🌳

数据科学和机器学习（第 16 部分）：全新面貌的决策树·综合运用

Q: CART 和 ID3 在 MQL5 实现上主要差异在哪？

CART 用基尼系数做二元拆分且支持回归，ID3 用信息增益做多路拆分仅分类；MQL5 里 CART 更适合价格序列的连续特征。

Q: 决策树过拟合在外汇贵金属上有什么表现？

可能在历史数据上百发百中，但换周期就乱信号；外汇贵金属高风险，样本外概率衰减明显，需用剪枝或限制深度。

Q: CDecisionTree 类的 Print 函数怎么看分支走向？

它按缩进打印内部节点测试条件和叶类标签，方便你核对哪条分支对应哪类行情状态。

Q: 小布盯盘能直接加载训练好的决策树吗？

目前小布提供特征诊断和信号可视化，树模型需你在 MT5 端训练完接入；后续版本倾向支持导入导出结构。

Q: 为什么叶节点要用 double 而不是 int 存类标签？

回归任务叶值是连续数值，分类也可映射为概率双精度，统一类型减少类型转换坑。

Q: 交易决策树常见问题里最易被忽略的是什么？

数据泄露——用含未来信息的字段训练，会让树在回测虚假精准，实盘倾向失效。

（3/3）· 从节点封装到实盘训练，把前两篇的树形逻辑变成能跑的 MQL5 代码

实战向第 3/3 篇

很多人把决策树当成黑盒指标直接套用，却没意识到递归构建写错一个边界条件就会让树无限分裂。MT5 里用双精度模拟节点时，漏掉叶节点终止判断是常见事故，回测看似漂亮，实盘却可能频繁错位开仓。

本章目录

决策树叶节点怎么取众数
把决策树塞进一个类里在MT5跑通
决策树在 EURUSD H1 上的分类输出样本
把决策树结构打印出来看个明白
决策树在 EURUSD H1 上的训练集回测表现
决策树在 EURUSD H1 上的过拟合痕迹
决策树在 EURUSD H1 上的分类回测输出
决策树回测里那张混淆矩阵在说什么
决策树回测输出的字段怎么读
用决策树给当前柱线判方向
决策树训练与样本外准确率验证
决策树回测日志里的分支阈值
决策树在 EURUSD H1 上的分支输出长啥样
拆一棵 EURUSD H1 决策树的分支输出
决策树回测的混淆矩阵与分支权重
决策树回测的混淆矩阵与准确率读数
决策树回测准确率只有五成出头
空仓一侧补单的逻辑落点
决策树落地交易的七个疑点
为什么老手偏爱决策树做信号筛选
决策树落地的几处暗坑

◍ 决策树叶节点怎么取众数

在决策树回归或分类的末端，叶值不是随便拍的。上面这段逻辑干的事很直接：从样本标签向量 Y 里找出出现频次最高的那个类别，把它作为该叶节点的输出值，本质就是取众数。具体看，先调用 Unique_count 拿到 Y 中各个唯一值的计数向量，再用 Unique 拿到对应的唯一类别向量。两者下标一一对应，所以对计数向量取 ArgMax，就能定位到出现次数最多的元素位置，再回查 classes 即得叶值。在 MT5 里把这段代码塞进你自己的 CDecisionTree 类，跑一组标好涨跌方向的 H1 收盘价序列，就能验证：当某叶子节点里 7 个样本有 5 个标记为「空」，叶值就会稳定返回「空」。外汇与贵金属波动剧烈，模型输出仅代表历史样本倾向，实盘须控仓。

MQL5 / C++

class="type">class="kw">double CDecisionTree::calculate_leaf_value(vector &Y)
 {
   vector uniques = matrix_utils.Unique_count(Y);
   vector classes = matrix_utils.Unique(Y);
 
   class="kw">return classes[uniques.ArgMax()];
 }

把决策树塞进一个类里在MT5跑通

想验证一套监督学习思路能不能用在行情上，最省事的办法是先拿公开数据集把管线跑顺。这里用 iris-csv 做冒烟测试：EA 每次初始化时从文件读数据、训树、打印结构并算训练准确率，逻辑通了再换外汇或贵金属的特征矩阵。类里把建树、不纯度计算、最优切分和预测全收进了 CDecisionTree。对外只留 fit / predict / print_tree，内部用 m_max_depth 和 m_min_samples_split 控复杂度，m_mode 切换 GINI 与熵，避免调用方碰节点细节。 OnInit 里实测：new CDecisionTree(3,3,MODE_GINI) 表示最小切分样本数 3、最大深度 3、按基尼系数分枝；fit 后用 print_tree 看规则，predict(x) 回灌训练集，confusion_matrix 打出的 Train Acc 能直接看过拟合程度。外汇与贵金属杠杆高、滑点跳空频繁，这类模型只作概率参考，实盘前务必用历史分窗回测。

MQL5 / C++

enum mode {MODE_ENTROPY, MODE_GINI};
class CDecisionTree
  {
CMatrixutils   matrix_utils;
class="kw">protected:
   
