神经网络实验（第 5 部分）：常规化传输到神经网络的输入参数·综合运用
喂给神经网络的信号到底有哪几类
做 MT5 上的 AIGC 策略，第一步不是调网络结构，而是想清楚把什么信号丢进模型。信号本质就是送进神经网络做处理和分析的数据载体，选错了类型，后面再深的隐藏层也救不回准确率。 数字信号最常用，分离散和连续两种：离散值有限（比如 K 线涨跌分类编码），连续值无限（比如归一化后的收盘价序列）。图像类要把黑白或彩色图转成数字矩阵才能进网络；文本可以是自然语言也能是 MQL5 代码串；音频、视频、感官（陀螺仪/加速度计）、图形矢量、时间序列都算合法输入。 时间序列对交易者最实用——它是按时间采样的数字序列，神经网络能从中抠出肉眼难辨的隐藏形态，对贵金属和外汇的高波动行情做概率性趋势推断。但外汇/贵金属杠杆高、回撤猛，信号再漂亮也只是概率，别当确定性依据。 选类型看任务和手头数据：语音识别要音频+文本双通道，行情预测常是数字+时间序列。还要权衡分辨率、格式和预处理（常规化、滤波），计算力和数据量不够时，硬上视频或感官信号只会拖垮 MT5 本地推理效率。
「用AC四根K线喂感知器跑EA实测」
把加速器振荡器（AC）在连续四根蜡烛上的数值直接喂给感知器，EA 用「快速（基于遗传算法）」训练，初始本金 10000、杠杆 1:500，在 EURUSD H1 上跑。止损 300、止盈 600，优化用「仅开盘价」+「最复杂准则」模式——这比「最大盈利能力」模式结果更稳更值得参考。 优化窗口取 2019.04.06 至 2022.04.06 共 3 年，前向验证放到 2022.04.06 至 2023.04.06 的 1 年。每轮同时跑 40 个最佳优化结果进场，比先前测试翻了 2 倍。外汇与贵金属杠杆交易高风险，3 年窗口并非铁律，可自行改区间验证。 为省去手动重复点「开始」，我用 Delphi 写了个自动点击器：填好优化次数，光标悬在策略测试器「开始」按钮上，它靠识别按钮颜色变化判定一轮结束，跑完指定循环自动关。这工具不公开贴，但可私发。 对照实验分两组：一组 AC 值原样传入（EA 感知器 AC 4 SL TP），另一组先做最小-最大归一化再传（EA 感知器 AC 4 差分 SL TP）。两组都留下优化与前向验证结果图，读者开 MT5 照参数复刻即可比出归一化有无实质影响。
◍ 差分常规化压住尖刺后的实盘落点
随文附带的 EA 压缩包里分了 opt 与 trade 两套：perceptron AC 4 SL TP 未做常规化，perceptron AC 4 (Differentiation) SL TP 则走了差分常规化。两者都基于 AC 指标驱动感知器，区别只在输入预处理。 差分常规化把数据尖刺削平，模型过度拟合的概率会降一截；网络更容易抓到参数间真实关系，训练和收敛也稳一些。外汇与贵金属杠杆高、滑点跳空频繁，直接拿未处理 AC 值喂感知器，结果容易飘。 常规化不是只有差分一种，本文列的几种也只是入口。具体选哪种，得看你的样本分布和任务目标，不能一套参数通吃。 想验证就下 EA.zip（约 199.53 KB）在 MT5 里分别跑 opt 和 trade，对比优化曲线；评论区有人反馈优化结果出 0，多半是数据区间或常规化开关没对齐，自己复现时要先核这一项。