MQL5 中的组合对称交叉验证·综合运用
（3/3）· 从矩阵切分到概率判读，用 CSCV 给策略优化填上最后一块防过拟合拼图
给均线EA挂上CSCV过拟合探针
把 MT5 自带的 Moving Average EA 改造成能跑 CSCV（组合对称交叉验证）过拟合概率测试的版本，核心思路是用「优化结果帧」在每根柱上采集收益，优化结束后拼成矩阵送进 Ccscv 类算 PBO。除了必须补上 OnTester 与 OnTesterDeinit 两个事件处理函数，还要在策略测试器里选「慢速完整算法」做全量优化，否则帧数据会漏。 头文件先 include Returns.mqh 和 CSCV.mqh：CReturns 负责逐柱收集收益，可算夏普、均值或总和，任一指标都能当性能判据；CSCV.mqh 里的 Ccscv 类才真正算概率。新增不可优化参数 NumBlocks 指定分区数，后面会看到它从 4 调到 16 时 PBO 的波动。 全局声明 CReturns 实例 colrets 以及 numrows / numcolumns 用于矩阵初始化。OnTesterInit 里用 ParameterGetRange 把四个可调参数的步进区间乘起来，得到待测参数集总数填给 numrows；OnTick 中调 colrets.OnNewtick() 抓每跳收益；OnTester 里用 FrameAdd 把收益数组塞进数据帧。 重头戏在 OnTesterDeinit：建 Ccscv 实例，循环读所有帧写进矩阵（向量做中转行），最后调 CalculateProbability(MathSum) 以总收益判最优集，并把 PBO 与已处理帧数打印到「专家」标签页。下面这组跨周期实测值得自己开 MT5 复现——分区数 时间框架 回溯测试过度拟合概率：4 每周 0.3333、4 每日 0.6666、4 每12小时 0.6666、8 每周 0.2、8 每日 0.8、8 每12小时 0.6、16 每周 0.4444、16 每日 0.8888、16 每12小时 0.6666。 最优也只是 PBO=0.2，其余普遍偏高，说明该 EA 丢到样本外数据集性能大概率衰减；调大分区并没有把原本差的分数救回来。外汇与贵金属市场高杠杆、跳空频繁，这类 PBO 高于 0.5 的 EA 实盘前务必用样本外数据再验一遍。
class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| MovingAverage_CSCV_DemoEA.mq5 | class=class="str">"cmt">//| Copyright class="num">2023, MetaQuotes Ltd. | class=class="str">"cmt">//| [MQL5官方文档] | class=class="str">"cmt">//+------------------------------------------------------------------+ class="macro">#class="kw">property copyright "Copyright class="num">2023, MetaQuotes Ltd." class="macro">#class="kw">property link "[MQL5官方文档] class="macro">#class="kw">property version "class="num">1.00" class="macro">#include <Returns.mqh> class="macro">#include <CSCV.mqh> class="macro">#include <Trade\Trade.mqh> sinput class="type">uint NumBlocks = class="num">4; CReturns colrets; class="type">ulong numrows,numcolumns; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| TesterInit function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void OnTesterInit() { numrows=class="num">1; class=class="str">"cmt">//--- class="type">class="kw">string name="MaximumRisk"; class="type">bool enable; class="type">class="kw">double par1,par1_start,par1_step,par1_stop; ParameterGetRange(name,enable,par1,par1_start,par1_step,par1_stop); if(enable) numrows*=class="type">ulong((par1_stop-par1_start)/par1_step)+class="num">1; class=class="str">"cmt">//--- name="DecreaseFactor"; class="type">class="kw">double par2,par2_start,par2_step,par2_stop; ParameterGetRange(name,enable,par2,par2_start,par2_step,par2_stop); if(enable) numrows*=class="type">ulong((par2_stop-par2_start)/par2_step)+class="num">1; class=class="str">"cmt">//--- name="MovingPeriod"; class="type">long par3,par3_start,par3_step,par3_stop; ParameterGetRange(name,enable,par3,par3_start,par3_step,par3_stop); if(enable) numrows*=class="type">ulong((par3_stop-par3_start)/par3_step)+class="num">1; class=class="str">"cmt">//--- name="MovingShift"; class="type">long par4,par4_start,par4_step,par4_stop; ParameterGetRange(name,enable,par4,par4_start,par4_step,par4_stop); if(enable) numrows*=class="type">ulong((par4_stop-par4_start)/par4_step)+class="num">1; }
「回测里把收益序列喂给 CSCV」
EA 的主循环只在每笔报价触发时跑策略判断：有持仓就查平仓条件，空仓就查开仓条件，真正的统计活儿被挪到了回测收尾阶段。 OnTester 里先通过 colrets.GetReturns 把全部历史 bar 的收益率抽进数组，用 MathSum 求总收益作为回测返回值；同时用 FrameAdd 把这条收益序列按 MA_MAGIC 标识写进帧，供后面的分布检验读取。 OnTesterDeinit 才是重头戏：FrameFilter 筛出对应魔术号的帧后，用 FrameNext 逐帧把收益向量读出来，拼成 numrows × numcolumns 的 matrix。这里 numcolumns 直接取首帧的 passed_value（即数组长度），data_matrix 和 addvector 都按它Resize。 这套写法意味着你改了均线周期或魔术号，回测完就能在帧里拿到完整收益曲线，丢给 Cscv 类做交叉验证，评估策略过拟合概率。外汇与贵金属杠杆高，回测漂亮不代表实盘能复现，拿去跑之前先在小周期样本上验证帧写入是否成功。