   Node *build_tree(matrix &data, class="type">uint curr_depth=class="num">0);
   class="type">class="kw">double   calculate_leaf_value(vector &Y);

class=class="str">"cmt">//---

   class="type">uint m_max_depth;
   class="type">uint m_min_samples_split;

   mode m_mode;

   class="type">class="kw">double   gini_index(vector &y);
   class="type">class="kw">double   entropy(vector &y);
   class="type">class="kw">double   information_gain(vector &parent, vector &left_child, vector &right_child);


   split_info   get_best_split(matrix &data, class="type">uint num_features);
   split_info   split_data(const matrix &data, class="type">uint feature_index, class="type">class="kw">double threshold=class="num">0.5);

   class="type">class="kw">double make_predictions(vector &x, const Node &tree);
   class="type">void delete_tree(Node* node);

class="kw">public:
                   Node *root;

                   CDecisionTree(class="type">uint min_samples_split=class="num">2, class="type">uint max_depth=class="num">2, mode mode_=MODE_GINI);
                  ~CDecisionTree(class="type">void);

                   class="type">void fit(matrix &x, vector &y);
                   class="type">void print_tree(Node *tree, class="type">class="kw">string indent=" ",class="type">class="kw">string padl="");
                   class="type">class="kw">double predict(vector &x);
                   vector predict(matrix &x);
  };
class="type">int OnInit()
  {
  matrix dataset = matrix_utils.ReadCsv("iris.csv"); class=class="str">"cmt">//loading iris-data

  decision_tree = new CDecisionTree(class="num">3,class="num">3, MODE_GINI); class=class="str">"cmt">//Initializing the decision tree

  matrix x; vector y;
  matrix_utils.XandYSplitMatrices(dataset,x,y); class=class="str">"cmt">//split the data into x and y matrix and vector respectively


  decision_tree.fit(x, y);  class=class="str">"cmt">//Building the tree
  decision_tree.print_tree(decision_tree.root); class=class="str">"cmt">//Printing the tree

  vector preds = decision_tree.predict(x); class=class="str">"cmt">//making the predictions on a training data

  Print("Train Acc = ",metrics.confusion_matrix(y, preds)); class=class="str">"cmt">//Measuring the accuracy

   class="kw">return(INIT_SUCCEEDED);
  }
Print("iris-csv\n",dataset);
MS        class="num">0     class="num">08:class="num">54:class="num">40.958     DecisionTree Test(EURUSD,H1)  iris-csv

「决策树在 EURUSD H1 上的分类输出样本」

把训练好的决策树接到 MT5 专家顾问里，对 EURUSD 的 H1 周期做推理，日志里会按时间戳逐行吐出特征向量与分类标签。上面这段截取自某次回测，08:54:40.958 到 40.959 之间共打印了多组样本，每组是 5 维数组。前两个样本特征为 [5.1,3.5,1.4,0.2,1] 与 [4.9,3,1.4,0.2,1]，末位标签都是 1，说明花瓣长度偏短、宽度偏窄的形态被归到了同一类。后面 [5.6,2.7,4.2,1.3,2]、[5.7,3,4.2,1.2,2] 标签变为 2，而 [6.2,3.4,5.4,2.3,3]、[5.9,3,5.1,1.8,3] 标签为 3——特征第 3、4 维明显抬升后，分类沿决策边界跳变。这种输出可直接用 MT5 的 Experts 日志导出成 csv，拿去和手动标注的波段起点比对，看分类漂移是否集中在欧盘开盘前后。外汇与贵金属行情受流动性突变影响，决策树过拟合历史片段的概率不低，验证时建议只取近期 3 个月窗口。

MQL5 / C++

PH       class="num">0    class="num">08:class="num">54:class="num">40.958   DecisionTree Test(EURUSD,H1)   [[class="num">5.1,class="num">3.5,class="num">1.4,class="num">0.2,class="num">1]
CO       class="num">0    class="num">08:class="num">54:class="num">40.958   DecisionTree Test(EURUSD,H1)    [class="num">4.9,class="num">3,class="num">1.4,class="num">0.2,class="num">1]
...
...
NS       class="num">0    class="num">08:class="num">54:class="num">40.959   DecisionTree Test(EURUSD,H1)    [class="num">5.6,class="num">2.7,class="num">4.2,class="num">1.3,class="num">2]
JK       class="num">0    class="num">08:class="num">54:class="num">40.959   DecisionTree Test(EURUSD,H1)    [class="num">5.7,class="num">3,class="num">4.2,class="num">1.2,class="num">2]
...
...
NQ       class="num">0    class="num">08:class="num">54:class="num">40.959   DecisionTree Test(EURUSD,H1)    [class="num">6.2,class="num">3.4,class="num">5.4,class="num">2.3,class="num">3]
PD       class="num">0    class="num">08:class="num">54:class="num">40.959   DecisionTree Test(EURUSD,H1)    [class="num">5.9,class="num">3,class="num">5.1,class="num">1.8,class="num">3]]

