逐行看：前两行用 0~1 均匀分布在指定随机态下造出权重矩阵（重复两遍属原文写法，实跑可留一行）；末行把矩阵整体除以输入维度平方根，使 RELU 前端方差稳定，训练倾向更快脱离平坦区。开 MT5 把 RANDOM_STATE 设 42、m_inputs 换成你的特征数，能直接复现该缩放效果。
this.W = matrix_utils.Random(class="num">0.0, class="num">1.0,class="num">1,m_inputs, RANDOM_STATE); this.W = matrix_utils.Random(class="num">0.0, class="num">1.0,class="num">1,m_inputs, RANDOM_STATE); this.W = this.W * class="num">1/sqrt(m_inputs); class=class="str">"cmt">//He initialization
「回归网络的激活函数选型」
做价格回归的神经网络和分类网络不同，输出层不需要把结果压成概率，所以激活函数基本是回归类变体，RELU 及其衍生型最常用。 MT5 标准库的矩阵模块已经内置了一组激活枚举，不用自己写前向传播。下面这段枚举直接来自标准库源码，覆盖从 ELU 到 SOFTPLUS 共 9 种，实盘里换激活类型只改一个枚举值即可。 [CODE] enum activation { AF_ELU_ = AF_ELU, AF_EXP_ = AF_EXP, AF_GELU_ = AF_GELU, AF_LINEAR_ = AF_LINEAR, AF_LRELU_ = AF_LRELU, AF_RELU_ = AF_RELU, AF_SELU_ = AF_SELU, AF_TRELU_ = AF_TRELU, AF_SOFTPLUS_ = AF_SOFTPLUS }; [/CODE] 逐行看：enum activation 定义激活函数类型集合；AF_ELU_ 到 AF_SOFTPLUS_ 是带下划线别名，等号右侧是库内原生常量；AF_LINEAR_ 对应纯线性，适合最后一层直接吐价格差值；AF_RELU_ 和 AF_LRELU_ 在隐藏层用得最多，后者带泄露系数，缓解死神经元。 外汇与贵金属波动有跳空和流动性断裂，用 ReLU 系虽快但可能对极端样本不敏感，切换 GELU 或 SELU 在回测中常能看到尾部分布更平滑，但推理耗时会升 10%~20%，开 MT5 把同一段历史用两种枚举各跑一遍就能比出来。
enum activation
{
AF_ELU_ = AF_ELU,
AF_EXP_ = AF_EXP,
AF_GELU_ = AF_GELU,
AF_LINEAR_ = AF_LINEAR,
AF_LRELU_ = AF_LRELU,
AF_RELU_ = AF_RELU,
AF_SELU_ = AF_SELU,
AF_TRELU_ = AF_TRELU,
AF_SOFTPLUS_ = AF_SOFTPLUS
};