🤖

开发多币种 EA 交易（第 6 部分）：自动选择实例组·综合运用

（3/3）·手工筛2到5万组参数凑10到20个好实例，三级分组已是体力极限，本篇用最简代码破局

含代码示例偏理论第 3/3 篇

手工把数万组优化结果挑成可协作的小组，做到三级分组基本就耗光耐心。先别急着写复杂系统，用最便宜的脚本跑通假设，才知道自动化到底值不值。

本章目录

用遗传算法跑出更优参数组
用 k-means 把参数集拆成互斥集群
只留每簇一个样本怎么玩
把工具请下神坛

用遗传算法跑出更优参数组

把交易策略参数集写成 CSV 丢给 EA，启动优化时用遗传算法、以「利润除以 10% 回撤归一化」为用户标准。测试期锁 2018–2022（含 2022），本地网络开 13 个测试代理，标准遗传优化跑满 1 万次以上耗时约 9 小时。结果出乎意料地压过基线：自动遴选最优组利润 24,800 美元，人工组仅 15,200 美元，多出一倍半有余，且全程零人工干预。外汇/贵金属策略回测优异不代表实盘概率同向，杠杆品种回撤可能超预期。细看优化表头部会发现前五组结果几乎一致，只差一两枚次要参数。根因是原 CSV 里本就有多组同结果、异次要参数的集合；优化器把它们拆成两组后仍算出相同结果，变相把「相同组合」重复算了一次，还削弱了本该靠多样性压回撤的效果。可顺手做一处改动：把原文件中结果完全相同的参数集合并成一组再喂给优化器，省掉重复 pass，也让组别差异更干净。MT5 里直接改 CSV 再跑一轮就能对比代理耗时与顶部利润分布。

◍ 用 k-means 把参数集拆成互斥集群

把原始 CSV 里所有策略参数集按结果相似性分组，能直接砍掉冗余组合。这里取 signalPeriod_、signalDeviation_、signaAddlDeviation_、openDistance_、stopLevel_、takeLevel_ 六列做输入，用现成 k-means 聚成 64 个群集，文件随后多出一列 cluster 编号。下面这段 Python 是实际跑聚类的核心：读表、拟合、写回。df.iloc[:, [12,13,14,15,17]] 对应上面六列在文件里的位置，n_clusters=64 即群集数，random_state=42 固定随机种子保证可复现。 import pandas as pd from sklearn.cluster import KMeans df = pd.read_csv('Params_SV_EURGBP_H1.csv') kmeans = KMeans(n_clusters=64, n_init='auto', random_state=42).fit(df.iloc[:, [12,13,14,15,17]]) df['cluster'] = kmeans.labels_ df.to_csv('Params_SV_EURGBP_H1-with_cluster.csv', index=False) EA 侧要新建 OptGroupClusterExpert.mq5。初始化时把每个参数集对应的群集号塞进 setClusters 集合，只有 setClusters.Count() == count_（所有群集互不相同）才允许启动这组运行；同时参数字符串末尾带了无关群集号，得在传给策略构造函数前用 CSVStringGet 截掉（取 0~11 列）。这种排布有明显短板：遗传算法初始种群里若有两个以上相同参数集指数的个体，种群会快速退化、优化提前终止。再跑一次可能就顺利到终点，找到还不错的参数。实测上，混用输入参数集或压低组内策略数量，能抬升避免退化的概率。不论怎么调，相对不聚类的优化，整体耗时降到原来的 1/1.5 到 1/2 之间。外汇与贵金属品种波动剧烈，此类优化仅降低计算成本，不预示任何盈利概率。

MQL5 / C++

class="kw">import pandas as pd
from sklearn.cluster class="kw">import KMeans
df = pd.read_csv(&class="macro">#x27;Params_SV_EURGBP_H1.csv&class="macro">#x27;)
kmeans = KMeans(n_clusters=class="num">64, n_init=&class="macro">#x27;auto&class="macro">#x27;, 
                random_state=class="num">42).fit(df.iloc[:, [class="num">12,class="num">13,class="num">14,class="num">15,class="num">17]])
df[&class="macro">#x27;cluster&class="macro">#x27;] = kmeans.labels_
df.to_csv(&class="macro">#x27;Params_SV_EURGBP_H1-with_cluster.csv&class="macro">#x27;, index=False)
class=class="str">"cmt">//+------------------------------------------------------------------+
class=class="str">"cmt">//| Expert initialization function                                   |
class=class="str">"cmt">//+------------------------------------------------------------------+
class="type">int OnInit() {
  
    ... 
  class=class="str">"cmt">// Multiplicities for parameter and cluster set indices
  CHashSet<class="type">class="kw">string> setIndexes;
  CHashSet<class="type">class="kw">string> setClusters;
  class=class="str">"cmt">// Add all indices and clusters to the multiplicities
  FOREACH(indexes, {
    setIndexes.Add(indexes[i]);
    class="type">class="kw">string cluster = CSVStringGet(params[StringToInteger(indexes[i])], class="num">11, class="num">12);
    setClusters.Add(cluster);
  });
  class=class="str">"cmt">// Report an error if
  if(count_ < class="num">1 || count_ > class="num">8       class=class="str">"cmt">// number of instances not in the range class="num">1 .. class="num">8
     || setIndexes.Count()  != count_ class=class="str">"cmt">// not all indexes are unique
     || setClusters.Count() != count_ class=class="str">"cmt">// not all clusters are unique
     ) {
    class="kw">return INIT_PARAMETERS_INCORRECT;
  }
  