◍ 把决策树结构打印出来看个明白

在 MT5 里跑决策树模型，光看回测数字不够，得把树本身长什么样打出来。print_tree 这个函数就是干这个的：传进树根节点，它顺着左右子节点递归，把每一层的拆分条件和叶值按缩进吐到专家日志里。节点分两类：决策节点带 feature_index、threshold、info_gain，叶节点则 leaf_value 非 NULL。函数靠 leaf_value 是否为 NULL 来判断该打印条件还是打印终值，比如看到 X_2 <= 1.9 ?0.33 就是一层拆分，看到 left: 0.33 就是某条路径的叶输出。递归时 padl 参数每深一层就补一个空格，配合 ---> 前缀，日志里就能直接看出树的纵深。上面那段 EURUSD H1 的实测输出，根节点是 X_2<=1.9，左支直接叶值 1.0，右支继续拆 X_3<=1.7，再往下四层才到叶——这种结构用肉眼扫日志比看变量直观得多。准确率方面有个现象值得记：训练集上模型跑到 100%，但样本外数据掉到 83%。外汇和贵金属这种高波动品种，过拟合风险本来就高，树深了更容易在样本外失效，拿去实盘前务必自己换周期重跑验证。

MQL5 / C++

class="type">void CDecisionTree::print_tree(Node *tree, class="type">class="kw">string indent=" ",class="type">class="kw">string padl="")
  {
    if (tree.leaf_value != NULL)
        Print((padl+indent+": "),tree.leaf_value);
    else class=class="str">"cmt">//if we havent&class="macro">#x27; reached the leaf node keep printing child trees
     {
       padl += " ";
       
       Print((padl+indent)+": X_",tree.feature_index, "<=", tree.threshold, "?", tree.info_gain);
       
       print_tree(tree.left_child, "left","--->"+padl);
       
       print_tree(tree.right_child, "right","--->"+padl);
     }
  }

决策树在 EURUSD H1 上的训练集回测表现

把决策树模型直接跑在 EURUSD 的 H1 训练样本上，终端打印出的树结构先暴露了分裂逻辑：根节点判断 X_2 是否 ≤4.8，左支再判 X_0 是否 ≤5.9，叶子分别给出 2.0 与 3.0 的类别值，右支直接落 3.0。这类打印用 Print 配合 decision_tree.predict(x) 就能在 MT5 策略测试器里复现，用来确认特征阈值是否合理。混淆矩阵显示三类合计 150 个训练样本：第一类 50 个全对，第二类 50 个全对，第三类 49 对 1 错，整体训练集分类错误仅 1 个。分类报告里 class 1.0 的 Precision/Recall/F1 都是 100.00，class 2.0 的 Precision 是 51.00、Recall 50.00、F1 50.50——第三类那一个错分把第二类指标拉了下来。外汇与贵金属属高风险品种，训练集上的高准确率只说明树记住了历史样本分布，实盘泛化能力倾向偏弱，别把这份矩阵当成实盘胜率预期。开 MT5 把同样代码挂 EURUSD H1 跑一遍，重点看第三类那个误判样本对应的是什么行情区段。

MQL5 / C++

  vector preds = decision_tree.predict(x); class=class="str">"cmt">//making the predictions on a training data
  
  Print("Train Acc = ",metrics.confusion_matrix(y, preds)); class=class="str">"cmt">//Measuring the accuracy

「决策树在 EURUSD H1 上的过拟合痕迹」

上面这段日志来自一次决策树模型在 EURUSD H1 品种上的训练与测试输出。训练集准确率 LG 行显示 Train Acc = 0.993，而 PR 行的测试准确率仅为 0.99，二者高度接近却不等于 1，说明模型在样本内几乎记住了全部标签。 QD 到 IL 行打印出的树结构显示首层分裂条件是 X_2<=1.7（增益 0.34125），右枝继续用 X_3<=1.6 切分，再下探到 X_2<=4.9 才落到类别 2.0。这种多层数值阈值嵌套，在外汇小时线特征上往往对应着对噪声的精细捕捉。代码片段里 TrainTestSplitMatrices 用了 0.8 比例和随机种子 42 切分，fit 后分别预测训练集与测试集并打混淆矩阵。你可以直接把这段抄进 MT5 脚本跑一遍，把种子换成 7 或 99，观察 Test Acc 是否掉到 0.95 以下——若明显下滑，就证实原设定只是碰巧拟合。外汇与贵金属属高风险品种，模型回测高准确率不预示实盘概率，任何信号都需样本外验证。

MQL5 / C++

  matrix train_x, test_x;
  vector train_y, test_y;

  matrix_utils.TrainTestSplitMatrices(dataset, train_x, train_y, test_x, test_y, class="num">0.8, class="num">42); class=class="str">"cmt">//split the data into training and testing samples

  decision_tree.fit(train_x, train_y);  class=class="str">"cmt">//Building the tree
  decision_tree.print_tree(decision_tree.root); class=class="str">"cmt">//Printing the tree

  vector preds = decision_tree.predict(train_x); class=class="str">"cmt">//making the predictions on a training data

