您应当知道的 MQL5 向导技术（第 20 部分）：符号回归·进阶篇
单点交叉的随机切点实现
遗传算法里单点交叉的核心是：先随机挑一个切点，再把两个父代染色体在切点前后互换片段。下面这段逻辑用 rand() 取模来生成切点，保证切点落在 1 到 _length-1 之间，避免切在 0 号位导致完全不交换。 _cross 初始化为 0；当基因长度 _length 大于 1 时，_cross = rand() % (_length - 1) + 1，意味着若有 10 个基因位，切点只会在 1~9 之间出现。 随后两个 for 循环完成拼接：0 到 _cross-1 直接拷贝父代原段，_cross 到结尾则互换来源。ChildA 前半取自 ParentA、后半取自 ParentB，ChildB 正好相反。 在 MT5 策略测试器里把这段代码塞进 EA 的种群繁殖函数，跑 30 代以上，能直观看到切点随机性对后代多样性的影响；外汇与贵金属品种波动大，遗传优化仅降低过拟合概率，实盘仍属高风险。
class="type">int _cross = class="num">0; if(_length > class="num">1) { _cross = rand() % (_length - class="num">1) + class="num">1; } for(class="type">int c = class="num">0; c < _cross; c++) { ChildA[c] = ParentA[c]; ChildB[c] = ParentB[c]; } for(class="type">int l = _cross; l < _length; l++) { ChildA[l] = ParentB[l]; ChildB[l] = ParentA[l]; }
「把遗传树塞进信号类里」
做自定义信号类，第一步还是给模型备好数据集。这里用的就是前面适应度函数填好的 'XY' 输入矩阵，由 GetBestTree 函数统一调度。矩阵把单维 x 与单维 y 配对——自变量和因变量；多维情形也能把 Y 向量摊成矩阵或更高维结构供树表达式使用。 我们这次只用单维，数据行全是连续收盘价。最近一行里取倒数第二根收盘作 x，当前收盘作 y，填充 XY 矩阵的代码在下面拆解。 适应度评估别默认拍脑袋。虽然选了回归路线，但回归衡量值有好几种，所以把‘用哪种回归指标’做成输入参数去优化更稳；默认先跑常见的均方根误差（RMSE）。 GetBestTree 跑完遗传算法，回吐若干领头树表达式。拿当前收盘当 x 喂进 GetFitness，能吐出下一根收盘的预测 y，同时附带该表达式的适应度——因为输入 Y 向量本就装着目标预测值。 预测价只是方向性提示，绝对值常偏离近期收盘区间，直接喂给 EA 会出问题。必须归一化：标准信号类的多空条件整数输出锁死在 0–100，下面代码就是把预测价转成这个区间的信号。多空函数互为镜像，组装进智能系统参考前文即可。 [CODE] 段里的 GetBestTree 逐行看：void CSignalSR::GetBestTree(matrix &XY, vector &Y, string &BestTree[]) 是函数头，接收数据矩阵、目标向量和最佳树数组；double _best_fit = DBL_MAX 先给最优适应度赋极大值做初值。for(int e = 1 + m_epochs; e >= 1; e--) 从最大树深往下迭代；Spopulation _p 建种群，ArrayResize(_p.population, m_population) 按种群规模扩容器。_e_size = 2 * e 按深度估树大小，内层循环 GetExpressionTree(e, _tree) 随机生树并拷进种群个体。 后面 for(int g=0; g<m_generations; g++) 跑代数：_fitness.Init 按种群数初始化，逐个体 GetFitness 算分；_fitness.Percentile(m_fitness) 取分位阈值筛优胜者进 _s 种群，奇数样本砍一保证配对，_samples==0 就 break 提前停。
<span class="comment">class=class="str">"cmt">//+------------------------------------------------------------------+</span> <span class="comment">class=class="str">"cmt">// Get Best Fit</span> <span class="comment">class=class="str">"cmt">//+------------------------------------------------------------------+</span> <span class="keyword">class="type">void</span> CSignalSR::GetBestTree(<span class="keyword">matrix</span> &XY, <span class="keyword">vector</span> &Y, <span class="keyword">class="type">class="kw">string</span> &BestTree[]) { <span class="keyword">class="type">class="kw">double</span> _best_fit = <span class="macro">DBL_MAX</span>; <span class="keyword">for</span>(<span class="keyword">class="type">int</span> e = <span class="number">class="num">1</span> + m_epochs; e >= <span class="number">class="num">1</span>; e--) { Spopulation _p; <span class="functions">ArrayResize</span>(_p.population, m_population); <span class="keyword">class="type">int</span> _e_size = <span class="number">class="num">2</span> * e; <span class="keyword">for</span>(<span class="keyword">class="type">int</span> p = <span class="number">class="num">0</span>; p < m_population; p++) { <span class="keyword">class="type">class="kw">string</span> _tree[]; GetExpressionTree(e, _tree); _e_size = <span class="keyword">class="type">int</span>(_tree.Size()); <span class="functions">ArrayResize</span>(_p.population[p].tree, _e_size); <span class="keyword">for</span>(<span class="keyword">class="type">int</span> ee = <span class="number">class="num">0</span>; ee < _e_size; ee++) { _p.population[p].tree[ee] = _tree[ee]; } } <span class="keyword">for</span>(<span class="keyword">class="type">int</span> g = <span class="number">class="num">0</span>; g < m_generations; g++) { <span class="keyword">vector</span> _fitness; _fitness.Init(<span class="keyword">class="type">int</span>(_p.population.Size())); <span class="keyword">for</span>(<span class="keyword">class="type">int</span> p = <span class="number">class="num">0</span>; p < <span class="keyword">class="type">int</span>(_p.population.Size()); p++) { _fitness[p] = GetFitness(XY, Y, _p.population[p].tree); } <span class="keyword">class="type">class="kw">double</span> _fit = _fitness.Percentile(m_fitness); Spopulation _s; <span class="keyword">class="type">int</span> _samples = <span class="number">class="num">0</span>; <span class="keyword">for</span>(<span class="keyword">class="type">int</span> p = <span class="number">class="num">0</span>; p < <span class="keyword">class="type">int</span>(_p.population.Size()); p++) { <span class="keyword">if</span>(_fitness[p] <= _fit) { _samples++; <span class="functions">ArrayResize</span>(_s.population, _samples); <span class="functions">ArrayResize</span>(_s.population[_samples - <span class="number">class="num">1</span>].tree, _e_size); <span class="keyword">for</span>(<span class="keyword">class="type">int</span> ee = <span class="number">class="num">0</span>; ee < _e_size; ee++) { _s.population[_samples - <span class="number">class="num">1</span>].tree[ee] = _p.population[p].tree[ee]; } } } <span class="keyword">if</span>(_samples % <span class="number">class="num">2</span> == <span class="number">class="num">1</span>) { _samples--; <span class="functions">ArrayResize</span>(_s.population, _samples); } <span class="keyword">if</span>(_samples == <span class="number">class="num">0</span>) { <span class="keyword">class="kw">break</span>; }
◍ 遗传算子落地与做多信号触发
遗传算法迭代里，交叉和变异是子代种群成型的两步关键操作。下面这段代码先把子代数组按样本数扩容，然后两两抽取父代做交叉；每次循环以 rand()%100 < 5 判定，约 5% 概率对单个子代树做变异，相当于每代约有 1/10 的子代个体会被扰动。 Spopulation _g; ArrayResize(_g.population, _samples); for(int s = 0; s < _samples - 1; s += 2) { int _a = rand() % _samples; int _b = rand() % _samples; SetCrossover(_s.population[_a].tree, _s.population[_b].tree, _g.population[s].tree, _g.population[s + 1].tree); if (rand() % 100 < 5) // 5% chance { SetMutation(_g.population[s].tree); } if (rand() % 100 < 5) { SetMutation(_g.population[s + 1].tree); } } // 上面逐行拆解：第1行声明子代种群；第2行按样本数_resize；for 以步长2遍历，保证成对处理；_a/_b 是父代随机下标；SetCrossover 把两棵父树交叉写入 s 和 s+1 两棵子树；两个 if 各按 5% 阈值调用 SetMutation，彼此独立。 旧种群随后被整批替换：ArrayResize(_p.population, _samples) 后，把 _g 里每棵树的 _e_size 个节点抄回 _p。紧接着扫一遍新种群算适应度，_fit 更小时更新 _best_fit 并 ArrayCopy 出 BestTree，这就是每代最优个体的落点。 int CSignalSR::LongCondition(void) { int result = 0; m_close.Refresh(-1); matrix _xy; _xy.Init(m_data_set, 2); for(int i = 0; i < m_data_set; i++) { _xy[i][0] = m_close.GetData(StartIndex()+i+1); _xy[i][1] = m_close.GetData(StartIndex()+i); } ... return(result); } // 这段把最新收盘价和前一根收盘价塞进 2 列矩阵，作为遗传模型「投票」做多的输入特征；具体 return 的 result 由 GetBestTree 给出的预测方向决定，价格后续倾向于上涨时 result 为正。 外汇与贵金属波动剧烈、杠杆风险高，这套信号仅提供概率倾向，实盘前请在 MT5 用历史数据跑通 LongCondition 与 GetBestTree 的联调。