    ... 
  FOREACH(indexes, {
    class=class="str">"cmt">// Remove the cluster number from the parameter set class="type">class="kw">string
    class="type">class="kw">string param = CSVStringGet(params[StringToInteger(indexes[i])], class="num">0, class="num">11);
    class=class="str">"cmt">// Add a strategy with a set of parameters with a given index
    APPEND(strategies, new CSimpleVolumesStrategy(param))
  });
  class=class="str">"cmt">// Form and add a group of strategies to the EA
  expert.Add(CVirtualStrategyGroup(strategies, scale_));
  class="kw">return(INIT_SUCCEEDED);
}

「只留每簇一个样本怎么玩」

另一种抑制种群退化的思路是：对每个聚类只保留一个代表集合，再喂给优化器。上面那段 Python 用 KMeans 把参数空间切成 64 簇，每簇按夏普比排个序取最后一个，导出的 CSV 就能直接丢进前面写好的任一个 EA 里跑。若发现筛完剩的样本太少，可以加大簇数，或从一个簇里多抽几个集合。按 64 组自动筛选的优化结果和前两种办法大体接近，其中一组的成绩甚至超过了之前所有组——但这更像是运气，而非上限设定更优。最佳小组的单次通过成绩表里能看出，各组高度重复，区别仅在于策略参数集的索引排列顺序不同。要在 EA 里硬控「索引必须递增」能去重，可种群退化太快，遗传优化基本跑不动；哪怕从 64 个集合里挑 8 个做全枚举，通过次数也爆炸，得改掉把 EA 迭代输入转成索引的方式，不过那是后话。实盘前注意：外汇与贵金属杠杆高、回撤可能超预期。用单簇样本优化时，头几分钟就能捞出和人工筛选相近的结果（利润约 15,000 美元量级），但真要冲最佳，得熬到优化快结束。

MQL5 / C++

class="kw">import pandas as pd
from sklearn.cluster class="kw">import KMeans
df = pd.read_csv(&class="macro">#x27;Params_SV_EURGBP_H1.csv&class="macro">#x27;)
kmeans = KMeans(n_clusters=class="num">64, n_init=&class="macro">#x27;auto&class="macro">#x27;, 
               random_state=class="num">42).fit(df.iloc[:, [class="num">12,class="num">13,class="num">14,class="num">15,class="num">17]])
df[&class="macro">#x27;cluster&class="macro">#x27;] = kmeans.labels_
df = df.sort_values([&class="macro">#x27;cluster&class="macro">#x27;, &class="macro">#x27;Sharpe Ratio&class="macro">#x27;]).groupby(&class="macro">#x27;cluster&class="macro">#x27;).agg(&class="macro">#x27;last&class="macro">#x27;).reset_index()
clusters = df.cluster
df = df.iloc[:, class="num">1:]
df[&class="macro">#x27;cluster&class="macro">#x27;] = clusters
df.to_csv(&class="macro">#x27;Params_SV_EURGBP_H1-one_cluster.csv&class="macro">#x27;, index=False

把工具请下神坛

回测数据摆在那：自动选参组相对人工挑参，盈利结果更优，代价是跑优化更耗时间，但人不用盯场，还能靠加测试代理把算力成本压下来。下一步自然是把筛出的优组直接交给 EA 自动建组。代码层改动不大，核心只是改读取参数的方式，并支持多策略组并存；更合理的做法是把优化结果统一存进数据库，而非散落成一堆独立文件。若能在优化测试期之外，单独拉优组做样本外观察，价值会更高——这部分留到后续文章再拆。外汇与贵金属属高风险品种，自动化仅降低人工偏差，不消除回撤可能。

把重复劳动交给小布

这些参数导出与初筛的重复动作，小布盯盘的 AIGC 已内置辅助视图，打开对应品种页即可看到归一并分组后的候选集，你只判质量。

←

开发多币种 EA 交易（第 6 部分）：自动选择实例组·进阶篇

常见问题

核心是先验证自动选组能否不降级甚至优于手工基线，避免一上来投入大量开发却证明方向无效，最小成本试错更符合工程节奏。

小布可自动拉取各品种优化结果、按回撤归一并给出候选小组视图，省去手工导XML与逐列补参数的机械步骤，你专注策略判断。

简单组合按既定规则直接抽实例，聚类则先按特征空间划群再组内挑，倾向降低同质化、提升小组协作时的稳健概率。

当某群特征已被覆盖且冗余高时，单实例代表能压低开销，也可能保留该簇对特定行情的暴露，需看回测分布决定。

开发多币种 EA 交易（第 6 部分）：自动选择实例组·综合运用

用遗传算法跑出更优参数组

◍ 用 k-means 把参数集拆成互斥集群

「只留每簇一个样本怎么玩」

把工具请下神坛

常见问题

相关阅读