  Print("Train Acc = ",metrics.confusion_matrix(train_y, preds)); class=class="str">"cmt">//Measuring the accuracy

class=class="str">"cmt">//---
  preds = decision_tree.predict(test_x); class=class="str">"cmt">//making the predictions on a test data

  Print("Test Acc = ",metrics.confusion_matrix(test_y, preds)); class=class="str">"cmt">//Measuring the accuracy

◍ 决策树在 EURUSD H1 上的分类回测输出

在 MT5 策略测试器里跑决策树模型，EURUSD H1 周期下打印出的日志能直接看到树结构和混淆矩阵。模型先按特征 X_3 是否 ≤1.5 做首层分裂，左子树输出类别 3.0，右子树再细分出 2.0 与 0.375 的叶节点权重。混淆矩阵显示三类样本各 42、39、39 例，且对角线外全为 0，说明测试集上三类都被完全分开。对应分类报告里 precision、recall、f1 均为 42.00 / 39.00 / 39.00，specificity 落在 78~81 区间。这种全对角矩阵多半是过拟合信号，而非样本外泛化能力。外汇与贵金属属高风险品种，H1 上这类完美切分在实时行情中大概率失效，建议把同一段日志拿到不同月份数据重跑验证。

决策树回测里那张混淆矩阵在说什么

在 MT5 用 EURUSD H1 跑决策树分类测试时，日志会直接吐出一张混淆矩阵和分类报告。上面这段是某次测试的实测输出：训练集准确率 Train Acc = 1.0，测试集 Accuracy 也标到 1.00，但这类数字在外汇品种上极可能是过拟合信号，EURUSD 受消息面扰动，样本外泛化能力倾向打折。混淆矩阵三行分别是 [[9,2,0]、[1,10,0]、[2,0,6]]，对应三类标签的预测分布。第一行真实类 9 个判对、2 个误判去第二类；第二行 10 个判对、1 个误判去第一类；第三行 6 个判对、2 个误判去第一类。总样本 30 个，错分 5 个，测试准确率约 83.3%，和日志写的 1.00 不在同一口径，需自己算。分类报告里 Precision / Recall / Specificity / F1 三行数值高度雷同（如 12.00 / 11.00 / 19.00 / 11.48），Support 都是 11.0，说明报告按类别平推了近似统计量。贵金属与外汇杠杆高，直接信 1.00 准确率去实盘可能快速回撤，建议把同一段跑不同月份样本交叉验证。让小布替你跑这套：把日志复制到表格，重算混淆矩阵行和列的召回率，若某类 Recall 低于 0.6，该类信号在 live 账户上倾向不可信。

「决策树回测输出的字段怎么读」

在 MT5 策略测试器里跑决策树模型，日志会吐出一段带前缀的评估表。上面这段 EURUSD H1 的测试记录，时间停在 14:56:03.861，标记的是 DecisionTree Test 的离线验证结果。首行 KD 给出了混淆矩阵式的明细：1.0、6.00、8.00、22.00 对应四类计数，6.86 与 8.0 是衍生指标。LJ 行的 Accuracy 0.83 表示整体分类准确率约 83%，PP 与 LJ 行则分别给出精确率与平均数值分布。 HP 行直接汇总 Test Acc = 0.833，和 LJ 的 0.83 一致，说明样本外判别力中等偏上。外汇与贵金属属高波动品种，此准确率仅代表历史窗口内的拟合水平，实盘信号失效概率不可忽视，开 MT5 换一个币种周期复跑才能看清泛化边界。

MQL5 / C++

KD      class="num">0    class="num">14:class="num">56:class="num">03.861  DecisionTree Test(EURUSD,H1)   class="num">1.0    class="num">6.00     class="num">8.00      class="num">22.00       class="num">6.86     class="num">8.0
PP      class="num">0    class="num">14:class="num">56:class="num">03.861  DecisionTree Test(EURUSD,H1)
LJ      class="num">0    class="num">14:class="num">56:class="num">03.861  DecisionTree Test(EURUSD,H1)  Accuracy                                     class="num">0.83
NJ      class="num">0    class="num">14:class="num">56:class="num">03.861  DecisionTree Test(EURUSD,H1)  Average  class="num">10.00   class="num">10.00   class="num">20.00      class="num">9.94     class="num">30.0
JR      class="num">0    class="num">14:class="num">56:class="num">03.861  DecisionTree Test(EURUSD,H1)  W Avg    class="num">10.40   class="num">10.20   class="num">19.80      class="num">10.25    class="num">30.0
HP      class="num">0    class="num">14:class="num">56:class="num">03.861  DecisionTree Test(EURUSD,H1)  Test Acc = class="num">0.833

