🧠

MQL5 中的范畴论 (第 16 部分)：多层感知器函子·进阶篇

Q: 为什么上一篇的线性函子不能直接拿来生成标普500的进场信号？

线性映射只捕捉斜率与截距关系，对多经济数据点耦合的高波动序列容易滞后；本篇改用多层感知器函子以容纳非线性依赖。

Q: 小布盯盘能辅助我验证函子映射的财经日历依赖假设吗？

可以，小布盯盘品种页内置了日历数据关联诊断，能直观呈现 CPI、PMI、收益率之间的依赖强度，省去手动配对。

Q: 基于函子的神经网络架构和普通MLP有什么区别？

区别在于层间权重被显式约束为范畴间函子映射，对象与态射同时被迁移，而非纯粹数值拟合。

Q: 训练这种神经网络时过拟合风险怎么看？

外汇贵金属属高风险市场，样本外表现可能明显衰减，建议用滚动窗口验证而非单次回测。

（2/3）· 从尾随止损到信号生成，把函子推进到神经网络架构的实战边界

含代码示例第 2/3 篇

把函子只当成尾随止损的线性映射，等于浪费范畴论一半的表达力。很多人抄完示例代码就停手，从没试过让映射关系去碰进场出场逻辑。标普500这类高波动标的，错用静态系数只会让信号滞后到没法看。

本章目录

把标普500读数塞进范畴论的框里
用函子把两层感知器接进行情范畴
用 Levenberg-Marquardt 喂数据训网络
按时间切分训练集与测试集

「把标普500读数塞进范畴论的框里」

在信号文件里，把标普500指数值画成图，本质上就是搭了一个范畴：图上的每个数据点是一个对象，点与点之间的连线是态射。一个对象除了我们盯着的数值，还带着发布日期、预期共识、MT5日历里的其他字段——这些在财经日历范畴里共同组成一个集合对象。想用函子去预处理历史财经日历，策略测试器本身连不上 MetaQuotes 服务器，只能走第三方落地。我们的做法是先用脚本把数据导成 csv，再在测试器里读回来；这次读的对象是智能信号类实例，不是上一篇文章里的尾随类。因为同时处理了交叉对象和交叉态射两个函子，脚本会写出两个文件：前缀 true 的是函子交叉对象，前缀 false 的是交叉态射。这两个文件随文附在末尾，可直接拿去在 MT5 里复跑验证。

用函子把两层感知器接进行情范畴

把函子当成多层感知器来用，比之前在范畴之间做线性或二次映射更往前走了一步。函子不只是把两个范畴的对象交叉对应，还强制交叉映射各自的态射——知道协域里的对象就能反推态射，反之亦然，所以这一架构里实际要处理的是范畴间的两个感知器。财经数据范畴每次喂四个数据点（基于前文假设），输入层固定四个节点；隐藏层节点数是一个可优化参数，默认取 7；输出层只给一个值，即标普 500 指数变化的预测。权重、偏差和激活函数决定了前馈怎么算，这三块建议先补基础再读代码。 Alglib 的函数库在 MT5 的 Include\Math 目录下可直接调用，感知器是标准三层结构。下面这段训练函数的骨架，展示了怎么用 MLPCreate1 按「输入数 / 隐藏数 / 输出数」建网，并优先读取已训练权重：别把隐藏层 7 当成金标准隐藏层节点数在回测里对过拟合敏感，外汇与贵金属行情噪声大、高风险，默认 7 只是起点；建议用walk-forward在 EURUSD 或 XAUUSD 的 1H 上从 3 到 12 扫一遍，看哪档泛化误差最低再定。

MQL5 / C++

class=class="str">"cmt">//+------------------------------------------------------------------+
class=class="str">"cmt">//|  Function to train Perceptron.                                  |
class=class="str">"cmt">//+------------------------------------------------------------------+
class="type">bool CSignalCT::Train(CMultilayerPerceptron &MLP)
  {
   CMLPBase _base;
   CMLPTrain _train;
   
   if(!ReadPerceptron(m_training_profit))
   {
    _base.MLPCreate1(__INPUTS,m_hidden,__OUTPUTS,MLP);
    m_training_profit=class="num">0.0;
   }
   else
   {
    printf(__FUNCSIG__+" read perceptron, with profit: "+DoubleToString(m_training_profit));
   }
   
   ...
   
   class="kw">return(class="kw">false);
  }

◍ 用 Levenberg-Marquardt 喂数据训网络

历史财经日历数据走 Levenberg-Marquardt 算法训练，前向和反向验算都交给 AlgLib 函数处理。每次新柱线或定时器触发时，矩阵从共用目录的 csv 抓每行四个数据点当历史，喂给网络去算权重和背离。 TrainingLoad 负责把 XY 输入矩阵填满。代码里它会拼出 '_s_'+货币对+周期+对象数的 csv 文件名，用 FileOpen 以共享读方式打开，逐行按逗号切分；只有切出 6 段的那一行才被采纳，第一段转成时间，后面四个槽位塞进维度为 4 的经济数据向量。唯一可优化参数是隐藏层权重数量，范围 5 到 12。每次优化验算结束，仅当本次准则优于已写入文件的旧准则，才把权重落盘到共用目录；下次初始化时若盘上有文件，初始权重就从那读，而不是从头随机。反向传播和梯度下降都由 AlgLib 的 CMLPTrain 类里 MLPTrainLM 接管。下面这段是训练主调和数据装载的原样代码，注意 _info>0 才代表收敛成功返回 true。

