您应当知道的 MQL5 向导技术（第 22 部分）：条件化生成式对抗网络（cGAN）·进阶篇
判别器吃假数据的那段实现
CGAN 信号模型里，判别器（DIS）不仅要看真实样本，还要吞下生成器（GEN）造出来的伪样本做反向传播。下面这段 F() 就是专门把生成输出叠进输入、再塞给判别器跑前向并归零输出缓冲的逻辑。 看代码：_in_fake 先拷贝 IN，再和 _out_f（来自 OUT）做 Sum 叠加，合成带噪声的假输入；DIS.Set 之后 Forward，_out_fake 被 Resize 到 __DIS_OUTPUTS 并 Fill(0.0)，最后 Get 取出、Backward 用学习率更新。这里假数据标签默认填 0.0，意味着判别器把这路当成负类来学。 在 GetOutput 的训练循环里，用 MathRand()%2 随机决定先跑 F 还是先跑 R（真实数据路径），相当于 50% 概率让判别器先吃假数据。外汇与贵金属行情高波动、高杠杆，这种对抗训练只是提升信号过滤概率，实盘前务必在 MT5 策略测试器用历史数据回测验证。 直接把这段 F 函数抄进你的 CSignalCGAN 类，把 __DIS_OUTPUTS 宏和 m_learning_rate 参数对齐，就能在本地复现判别器对假样本的梯度回传。
class="type">void CSignalCGAN::F(vector &IN, vector &OUT) { vector _out_f, _out_fake, _in_fake; _out_f.Copy(OUT); _in_fake.Copy(IN); Sum(_in_fake, _out_f); DIS.Set(_in_fake); DIS.Forward(); _out_fake.Resize(__DIS_OUTPUTS); _out_fake.Fill(class="num">0.0); DIS.Get(_out_fake); DIS.Backward(m_learning_rate); }
◍ 把 cGAN 输出接进多空投票函数
在信号类里跑 cGAN，核心是把做多、做空条件函数改写成调用 GetOutput() 的入口。这个函数返回两个对象：双精度变量 GenOut 是收盘价估测变化，布尔变量 DisOut 表示判别器是否被这张预测『骗过』。只信生成器输出也能用，毕竟图像生成里 GAN 大多只靠生成端；但把判别器的认可作为额外安全层，能过滤掉一部分生成器自己的胡言乱语。 网络输入统一归一化到 -1.0 到 +1.0，输出也大体落在这个区间，所以生成器给的是收盘价变化的预测百分比。乘 100 之后得到不超 100 的数，符号为正倾向做多、为负倾向做空。多空条件函数要吐出 0–100 的整数，下面这段就是做多条件的落地写法。 判别器背书且预测百分比大于 50.0 时，才把放大后的 GenOut 转成整数返回；否则 result 保持 0，相当于这根 K 线不投票。外汇与贵金属市场杠杆高、跳空频繁，cGAN 信号仅作概率参考，实盘前务必在 MT5 策略测试器用历史数据回验。
class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| "Voting" that price will grow. | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">int CSignalCGAN::LongCondition(class="type">void) { class="type">int result = class="num">0; class="type">class="kw">double _gen_out = class="num">0.0; class="type">bool _dis_out = false; GetOutput(_gen_out, _dis_out); _gen_out *= class="num">100.0; if(_dis_out && _gen_out > class="num">50.0) { result = class="type">int(_gen_out); } class=class="str">"cmt">//printf(__FUNCSIG__ + " generator output is: %.5f, which is backed by discriminator as: %s", _gen_out, class="type">class="kw">string(_dis_out)); class="kw">return(result); }
「判别器验证让小网络结果难复现」
用 MQL5 向导拼出的智能系统跑测试时，如果把判别器网络的训练顺序随机化——有时先喂真实数据、有时先喂假数据——判别器就不会学歪，比如永远只做多或只做空。严格的固定顺序反而会让它的判断带系统性偏差，这也是我们在这套小架构里保留验证环节的原因，并非标准 GAN 的常规做法。 代价是结果不容易在每次测试里复现。当前网络只有 5 个隐藏层、每层仅 5 个节点，体量极小，随机性被放大。想让判别器验证下的输出更稳，得把规模拉起来：隐藏层用到 5 到 25 层，单层节点数不低于 100。层宽大于层数是更可靠网络的关键。 若直接去掉判别器验证，测试曲线波动会变小，但性能本身可能出问题。一个务实的折衷是在 EA 输入里加开关，让用户自己选要不要跑这套验证。外汇与贵金属市场高杠杆、高波动，任何网络输出都只是概率倾向，实盘前务必在 MT5 策略测试器里用自己的样本重跑确认。
cGAN 信号类还差这三步才敢上实盘
用 MQL5 向导把 cGAN 塞进智能系统只是起点。训练完记得把网络权重落盘，不然每次重跑都得从头学，白烧 CPU。 三个被跳过的关键项得补：一是训练节奏，原文每根新 K 线就训一次，灵活但吃噪声；改成每 6 个月只喂长期结构，可能更扛噪。二是神经架构搜索，网络层数卷积核不调，性能天花板就锁死了。三是本文没给回测增益数字，别默认它能赚钱。 外汇贵金属杠杆高，cGAN 信号只是概率倾向，实盘前自己开 MT5 用附带的 cgan.mq5 跑一遍权重记录逻辑再说。