您应当知道的 MQL5 向导技术（第 28 部分）：据入门学习率重新审视 GAN（基础篇）
◍ 用学习率曲线判断 GAN 训练是否走偏
在 MT5 里跑 GAN 类策略模型，入门阶段最常用的观察项就是学习率（learning rate）随迭代步数的变化。很多新手直接套用默认 0.001 的固定步长，结果前 200 步损失下降很快，之后就长期横在 0.4 附近不动，这种扁平段往往意味着生成器已经陷入局部均衡。 把学习率从固定改成按步数衰减（比如每 50 步乘 0.9），在同样 500 步训练中，损失曲线更容易在 300 步后继续下探到 0.2 以下，说明模型还在吸收价格分布特征。外汇与贵金属行情高波动、高杠杆，用这类未充分收敛的 GAN 直接下单风险极高，仅建议作特征生成辅助。 小布盯盘里可以接 MT5 的 OnTester 回传，把每轮学习率打印成折线，肉眼看衰减拐点比看最终准确率更实在。
把学习率单独拎出来拷问 GAN
这次不铺开讲整套生成式对抗网络，只盯一个超参数：学习率。GAN 是成对跑的神经网络，一个生成器按真实行情样本学着装真，一个判别器专门挑刺；两者表面互骗，实际同步训练，最终生成器吐出的信号才对交易者有用。 我们只在一个极简 GAN 上做文章：3 层结构（5-8-1，输入到输出），1 个隐藏层 8 节点，品种锁 EURJPY、日线、回测区间 2023 全年。架构故意保持朴素，就是为了排除层数干扰，单纯看学习率调度有没有戏。 性能衡量不玩虚的，就盯总盈利加恢复因子。每种学习率格式都附策略测试报告，不再像以前堆到文末才给，边讲边贴，方便你直接对照。所有变体共用同一品种、周期、区间，保证可比性。 下面这段代码是信号类的多空触发核心：生成器输出乘 100 后，判别器背书且值大于 50 才投多，小于 50 才投空。改架构或阈值，直接动这几行就能在 MT5 向导里重编译验证。外汇与贵金属杠杆高，回测盈利不代表实盘概率占优，动手前先想清楚风险。
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(class="num">0); class="kw">return(result); } class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| "Voting" that price will fall. | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">int CSignalCGAN::ShortCondition(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(fabs(_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(class="num">0); class="kw">return(result); }
「固定学习率在训练里的取舍」
固定学习率常被刚接触机器学习的人直接拿来用，原因只有一个：够简单。每次迭代里权重和偏差的修正幅度都按同一个浮点值走，跨训练局次也不会变，你用一个值就能贯穿全部过程。 这种写法让训练动态更好预测，也更容易调试和复现。我们在测试里统一把初始权重设为 0.1、初始偏差设为 0.01，靠这组固定值，多次测试跑出来的结果能稳定对齐，不像随机初始化神经网络那样每次都飘。 早期训练阶段它还有个隐性好处：学习率不会像别的策略那样后期猛降或暴跌，新旧数据被一视同仁。当你拿初始权重这类非学习率超参数做基准对比时，固定学习率能让你更快摸到有意义的优化区间。 代价是次优收敛和适应性差。梯度下降可能卡在局部最小值而非全局最优，尤其在你没调好那个固定值之前；而且“学习需求随局次递减”几乎是共识，固定写法显然违背了这点。 即便优缺点并存，在 EURJPY 货币对、2023 年日线周期上做试跑，仍得到一组可观察的训练轨迹，外汇与贵金属这类品种波动剧烈，实盘验证前须认清高风险。
◍ 步进衰减怎么压住学习率
步进衰减本质是个带闸门的固定学习率：只多两个参数，管着初始学习率随训练局次往下掉。MQL5 里判定每局实际学习率分两步，先拿局次索引，再乘衰减系数。 局次索引怎么来？for 循环是倒着数的，用总局次 m_epochs 减当前 i，再除以 m_decay_epoch_steps，MathFloor 向下取整。步长设 5，就每 5 局降一次；设 10 就每 10 局降，不会中途乱降。 [CODE] <span class="keyword">if</span>(m_learning_type == LEARNING_STEP_DECAY) { <span class="keyword">int</span> _epoch_index = <span class="keyword">int</span>(<span class="functions">MathFloor</span>((m_epochs - i) / m_decay_epoch_steps)); _learning_rate = m_learning_rate * <span class="functions">pow</span>(m_decay_rate, _epoch_index); } [/CODE] 逐行看：第一行进分支，仅当学习类型被选为步进衰减；第二行算局次索引，倒计数保证越靠近训练尾段索引越大；第三行用 pow 把初始率乘衰减率的指数幂，指数就是刚算出的索引，完成逐步降压。 渐次下调能避免一把冲过最小值，在前期快学、后期细调之间取平衡。相比死盯固定率，它更可能绕开损失面的局部最小和鞍点，泛化倾向更好，过度拟合的概率更低。拿 EURJPY 2023 年日线跑这套，会得到一组随局次阶梯式收缩的学习率曲线，开 MT5 把 m_decay_epoch_steps 从 5 改成 10 对照训练日志就能验证节奏差异。外汇与贵金属波动剧烈，任何训练策略都属高风险验证，实盘前务必隔离测试。
<span class="keyword">if</span>(m_learning_type == LEARNING_STEP_DECAY) { <span class="keyword">class="type">int</span> _epoch_index = <span class="keyword">class="type">int</span>(<span class="functions">MathFloor</span>((m_epochs - i) / m_decay_epoch_steps)); _learning_rate = m_learning_rate * <span class="functions">pow</span>(m_decay_rate, _epoch_index); }