MQL5 / C++

    class="type">int _info=class="num">0;
    CMatrixDouble _xy;
    CMLPReport _report;
    TrainingLoad(m_training_stop,_xy,m_training_points,m_testing_points);
    class=class="str">"cmt">//
    if(m_training_points>class="num">0)
    {
     _train.MLPTrainLM(MLP,_xy,m_training_points,m_decay,m_restarts,_info,_report);
     
     if(_info>class="num">0){ class="kw">return(true); }
    }
class=class="str">"cmt">//+------------------------------------------------------------------+
class=class="str">"cmt">//|   Function Get Training Points and Initialize Training Matrix.   |
class=class="str">"cmt">//+------------------------------------------------------------------+
class="type">void CSignalCT::TrainingLoad(class="type">class="kw">datetime Date,CMatrixDouble &XY,class="type">int &TrainingPoints,class="type">int &TestingPoints)
  {
    TrainingPoints=class="num">0;
    TestingPoints=class="num">0;
    
    ResetLastError();
    class="type">class="kw">string _file="_s_"+m_currency+"_"+m_symbol.Name()+"_"+EnumToString(m_period)+"_"+class="type">class="kw">string(m_objects)+".csv";
    class="type">int _handle=FileOpen(_file,FILE_SHARE_READ|FILE_ANSI|FILE_COMMON,"\n",CP_ACP);
    
    if(_handle!=INVALID_HANDLE)
    {
     class="type">class="kw">string _line="";
     class="type">int _line_length=class="num">0;
     
     class="kw">while(!FileIsLineEnding(_handle))
     {
      class=class="str">"cmt">//--- find out how many characters are used for writing the line
      _line_length=FileReadInteger(_handle,INT_VALUE);
      class=class="str">"cmt">//--- read the line
      _line=FileReadString(_handle,_line_length);
      
      class="type">class="kw">string _values[];
      class="type">class="kw">ushort _separator=StringGetCharacter(",",class="num">0);
      if(StringSplit(_line,_separator,_values)==class="num">6)
      {
       class="type">class="kw">datetime _date=StringToTime(_values[class="num">0]);
       
       _d_economic.Let(); _d_economic.Cardinality(class="num">4);
       
       class=class="str">"cmt">//printf(__FUNCSIG__+" initializing for: "+TimeToString(Date)+" at: "+TimeToString(_date));

「按时间切分训练集与测试集」

这段逻辑干的事很直接：读历史数据文件时，拿每条记录的日期和预设的 Date 做比较，早于它的进训练池，晚于或等于它的进测试池。TrainingPoints 和 TestingPoints 两个计数器实时累加，互不重叠。当 _date<Date 成立，TrainingPoints 先自增 1，随后 XY.Resize 把二维数组行数扩到当前训练样本数，列宽固定为 __INPUTS+__OUTPUTS。紧接着两层赋值：前 __INPUTS 列从 _values 第 2 个起逐个转 double 写进去，最后一列（偏移 __INPUTS）取 _values[__INPUTS+1] 作为输出标签。否则分支只做 TestingPoints++，不碰 XY 矩阵，意味着测试样本后续另存或另算。文件读完 FileClose 收尾；若 FileOpen 失败，printf 打出函数签名加错误码，方便在 MT5 Experts 日志里定位。外汇与贵金属数据回测本身高风险，切分比例失当会让样本外表现出现偏误。把 Date 设成你品种实盘数据的 70% 位置，跑一遍这段代码，看 TrainingPoints 与 TestingPoints 的比值是否落在 7:3 附近，就能验证切分没写反。

MQL5 / C++

        if(_date<Date)
        {
            TrainingPoints++;
            class=class="str">"cmt">//
            XY.Resize(TrainingPoints,__INPUTS+__OUTPUTS);
            
            for(class="type">int i=class="num">0;i<__INPUTS;i++)
            {
                 XY[TrainingPoints-class="num">1].Set(i,StringToDouble(_values[i+class="num">1]));
            }
            class=class="str">"cmt">//
            XY[TrainingPoints-class="num">1].Set(__INPUTS,StringToDouble(_values[__INPUTS+class="num">1]));
        }
        else
        {
            TestingPoints++;
        }
        }
        }
        
        FileClose(_handle);
    }
    else
    {
        printf(__FUNCSIG__+" failed to load file. Err: "+IntegerToString(GetLastError()));
    }
}