Spopulation _g; ArrayResize(_g.population, _samples); for(class="type">int s = class="num">0; s < _samples - class="num">1; s += class="num">2) { class="type">int _a = rand() % _samples; class="type">int _b = rand() % _samples; SetCrossover(_s.population[_a].tree, _s.population[_b].tree, _g.population[s].tree, _g.population[s + class="num">1].tree); if (rand() % class="num">100 < class="num">5) class=class="str">"cmt">// class="num">5% chance { SetMutation(_g.population[s].tree); } if (rand() % class="num">100 < class="num">5) { SetMutation(_g.population[s + class="num">1].tree); } } class=class="str">"cmt">// Replace old population ArrayResize(_p.population, _samples); for(class="type">int s = class="num">0; s < _samples; s ++) { for(class="type">int ee = class="num">0; ee < _e_size; ee++) { _p.population[s].tree[ee] = _g.population[s].tree[ee]; } } class=class="str">"cmt">// Print best individual for(class="type">int s = class="num">0; s < _samples; s ++) { _fit = GetFitness(XY, Y, _p.population[s].tree); if (_fit < _best_fit) { _best_fit = _fit; ArrayCopy(BestTree,_p.population[s].tree); } } } } } class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| "Voting" that price will grow. | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">int CSignalSR::LongCondition(class="type">void) { class="type">int result = class="num">0; m_close.Refresh(-class="num">1); matrix _xy; _xy.Init(m_data_set, class="num">2); for(class="type">int i = class="num">0; i < m_data_set; i++) { _xy[i][class="num">0] = m_close.GetData(StartIndex()+i+class="num">1); _xy[i][class="num">1] = m_close.GetData(StartIndex()+i); } ... class="kw">return(result); } class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| "Voting" that price will grow. | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">int CSignalSR::LongCondition(class="type">void) { ... vector _y; class="type">class="kw">string _best_fit[]; GetBestTree(_xy, _y, _best_fit); ... class="kw">return(result); } class=class="str">"cmt">//+------------------------------------------------------------------+
支撑阻力信号的做多票数怎么算
CSignalSR 的 LongCondition 并不靠单一阈值硬切，而是把当前水平 _y[0] 与收盘价的距离先归一化再乘 100，得到一张‘看涨票值’。 代码里 _cond = (_y[0]-m_close.GetData(StartIndex())) / fmax(fabs(_y[0]), m_close.GetData(StartIndex()))，这一步把价格偏离压到约 [-100, 100] 的区间；乘 100.0 后，正数代表价格位于参考水平上方、倾向触发多头投票。 只有 _cond > 0.0 时才把票值取绝对值转成 int 返回，否则 result 保持 0。也就是说，价格低于参考线时该类信号不投做多票，实战中可据此在 MT5 策略测试器里观察票值为 0 的频次来判断震荡市过滤效果。 外汇与贵金属杠杆高、滑点大，这套票数逻辑只是信号权重的一环，实盘前务必用历史数据验证其漏报与误报比例。
class="type">int CSignalSR::LongCondition(class="type">void) { class="type">int result = class="num">0; ... class="type">class="kw">double _cond = (_y[class="num">0]-m_close.GetData(StartIndex())) / fmax(fabs(_y[class="num">0]), m_close.GetData(StartIndex())); _cond *= class="num">100.0; class=class="str">"cmt">//printf(__FUNCSIG__ + " cond: %.2f", _cond); class=class="str">"cmt">//class="kw">return(result); if(_cond > class="num">0.0) { result = class="type">int(fabs(_cond)); } class="kw">return(result); }
「随机基因也能跑出正期望」
把组装好的智能系统按几组“最佳设置”丢进策略测试器，同一套参数每次跑出来的净值曲线都不太一样。树型表达式由随机选择生成，交叉与突变也是随机的，所以单次测试运行几乎不可能被原样复现。 有意思的是，只要某次运行是盈利的，换一组随机种子用相同设置再跑，绩效统计会漂移，但整体仍倾向盈利。这说明盈利性更多来自设置结构，而非某次幸运的随机树。 我们的回测锁定 2022 年、H4 周期、欧元日元（EURJPY）。测试刻意不设止损止盈价格目标，以便干净地观察智能系统自身的进出场逻辑强弱。外汇与贵金属属高风险品种，回测盈利不代表实盘概率一致，开 MT5 用相同年份品种自测最实在。
◍ 把工具请下神坛
符号回归在这套智能信号实例里，只处理一维输入与一维输出，数据集刻意压得很小，跑通逻辑优先于堆参数。遗传优化本身带随机性，同一套配置多次回测很难复现完全一致的结果，这是算法性质决定的，不是调参能抹掉的。 因此基于它的信号不适合单独扛仓位，放在大周期上和其它独立信号做交叉确认更稳妥；外汇与贵金属杠杆高、滑点跳空频繁，任何单模型确认都只是概率倾斜而非胜率担保。 附带的 sr.mq5 与 SignalWZ_20.mqh 可直接丢进 MT5 跑，但别神话这套写法——它只是把多空条件权衡自动化了，真要上线还得你自己压回测样本与周期。