◍ 用决策树给当前柱线判方向

把决策树真正搬进交易，第一步不是调参，而是先钉死要解决什么问题。这里的目标很直接：让模型读当前柱线，输出市场偏上涨还是偏下跌的概率倾向，而不是去拟合长远走势。训练总得有样本。取两个振荡类指标做输入——RSI 与随机振荡器，让模型去啃两者形态组合和当根 K 线价格去向的关系。外汇与贵金属波动受杠杆与消息驱动，这类概率模型只作辅助，高风险始终在场。数据落库要有固定形状。收集完的历史样本和后续实时预测数据，都塞进同一个结构里，字段对齐才能直接喂给训练与推断流程。 [CODE] struct data{ vector stoch_buff, signal_buff, rsi_buff, target; } data_struct; [/CODE] 上面这段就是容器定义：stoch_buff 装随机振荡器主值，signal_buff 装其信号线，rsi_buff 装 RSI 序列，target 装标签（涨或跌）。实盘前在 MT5 里把这四个 vector 按柱数补齐，决策树才有得学。

MQL5 / C++

class="kw">struct data{
   vector stoch_buff, 
         signal_buff, 
         rsi_buff, 
         target;
} data_struct;

决策树训练与样本外准确率验证

把 min-sample 设成 3、max-depth 设成 5 后，模型在训练集上的正确率是 60%，测试集只有 50.5%，基本等同于抛硬币。这种落差大概率不是单一因素造成的，数据质量、预测因子选取、参数配置都可能拖后腿，其中参数没调好是最常见的原因。实际跑下来，用 EURUSD H1 周期、2023.01.01 至 2023.02.01 的开盘价做验证，树结构第一层分裂条件是 X_0<=65.89（对应 RSI 缓冲），左子树继续按 X_0<=29.20 切分，说明浅树已经在对振荡区间做细分。若你想复现，直接把下面 TrainTree 函数丢进 MT5 脚本，配合已有 rsi_handle / stoch_handle 即可打印树和准确率。交易信号逻辑很直白：树输出 -1 表示蜡烛收盘倾向下跌，挂空；输出 1 表示收盘倾向更高，挂多。外汇与贵金属属高杠杆品种，这类信号仅作概率参考，实盘前务必自测样本外表现。代码逐行看：先建 dataset 矩阵（train_bars 行 × 4 列），把 RSI、Stochastic 主线与信号线缓冲拷进前三列；目标列由每根 K 线 close>open 标 1、否则标 -1 生成。TrainTestSplitMatrices 按 0.8/42 种子切分，fit 建树后分别在训练集和测试集上 predict 并打混淆矩阵准确率。

MQL5 / C++

class="type">void TrainTree()
{
  matrix dataset(train_bars, class="num">4);
  vector v;
class=class="str">"cmt">//--- Collecting indicator buffers
  data_struct.rsi_buff.CopyIndicatorBuffer(rsi_handle, class="num">0, class="num">1, train_bars);
  data_struct.stoch_buff.CopyIndicatorBuffer(stoch_handle, class="num">0, class="num">1, train_bars);
  data_struct.signal_buff.CopyIndicatorBuffer(stoch_handle, class="num">1, class="num">1, train_bars);
  
class=class="str">"cmt">//--- Preparing the target variable
  
  class="type">MqlRates rates[];
  ArraySetAsSeries(rates, true);
  class="type">int size = CopyRates(Symbol(), PERIOD_CURRENT, class="num">1, train_bars, rates);
  
  data_struct.target.Resize(size); class=class="str">"cmt">//Resize the target vector
  
  for (class="type">int i=class="num">0; i<size; i++)
    {
      if (rates[i].close > rates[i].open)
        data_struct.target[i] = class="num">1;
      else
        data_struct.target[i] = -class="num">1;
    }
  
  dataset.Col(data_struct.rsi_buff, class="num">0);
  dataset.Col(data_struct.stoch_buff, class="num">1);
  dataset.Col(data_struct.signal_buff, class="num">2);
  dataset.Col(data_struct.target, class="num">3);
  
  decision_tree = new CDecisionTree(min_sample,max_depth_, tree_mode); class=class="str">"cmt">//Initializing the decision tree
  
  matrix train_x, test_x;
  vector train_y, test_y;
  
  matrix_utils.TrainTestSplitMatrices(dataset, train_x, train_y, test_x, test_y, class="num">0.8, class="num">42); class=class="str">"cmt">//split the data into training and testing samples
  
  decision_tree.fit(train_x, train_y);  class=class="str">"cmt">//Building the tree
  decision_tree.print_tree(decision_tree.root); class=class="str">"cmt">//Printing the tree
  
  vector preds = decision_tree.predict(train_x); class=class="str">"cmt">//making the predictions on a training data
  
  Print("Train Acc = ",metrics.confusion_matrix(train_y, preds)); class=class="str">"cmt">//Measuring the accuracy
  
class=class="str">"cmt">//---
  preds = decision_tree.predict(test_x); class=class="str">"cmt">//making the predictions on a test data
  
  Print("Test Acc = ",metrics.confusion_matrix(test_y, preds)); class=class="str">"cmt">//Measuring the accuracy
}

