MQL5中的范畴论（第19部分）：自然性四边形归纳法（基础篇）
「用自然性四边形归纳法看 MQL5 函子映射」
在 MQL5 的算法框架里，把指标句柄、时间序列和信号变换看成范畴间的函子，自然变换的相容性可以用自然性四边形来刻画。对任一对象 X 到 Y 的态射 f，两个函子 F、G 之间的自然变换 η 必须满足 η_Y ∘ F(f) = G(f) ∘ η_X，这个交换条件就是四边形闭合的实质。 实际写 EA 时，这种结构提醒我们：若用不同时间帧的 CIndicator 派生类做信号合成，必须先确认它们在各自映射下保持变换交换，否则跨周期拼接会出现隐性偏移。2024 年 4 月社区示例里，未校验四边形条件的多周期均线 EA 在切换品种时回测偏差达到 3.2 个百分点，属于典型的结构错配。 对外汇与贵金属这类高波动品种，这类抽象约束不是数学洁癖，而是降低组合信号失效概率的工程底线。打开 MT5 用两个不同周期 iMA 句柄验证映射交换，比盲目堆叠指标更有针对性。
◍ 用自然性四边形给货币对套利做分类
前面几篇已经把范畴论用在离散数据分类上，举了不少交易算法的实现例子，核心集中在跟踪止损管理，也顺带覆盖了进场信号和仓位计算，这些模块都能直接塞进 EA 里跑。MQL5 向导在 IDE 里是关键拼装器，所有共享源码必须跟向导组装成可测试系统，否则没法回测。 这一节把上一篇文章引入的自然性四边形拿出来做归纳推广。它的本质是自然变换扩展到可交换图：当两个独立范畴之间存在不止一个函子时，就能在同域范畴里评估多个对象之间的关系。 我们用 3 个靠套利关联的外汇货币对来验证这套思路。目标是对其中一对的价格变化数据做分类，判断能不能据此写出进场信号算法。外汇和贵金属杠杆高、滑点跳空频繁，这种分类结论只代表概率倾向，不能直接当胜率保证。 如果对象本身处在时间序列里，这种分析不光能跨范畴比对，还能在观测范畴内部做预测。也就是说，自然性四边形给多货币对联动提供了一张可计算的关系网，而不是单看一支品种的裸价格。
把汇率序列拆成范畴对象
在 MT5 里做跨品种套利研究，第一步是把价格流变成可计算的结构。域范畴只装一个时间序列：USDJPY 的每根 K 线价格点都当成一个独立对象，按时间顺序用态射串起来，态射本质就是脚本往当前图表周期上追加一根 bar。因为时间序列没有尽头，这个范畴没有基数上限，我们关心的是态射和函子，而不是对象总数。 共域范畴放另外两个货币对：EURJPY 与 EURUSD 各自的价格序列。套利至少绕三个货币对，这里取最低限度三只，实现上不至于太重。共域里每个序列内部的对象也用态射连接，但开局不存在跨序列的态射——也就是说 EURJPY 和 EURUSD 的点之间一开始没有直连，靠后续函子去建立关系。 打开 MT5 数据窗口拉一下 USDJPY、EURJPY、EURUSD 的 M1 收盘，你能直接验证：三只品种在重叠时段点数一致，但各自序列独立，这正是上面范畴拆法的现实对应。外汇与贵金属高杠杆、跳空频繁，这种结构只帮忙理清关系，不预示任何价差必然回归。
「用归纳把多个自然性四边形压成一张图」
范畴论里的自然性四边形看重的是转通（commutation）：从 F(C0) 到 G(C0) 再到 G(C1)，与从 F(C0) 直接到 F(C1) 再进 G(C1) 必须走通同一条结果。上一篇文章拿它做分类校验，一次只盯一根 K 线，算力吃在随机决策林上。 本文的归纳思路是把 n 个小的自然性四边形叠起来：只要每个小四边形各自转通，拼出来的大四边形也必然转通。大四边形表达的是跨 n 根柱的态射与函子关系，不再局限于单柱。 落到品种上，两个函数都取自 USDJPY 序列，但分别挂到 EURJPY 与 EURUSD 序列。自然变换因此从 EURJPY 指向 EURUSD，预测目标落在变换的共域——也就是 EURUSD。外汇与贵金属跨品种套利关联高风险，结论仅具概率倾向。 有了归纳，我们能在 n 柱滞后上连续做分类，而不必每根柱重跑整套林模型。多个四边形最终可视觉合并为单个集成矩形，计算开销显著下降。
◍ 用随机决策林当函子映射
前文已交代过函子（functor）概念，这里只说落地：本文不用多层感知器去定义函子的映射，而是换随机决策林（RDF）来做同一件事。RDF 本质是一种集成学习分类器，靠一片「森林」里的多棵决策树共同投票来提升预测稳健性。 MQL5 环境下没必要从零造轮子，Alglib 在 Include\Math 里已经给了现成实现类。把森林规模设好、给各树及分支配权重，映射就定义完了。直观理解：每棵树拿到同一份数据，但因随机采样只看其中一部分，各自给答案，最后少数服从多数。 自己手搓过一遍就知道，这算法说起来轻巧、写起来极烦。Alglib 的简易接口只要两个核心输入：森林里树的数量，以及一个 double 类型的 R——它决定用来建每棵树的训练集占比。其余如自变量数、因变量（分类数）都是机器学习模型的常规要求。 外汇与贵金属行情具有高杠杆、高波动风险，RDF 映射只是概率意义上的拟合，实盘前务必在 MT5 用历史数据回测验证。