一种采用纯MQL5语言实现的基于能量学习的特征选择算法（基础篇）
◍ 用能量学习挑特征：纯 MQL5 实现思路
在 MT5 里做特征选择，常见做法是相关系数或树模型，但这里走的是能量学习（energy-based learning）路线：把每个特征组合看成一个能量状态，低能量对应更适配行情的结构。 实现完全用纯 MQL5，不依赖 Python 桥接，意味着策略可直接在 EA 或指标里实时跑，避免跨进程延迟。作者 Francis Dube 在 2024 年 11 月 18 日发布的示例，截至统计时点获得 656 次查看、0 条评论，属于冷门但可复现的方向。 想验证可行性，最直接是在 MT5 新建脚本，把候选特征（如不同周期 RSI、ATR 比值）喂进能量函数，观察哪组在近期贵金属小时图上的能量值最低——外汇与贵金属杠杆高、跳空频繁，回测结果仅代表历史概率，实盘可能失效。
为什么要在MT5里做特征选择
做算法交易的人迟早会撞上同一个墙：候选指标几十个，到底哪几个真和下一步价格变动有关。机器学习把数据挖掘搬进金融之后，变量筛选从『拍脑袋』变成了必须解决的前置工程，不然模型要么过拟合、要么在实盘里发疯。 Yun Li 等人提出的 FREL（基于正则化能量的特征加权学习）思路，核心不是简单砍变量，而是给每个候选变量算一个权重，同时兼顾准确与稳定。对 MT5 使用者来说，这意味着你可以把一堆自定义指标丢进脚本，让程序告诉你哪些该留、哪些该降权。 后面我们会用一段 MQL5 脚本把这套逻辑跑起来。外汇和贵金属波动受宏观事件扰动大，特征权重只是概率层面的参考，实盘前务必在策略测试器里用历史数据验证。
「给邻居投票加权重而非平票」
FREL 的预测骨架借自加权最近邻分类：它不靠标签硬统计，而是用样本间距离决定影响力。标准 k-NN 只数 k 个最近邻里哪类多就归哪类，加权版则按距离反比给每张票赋权，离得越近说话越算数。 核心改动在投票环节——近邻的判定贡献随距离衰减，远邻即便类别一致也只起弱约束。这比纯多数表决更抗边界噪声，尤其当训练集密度不均时。 距离度量直接决定权重分布。本方法选用曼哈顿距离（城市街区距离）而非欧氏距离，对特征量纲偏移更钝感。公式上，对测试用例与每个训练案例求各维绝对差之和，再映射为权重 w，训练案例即被参照的历史样本。外汇与贵金属行情序列用此法做状态归类时，需警惕过拟合与滑点干扰，历史近邻相似不预示后市必然重演。
◍ 能量函数怎么给数据打分
基于能量的模型（EBM）把「输入变量配置 + 模型参数」塞进一个能量函数 E()，吐出来一个标量，用来指示这组变量有多「搭」。在回归场景里，E() 可以直接取均方误差：喂进去相关性高的预测变量，输出值偏小；丢进去一组烂预测，均方误差立刻变大。 训练的目标很直白——调参数 w，让「对」的输入拿低能量、「错」的输入拿高能量。目标函数会惩罚一种典型翻车：错误变量配置 x 配上参数 w，算出的能量太低，低到和正确配置分不开，模型就瞎预测了。 所以优化方向是拉开差距：让「最低能量的错误配置」和「最近的正确配置」之间的能量差尽量大。每个样本的损失可以换规则，对数损失、hinge、平方损失、平方指数损失都能塞进同一个框架，具体看任务。外汇与贵金属行情噪声大、跳空频繁，直接套 EBM 前建议先用历史 tick 跑一遍能量分布，确认低能量区是否被样本外突变击穿。
FREL的能量加权落地细节
FREL本质是能量驱动的特征筛选：把 d 个候选预测变量映射到单个目标，前提是这些变量的量纲尺度尽量接近。若直接喂入尺度悬殊的因子，最终权重会严重扭曲，这一步在 MT5 做特征工程时最容易被忽略。 算法要求你先定义一个带权重的能量函数。以均方误差为例，回归模型里每个候选变量配一个权重 w_i，能量 E = Σ w_i·(y_pred−y_true)²。初始阶段所有权重置 1，意味着算法默认各变量同等重要。 核心循环是对 n 个观测值逐一跑加权最近邻：找出低能量（错误配置）与高能量（正确配置）的邻域，用选定损失函数逐样本算损失，再用优化器把目标损失最小化，可选择性加正则化。论文作者用不放回自举改进——每次抽样算一套权重，最终取各 bootstrap 样本权重均值，降低过拟合概率。外汇与贵金属市场波动剧烈、杠杆风险高，该算法筛选出的相关性仅代表历史样本倾向，实盘须小仓位验证。