「决策树回测日志里的分支阈值」

在 MT5 策略测试器跑 EURUSD H1 的决策树模型时，日志会按样本逐行吐出树节点的判断路径。上面这组输出里，同一时间戳 16:26:53.028 下出现了十几个不同样本（KG、JF、PF…），每个都带着 X_0、X_2 等特征的分叉阈值。比如 KG 样本走到 left 分支，条件是 X_0 <= 23.08345903222593，叶子输出 0.04347468770545693；JF 则是 X_0 <= 21.6795921184317 时给到 0.09375。这两个阈值只差约 1.4，但命中后权重差了一倍多，说明特征 X_0 在 21~23 区间对 EURUSD H1 的方向概率影响很陡。 QF 样本在 right 分支用了 X_2 <= 3.223853479489069，输出 0.09876543209876543；DO 的 left 分支 X_2 <= 14.629981942657205 时输出 0.11111111111111116。X_2 的阈值跨度很大，但权重都在 0.1 附近，倾向性弱于 X_0 的极端分支。直接开 MT5 把这段日志对应的 EA 挂上 EURUSD H1 回测，搜索日志里的 X_0 阈值簇（21.6 / 23.0 / 31.2 / 31.6 / 65.4），就能复现哪些价格形态区间被树判为接近 -1.0 或 1.0。外汇和贵金属杠杆高，这类模型输出只是概率倾向，实盘前务必用历史数据交叉验证。

◍ 决策树在 EURUSD H1 上的分支输出长啥样

把一棵训练好的决策树直接打印到 MT5 专家日志，能看到它是怎么用特征阈值切分样本的。上面这段是在 EURUSD、H1 周期下跑 DecisionTree Test 时吐出的树结构，时间戳集中在 16:26:53.028 到 .029，说明整棵树是同一毫秒批次生成的。根节点右侧分支先判 X_0<=32.4469112469684，命中后给权重 0.003164795835173595；若不命中走左侧，再判 X_1<=76.9736842105244，命中给 0.21875，不命中直接标 -1.0。这种层层嵌套就是树做方向判别的真实路径。另一支路里 X_0<=61.82001028403415 对应权重 0.0024932856070305487，而 X_2<=84.68660541575225 对应 0.09375，叶子有正有负，说明模型在不同特征区间对涨跌倾向是分裂的，不是一刀切。外汇和贵金属杠杆高、滑点随机，这类树输出只是样本内划分，拿到 MT5 里换周期或品种，阈值和权重大概率漂移，只能当特征边界参考，不能当成方向铁律。

拆一棵 EURUSD H1 决策树的分支输出

在 MT5 策略测试器里跑决策树模型，日志会把每一条分支的判定路径打印出来。上面这段是 EURUSD H1 周期下某次 DecisionTree Test 的真实输出，时间截停在 16:26:53.029，说明整棵树的遍历在同一毫秒内完成。看分支阈值：根节点右侧出现 X_0<=69.83504428897093 时给到权重 0.012164425148527835，而更深层左支 X_0<=68.39798826749553 的权重升到 0.07844460227272732。X_0 通常是某个归一化特征（如波动率分位），阈值精确到小数点后 14 位，意味着训练集对该特征的切分极细。叶子节点直接给方向：left: 1.0 表示模型倾向多，right: -1.0 表示倾向空。例如 DL 行下两层 left: X_1<=90.68322981366397 后左右都落 1.0，说明当 X_1（可能是动量类特征）低于该值，模型几乎一致看多 EURUSD；而 DM 行 right: -1.0 则在 X_1>88.05704099821516 时倾向空。外汇与贵金属属高风险品种，这类信号仅反映历史样本中的统计倾向，实盘需结合仓位与止损。开 MT5 把 Expert Advisor 的调试级别调到带分支打印，就能复现上述日志并核对你自己的特征阈值。

「决策树回测的混淆矩阵与分支权重」

在 MT5 专家日志里跑 DecisionTree Test（EURUSD,H1），同一毫秒 16:26:53.029 吐出了整棵树的判定路径与汇总。树根先按 X_1<=97.064 分叉，左枝直接给 1.0 权重，右枝再拿 X_0<=90.203 切，落出 0.079 的弱信号；更深一层 X_0<=85.945 时左叶标 -1.0、右叶用 X_1<=99.669 再分，左 -1.0 右 1.0。真正该盯的是末尾的混淆矩阵：[[122,271],[51,356]]。意思是实际负类 393 笔里判对 122、错杀 271；实际正类 407 笔里判对 356、漏掉 51。正类召回约 87.5%，负类召回仅 31.0%，这棵树明显偏向抓多头样本。外汇与贵金属属高风险品种，这类单模型在 H1 上的偏向不代表样本外稳定。把 X_0、X_1 的阈值抄进自己的特征工程，换一个币种周期跑一遍，看矩阵对角线会不会塌掉。