class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Expert tick function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void OnTick() { class=class="str">"cmt">//--- colrets.OnNewTick(); class=class="str">"cmt">//--- if(SelectPosition()) CheckForClose(); else CheckForOpen(); class=class="str">"cmt">//--- } class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Tester function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">class="kw">double OnTester() { class=class="str">"cmt">//--- class="type">class="kw">double ret=class="num">0.0; class="type">class="kw">double array[]; class=class="str">"cmt">//--- if(colrets.GetReturns(ENUM_RETURNS_ALL_BARS,array)) { class=class="str">"cmt">//--- ret = MathSum(array); if(!FrameAdd(IntegerToString(MA_MAGIC),class="type">long(MA_MAGIC),class="type">class="kw">double(array.Size()),array)) { Print("Could not add frame ", GetLastError()); class="kw">return class="num">0; } class=class="str">"cmt">//--- } class=class="str">"cmt">//---class="kw">return class="kw">return(ret); } class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| TesterDeinit function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void OnTesterDeinit() { class=class="str">"cmt">//---prob value numcolumns = class="num">0; class="type">class="kw">double probability=-class="num">1; class="type">int count_frames=class="num">0; matrix data_matrix=matrix::Zeros(numrows,class="num">1); vector addvector=vector::Zeros(class="num">1); Cscv cscv; class=class="str">"cmt">//---calculate if(FrameFilter(IntegerToString(MA_MAGIC),class="type">long(MA_MAGIC))) { class=class="str">"cmt">//--- class="type">ulong pass; class="type">class="kw">string frame_name; class="type">long frame_id; class="type">class="kw">double passed_value; class="type">class="kw">double passed_data[]; class=class="str">"cmt">//--- while(FrameNext(pass,frame_name,frame_id,passed_value,passed_data)) { class=class="str">"cmt">//--- if(!numcolumns) { numcolumns=class="type">ulong(passed_value); addvector.Resize(numcolumns); data_matrix.Resize(numrows,numcolumns); } class=class="str">"cmt">//--- if(addvector.Assign(passed_data))
◍ CSCV 概率跑出来的真实读数
上面这段收口代码把遍历完的向量塞进 data_matrix，随后调用 CSCV 的 CalculateProbability 做块间概率计算，最后把列数、行数和概率值一并打印出来。 从 EA 在 EURUSD H1 上的日志看，pass 数累计到 23520，最终概率落在 0.3333333333333333。这个数值接近 1/3，说明在随机切块的对照下，该均线策略的区分度并未显著优于随机——外汇与贵金属这类高波动品种，单凭这种回测概率很容易误判，务必上 MT5 自行复跑验证。 别把 0.33 直接读成「无效」 CSCV 给的是块间差异的概率度量，不是胜率。想确认策略有没有戏，得把 NumBlocks 调小或调大，看概率是否稳定偏离 0.5 再下结论。
{
data_matrix.Row(addvector,pass);
count_frames++;
}
class=class="str">"cmt">//---
}
}
else
Print("Error retrieving frames ", GetLastError());
class=class="str">"cmt">//---results
probability = cscv.CalculateProbability(NumBlocks,data_matrix,MathSum,true);
class=class="str">"cmt">//---output results
Print("cols ",data_matrix.Cols()," rows ",data_matrix.Rows());
Print("Number of passes processed: ", count_frames, " Probability: ",probability);
class=class="str">"cmt">//---
}
MovingAverage_CSCV_DemoEA(EURUSD,H1) Number of passes processed: class="num">23520 Probability: class="num">0.3333333333333333一点提醒
CSCV 评估的是优化后策略的过拟合概率（PBO），速度比蒙特卡罗替换快，也能榨干已有历史数据，但可靠性完全绑死在输入数据上。试验参数变动区间太窄，PBO 会偏低骗你；塞进大量不现实的参数组合，PBO 又会被抬到虚高。 时间框架也是暗坑：同一套 EA 在 H1 与 M5 优化出的 PBO 可能完全不同，因为参数选择被周期带着走。能跑的参数组合尽量铺满，才不容易漏判。 这套方法有个硬伤——EA 源码不可见就基本用不了。理论上可以给每种参数单独回测，但那跟蒙特卡罗一样磨人。附带三个文件可直接用：CSCV.mqh（6.9 KB）管核心验证、Returns.mqh（9.58 KB）收收益序列、MovingAverage_CSCV_DemoEA.mq5（11.24 KB）是改过的均线 EA 演示。外汇与贵金属波动剧烈、杠杆高风险大，任何 PBO 数字都只是概率倾向，别当免死金牌。