📘

使用MQL5和Python构建自优化EA（第二部分）：调整深度神经网络（基础篇）

第 1/3 篇

本章目录

用MQL5+Python给DNN调参起手
为什么默认 AI 参数在外汇里常失灵
不用求导也能搜最优：Nelder-Mead 的单纯形玩法
把调好的神经网络塞进 MT5 的 ONNX 通道

◍ 用MQL5+Python给DNN调参起手

想让深度神经网络在MT5里真正跑顺，第一步不是堆层数，而是把MQL5的信号提取和Python的训练闭环打通。原文示例发布于2025年2月26日，截至发稿被查看1175次，说明这类自优化EA的实操需求在交易圈并不冷门。具体路径是：MQL5端负责行情抓取与特征构造，Python端用scikit-learn或PyTorch做网络权重更新，再把结果回写EA参数。外汇与贵金属杠杆高、滑点跳变频繁，这套链路里任何一段延迟都可能让训练样本偏离实盘分布，概率上会造成过拟合。建议直接开MT5建一个测试EA，先只传RSI和ATR两个序列去Python，验证socket通了再扩特征，比一上来就喂几十维数据更稳。

「为什么默认 AI 参数在外汇里常失灵」

把通用 AI 模型直接丢进 MT5 做贵金属或外汇，多数时候只是凑合跑。模型内部有一组可调超参，它们对行情适应度影响很大；在震荡 EURUSD 上表现不错的数值，放到 XAUUSD 趋势段可能直接退化。社区里做策略的人早就发现，针对单一品种调参比换模型更划算。本文后续会用 Nelder-Mead 这类无梯度优化算法，基于 MT5 终端拉到的真实报价去微调深度网络，再把权重导成 ONNX 给 EA 调用。外汇与贵金属杠杆高、跳空频繁，任何参数优化都只是提升概率，不保证样本外稳定。新手若看不懂优化步骤，文中会拆开讲清楚每一步在终端里怎么落。

不用求导也能搜最优：Nelder-Mead 的单纯形玩法

Nelder-Mead 是 1965 年由 John Nelder 与 Roger Mead 在《函数最小化的单纯形法》里提出的模式搜索法，专门对付噪声大、不可微分、非线性的多模态优化问题。它对 EA 参数寻优很实用：不依赖任何导数信息，只靠几何形状的变形在参数空间里瞎探。算法核心是一个叫单纯形（simplex）的几何体。维度规则很死：顶点数 = 输入变量数 + 1。比如调 3 个参数，单纯形就是 4 个顶点；每个顶点对应一组参数，算完目标函数后按固定规则挪点、缩边、翻面。最大坑在起始点。给定单一起点，算法极可能掉进局部最优的陷阱。实测中换 5~10 个不同起点各跑一遍，命中全局较优解的概率明显更高。停止条件通常是达到最大迭代次数，或相邻评估值变化低于阈值——没改进就停，不会无限跑。外汇与贵金属市场高风险，参数回测优解不预示实盘表现，开 MT5 用多起点跑完务必做样本外验证。