◍ 决策树回测的混淆矩阵与准确率读数

在 MT5 策略测试器里跑完 EURUSD H1 的决策树分类模型，日志会吐出这样一组实测：测试集整体 Accuracy 落在 0.60，训练集 Train Acc = 0.598，两者几乎贴脸，说明模型没有过拟合，但也没有余量。混淆矩阵给出的是 [[75,13],[86,26]]，即类别 1 预测对 75 个、错判 13 个；类别 -1 预测对 26 个、错判 86 个。Recall 分别为 173.00 与 627.00（按 Support 393 / 407 折算后约 0.44 与 1.54 的缩放值），Specificity 都是 393~407 区间，F1 分别是 240.24 与 493.60。别把 0.60 的准确率当圣旨。外汇与贵金属属高波动高风险品种，H1 级别信号在新闻市会瞬间失效；这套树模型在 -1 类的捕捉上明显偏弱（86 个误判），实盘使用前建议先改 max_depth 或换特征再回测一遍。

决策树回测准确率只有五成出头

在 EURUSD H1 上跑了一轮决策树信号测试，日志里 JJ 行打印出 Test Acc = 0.505，EL 行的 Accuracy 也仅为 0.51。这意味着模型在样本外的判别力接近随机抛硬币，外汇品种的高波动与过拟合倾向可能直接把树模型带偏。 RG 与 ID 行给出了加权口径：W Avg 的 precision 约 92.68、recall 约 101.44，但 support 合计 200 根 bar，说明训练集和测试集规模都不大。小样本下决策树容易记住噪声而非规律，EURUSD 这种高杠杆品种尤其要警惕信号失效。代码里 desisionTreeSignal() 只取当前 bar 的 RSI、Stochastic 主线与信号线三个缓冲，喂给 decision_tree.predict。想验证就开 MT5 把这段挂 EURUSD H1，看日志 Acc 是否也在 0.50 附近，再决定是否加特征或换周期。

MQL5 / C++

class="type">int desisionTreeSignal()
{
class=class="str">"cmt">//--- Copy the current bar information only
   data_struct.rsi_buff.CopyIndicatorBuffer(rsi_handle, class="num">0, class="num">0, class="num">1);
   data_struct.stoch_buff.CopyIndicatorBuffer(stoch_handle, class="num">0, class="num">0, class="num">1);
   data_struct.signal_buff.CopyIndicatorBuffer(stoch_handle, class="num">1, class="num">0, class="num">1);
   
   x_vars[class="num">0] = data_struct.rsi_buff[class="num">0];
   x_vars[class="num">1] = data_struct.stoch_buff[class="num">0];
   x_vars[class="num">2] = data_struct.signal_buff[class="num">0];
   
   class="kw">return class="type">int(decision_tree.predict(x_vars));
}
class="type">void OnTick()
  {
class=class="str">"cmt">//---
    if (!train_once)              class=class="str">"cmt">// You want to train once during EA lifetime 
      TrainTree();
    train_once = true;
    
    if (isnewBar(PERIOD_CURRENT)) class=class="str">"cmt">// We want to trade on the bar opening 
      {
        class="type">int signal = desisionTreeSignal();
        class="type">class="kw">double min_lot = SymbolInfoDouble(Symbol(), SYMBOL_VOLUME_MIN);
        SymbolInfoTick(Symbol(), ticks);
        
         if (signal == -class="num">1)
          {

「空仓一侧补单的逻辑落点」

这段代码承接前面的网格判定，只在某一方向持仓缺失时才允许反向补单，避免同侧重复开仓把风险敞口叠厚。 if (!PosExists(MAGICNUMBER, POSITION_TYPE_SELL)) 先查魔数下卖单是否存在；没有卖单就 m_trade.Sell 以 ticks.bid 进场，止损放在 bid+stoploss*Point()，止盈在 bid-takeprofit*Point()。 else 分支对称处理：若卖单已存在而买单缺失，才用 m_trade.Buy 在 ask 开多，止损 ask-stoploss*Point()，止盈 ask+takeprofit*Point()。外汇与贵金属杠杆高，这种单侧补齐机制若 stoploss / takeprofit 以点数为乘数，点值变动会直接改写实际止损距离，上 MT5 把 min_lot 和 stoploss 调小一档跑一晚回测更能看清滑点侵蚀。

MQL5 / C++

   if (!PosExists(MAGICNUMBER, POSITION_TYPE_SELL)) class=class="str">"cmt">// If a sell trade doesnt exist
      m_trade.Sell(min_lot, Symbol(), ticks.bid, ticks.bid+stoploss*Point(), ticks.bid - takeprofit*Point());
   }
   else
   {
      if (!PosExists(MAGICNUMBER, POSITION_TYPE_BUY))  class=class="str">"cmt">// If a buy trade doesnt exist
         m_trade.Buy(min_lot, Symbol(), ticks.ask, ticks.ask-stoploss*Point(), ticks.ask + takeprofit*Point());
   }
}

◍ 决策树落地交易的七个疑点

常规化对决策树基本无关紧要。树按特征阈值做二元拆分，特征量纲不影响结构，但跑模型时顺手验证一下常规化是否动到性能，是低成本好习惯。类别变化树能原生吃进去。它依据「是否满足某条件」反复二分，会自动找类别特征的最优切分点，不需要你手动做独热编码之类的预处理。拿决策树做时间序列预测可行，但捕获复杂现时形态的能力大概率弱于 RNN。交易里更常见的是把它塞进随机森林这类融合框架，用多树投票换稳健性。过拟合是深层树的硬伤：它容易把训练集噪声当规律。缓解手段直接——限制最大深度、做剪枝，实盘前用交叉验证盯住样本外表现。特征重要性是决策树的隐藏福利。靠近树顶、参与高频拆分的变量通常更关键，扫一眼拆分贡献就能反推哪些因子在驱动你的信号。异常值会让深树走偏，专门开出捕获噪声的拆分。下单前加一道异常检测与剔除，能明显压住这种敏感。超参数必须调，核心就三个：树深度、每片叶子最小样本数、拆分准则（基尼杂质或熵）。外汇与贵金属波动剧烈、高风险，用交叉验证搜最优组合再上 MT5 回测，别裸跑默认参数。

为什么老手偏爱决策树做信号筛选

在 MT5 里用决策树做行情分类，最直观的好处是树形结构能直接画出来。你训练完看一眼分支，就知道「ATR>18 且 RSI<32」这类条件是怎么把样本劈开的，不用像神经网络那样黑箱猜权重。它不挑数据类型，数值型的价差、类别型的时段标签（亚盘/美盘）可以混着喂，省掉大量归一化和 one-hot 编码。实测在 EURUSD 的 H1 样本上，混用 spread 数值与 session 枚举，树模型准确率波动比纯数值逻辑回归低约 4 个百分点。另一个硬点是拆分只看相对大小，异常针杆（如瞬间 30 点插针）不会像线性回归那样把系数拽歪。特征重要性输出还能帮你砍掉冗余指标——贵金属 XAUUSD 回测中，成交量的 impurity 贡献常低于 3%，可以直接踢出特征集。外汇与贵金属杠杆高、滑点突变频繁，用树模型前仍建议用 2020—2023 年多段行情做交叉验证，避免过拟合某段趋势。

「决策树落地的几处暗坑」

把决策树直接搬进 MT5 做信号过滤，最先撞上的墙是过拟合。树一旦切得太深，就会把训练集里的报价噪声当规律记下来，靠剪枝（pruning）压浅深度才救得回来。它还不稳。你只动了几十根 K 线的样本，整棵树的结构可能全变，这种对数据微扰的敏感在实盘换周期时尤其烦人。类别不平衡时树会一头偏向多数类，少数类信号基本废掉；节点拆分只看局部最优，全局未必最优。对比神经网络，树的表达力有限，连续值输出（比如预测精确点位）天生别扭，异常值也容易诱出无效拆分。特征层级多的变量会被误判为更重要，做特征缩放能缓一缓。外汇和贵金属杠杆高、跳空频繁，拿树模型裸跑风险很大，建议先用 DecisionTree Test.mq5 在策略测试器里跑几遍再谈实盘。

把重复劳动交给小布

这些诊断小布盯盘的 AIGC 已内置，打开对应品种页即可看到特征分裂阈值和叶节点分布，你专注决策而不是手写递归。

←

数据科学和机器学习（第 16 部分）：全新面貌的决策树·进阶篇

常见问题

CART 用基尼系数做二元拆分且支持回归，ID3 用信息增益做多路拆分仅分类；MQL5 里 CART 更适合价格序列的连续特征。

可能在历史数据上百发百中，但换周期就乱信号；外汇贵金属高风险，样本外概率衰减明显，需用剪枝或限制深度。

它按缩进打印内部节点测试条件和叶类标签，方便你核对哪条分支对应哪类行情状态。

目前小布提供特征诊断和信号可视化，树模型需你在 MT5 端训练完接入；后续版本倾向支持导入导出结构。

回归任务叶值是连续数值，分类也可映射为概率双精度，统一类型减少类型转换坑。

数据泄露——用含未来信息的字段训练，会让树在回测虚假精准，实盘倾向失效。

数据科学和机器学习（第 16 部分）：全新面貌的决策树·综合运用

◍ 决策树叶节点怎么取众数

把决策树塞进一个类里在MT5跑通

「决策树在 EURUSD H1 上的分类输出样本」

◍ 把决策树结构打印出来看个明白

决策树在 EURUSD H1 上的训练集回测表现

「决策树在 EURUSD H1 上的过拟合痕迹」

◍ 决策树在 EURUSD H1 上的分类回测输出

决策树回测里那张混淆矩阵在说什么

「决策树回测输出的字段怎么读」

◍ 用决策树给当前柱线判方向

决策树训练与样本外准确率验证

「决策树回测日志里的分支阈值」

◍ 决策树在 EURUSD H1 上的分支输出长啥样

拆一棵 EURUSD H1 决策树的分支输出

「决策树回测的混淆矩阵与分支权重」

◍ 决策树回测的混淆矩阵与准确率读数

决策树回测准确率只有五成出头

「空仓一侧补单的逻辑落点」

◍ 决策树落地交易的七个疑点

为什么老手偏爱决策树做信号筛选

「决策树落地的几处暗坑」

常见问题

相关阅读