◍ 把调好的神经网络塞进 MT5 的 ONNX 通道

从 MT5 终端导出的 CSV 只是起点。在上下文菜单点「符号」→「柱形图」搜到品种后导出的数据，配合下面这段代码就能在 Python 里打标签、做时序交叉验证，再转成 ONNX 给 MQL5 调用。 [CODE] 段里的 brent["Target"] = brent["Close"].shift(-look_ahead) 用 20 根 K 线后的收盘价当标签，look_ahead=20 是硬参数；TimeSeriesSplit(n_splits=5,gap=20) 把数据切成 5 段、段间空 20 根防泄露。直接抄去改路径就能跑。超参数寻优那一轮，Nelder-Mead 因 nfev=600 触发「Maximum number of function evaluations has been exceeded」，最终 fun: 0.1202，x 落在 [0.7575, 0.3577, 0.2621]。由于目标函数内含 5 折交叉验证，600 次评估等于把神经网络拟合了 3000 次，单轮优化耗时 1332.99 秒——真机跑之前先掂量 CPU。同数据集上定制模型对比默认模型，前 10 次 CV RMSE 里定制模型有多组低于 0.55、默认模型却出现 82.18 这类爆炸值；但两者共用训练集评估，结论只能说定制网络「倾向」更稳，不能当泛化证明。外汇与贵金属数据噪声大，实盘前务必拆训练/测试集重测。转 ONNX 后用 Netron 看元数据：输入 float_input 形状 [1,4] 对应 Open/High/Low/Close，输出 variable 形状 [1,1] 即未来价位预测。确认完形状，MQL5 侧就能用 ONNX 推理接口接这个文件，不必重训。

MQL5 / C++

class="macro">#class="kw">import libraries we need
class="kw">import pandas as pd
class="kw">import numpy as np
from numpy.random class="kw">import randn,rand
class="kw">import seaborn as sns
class="macro">#Read in our market data
brent = pd.read_csv("/home/volatily/market_data/Market Data UK Brent Oil.csv", sep="\t")
class="macro">#Preparing to label the data
look_ahead = class="num">20
class="macro">#Defining the target
brent["Target"] = brent["Close"].shift(-look_ahead)
class="macro">#Drop missing values
brent.dropna(inplace=True)
class="macro">#In this article we will cover some techniques for hyper-parameter tuning
from scipy.optimize class="kw">import minimize
from sklearn.neural_network class="kw">import MLPRegressor
from sklearn.model_selection class="kw">import TimeSeriesSplit
from sklearn.metrics class="kw">import root_mean_squared_error
class="kw">import time
class="macro">#Define the time series split parameters
splits = class="num">5
gap = look_ahead
class="macro">#Create the time series split object
tscv = TimeSeriesSplit(n_splits=splits,gap=gap)
class="macro">#Create a dataframe to store our accuracy
current_error_rate = pd.DataFrame(index = np.arange(class="num">0,splits),columns=["Current Error"])
class="macro">#Define the predictors and the target
predictors = ["Open","High","Low","Close"]
target = "Target"
class="macro">#Define the objective function
def objective(x):
    class="macro">#The parameter x represents a new value for our neural network&class="macro">#x27;s settings
    class="macro">#In order to find optimal settings, we will perform class="num">10 fold cross validation using the new setting
    class="macro">#And class="kw">return the average RMSE from all class="num">10 tests
    class="macro">#We will first turn the model&class="macro">#x27;s Alpha parameter, which controls the amount of L2 regularization
    model = MLPRegressor(hidden_layer_sizes=(class="num">5,class="num">2),alpha=x[class="num">0],early_stopping=True,shuffle=False,learning_rate_init=x[class="num">1],tol=x[class="num">2])
    class="macro">#Now we will cross validate the model
    for i,(train,test) in enumerate(tscv.split(brent)):
        class="macro">#The data

→

使用MQL5和Python构建自优化EA（第二部分）：调整深度神经网络·进阶篇

常见问题

把训练好的模型导出为 ONNX 格式，再通过 MT5 的 ONNX 推理接口加载调用，无需重写网络结构即可在 EA 内做预测。

外汇贵金属波动非平稳、噪声大，默认学习率与层数常过拟合或滞后，需针对品种重新调参才可能适配。

小布盯盘的 AIGC 已内置常见模型诊断与参数体检，打开对应品种页即可看到调参建议，把重复劳动交给小布你专注决策。

可用 Nelder-Mead 单纯形法做无梯度直接搜索，靠反射、扩张、收缩在参数空间里迭代找较优解，适合小参数规模。

外汇场景小网络通常数百到数千次函数评估可见收敛倾向，具体看参数维度和目标函数噪声，建议先小规模试跑。