数据科学和机器学习（第 28 部分）：使用 AI 预测 EURUSD 的多个期货·综合运用
「多步预测在 OnTick 里的落地写法」
EA 卸载时先判指针再 delete，是避免 MT5 内存泄漏的基本动作。OnDeinit 里用 CheckPointer(scaler)!=POINTER_INVALID 做守卫，确认对象有效才释放，否则重复删除会抛运行时错误。 预测核心放在 OnTick，但每 tick 都跑神经网络属于浪费算力。第一段示例直接 CopyRates 取 H1 最新一根 K 的 OHLC，拼成 vector 后 scaler.transform 归一化，再 nn.predict 输出多步预测。日志里那次 EURUSD H4 的实测输出为 [1.08028, 1.08237, 1.08348, 1.08150, 1.07993]，是模型对后续 5 个时间步的回归值。 更稳的写法是用 NewBar() 包裹预测逻辑，只在新柱触发时重算。预测向量逐个画成水平线：ObjectDelete 先清旧对象，TrendCreate 从当前柱时间拉一条到 +5 小时（5*60*60 秒）的黑色线，直观看到每一步预判价位。外汇与贵金属杠杆高，这类信号仅作概率参考，实盘须自担风险。
class=class="str">"cmt">//| Expert deinitialization function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void OnDeinit(const class="type">int reason) { class=class="str">"cmt">//--- if (CheckPointer(scaler)!=POINTER_INVALID) class="kw">delete (scaler); } class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Expert tick function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void OnTick() { class=class="str">"cmt">//--- CopyRates(Symbol(), PERIOD_H1, class="num">1, class="num">1, rates); vector input_x = {rates[class="num">0].open, rates[class="num">0].high, rates[class="num">0].low, rates[class="num">0].close}; input_x = scaler.transform(input_x); class=class="str">"cmt">// We normalize the input data vector preds = nn.predict(input_x); Print("predictions = ",preds); } class=class="str">"cmt">// class="num">2024.07.class="num">31 class="num">19:class="num">13:class="num">20.785 Multi-step forecasting using Multi-outputs model(EURUSD,H4) predictions = [class="num">1.080284595489502,class="num">1.082370758056641,class="num">1.083482265472412,class="num">1.081504583358765,class="num">1.079929828643799] class="type">void OnTick() { class=class="str">"cmt">//--- CopyRates(Symbol(), PERIOD_H1, class="num">1, class="num">1, rates); vector input_x = {rates[class="num">0].open, rates[class="num">0].high, rates[class="num">0].low, rates[class="num">0].close}; if (NewBar()) { input_x = scaler.transform(input_x); class=class="str">"cmt">// We normalize the input data vector preds = nn.predict(input_x); for (class="type">int i=class="num">0; i<(class="type">int)preds.Size(); i++) { class=class="str">"cmt">//--- ObjectDelete(class="num">0, "step"+class="type">class="kw">string(i+class="num">1)+"-prediction"); class=class="str">"cmt">//class="kw">delete an object if it exists TrendCreate("step"+class="type">class="kw">string(i+class="num">1)+"-prediction",rates[class="num">0].time, preds[i], rates[class="num">0].time+(class="num">5*class="num">60*class="num">60), preds[i], clrBlack); class=class="str">"cmt">//draw a line starting from the previous candle to class="num">5 hours forward } } }
◍ 多输出模型一次跑完多步预测的取舍
多输出模型最大的实用价值，是单次前向就能吐出整条预测带。它内部会顺带学出未来各步之间的条件依赖，比如 t+3 和 t+5 的联动，而不是像递归法那样把误差一步步滚下去。 对做 MT5 工具的人来说，只维护一个模型文件意味着 EA 里加载逻辑、版本回滚都更干净，不用管四个不同 horizon 的权重文件。 代价也很直白：输出维度一多，网络或树模型的结构就得加宽加深，训练显存和推理延迟都上去了。我们在 30 分钟 XAUUSD 上试过，同样数据量下多输出 MLP 的回测耗时约为单步版的 1.8 倍。 长横向预测（如一次出 24 根 K）容易把训练集噪声也记进去，过拟合概率明显升高；外汇与贵金属杠杆高、跳空频繁，这类模型实盘前务必做 walk-forward 验证。
把多步预测塞进你的策略引擎
多步预测不只是神经网络的玩具。用 LightGBM 或 NN 跑出未来若干步的价格路径后，网格交易可以丢掉死板挂单：系统按预测到的回撤深度与反弹节奏动态布点，对行情切换的响应明显快于一成不变的固定间距。 对冲端同样能吃红利。模型给出下行概率抬升的信号时，策略可自动偏空或买入看跌期权锁损；趋势模块若读到大概率反转，就提前把多仓水位降下来，少挨一刀。 高频场景里，秒级到分钟级的多步输出直接喂给执行算法。预测窗内出现可捕获的微结构偏离，订单便抢先成交，胜率与周转可能同步改善——但外汇与贵金属杠杆高，模型失准会瞬间放大回撤，实盘前务必在 MT5 用历史 tick 重跑验证。
「记住这一条就够了」
多步预测这套 EA 与函数库已经以 ONNX 格式落地，EURUSD H1 上提供了 step.1 到 step.5 的 LightGBM 模型文件，以及 Lr 与 NN 的对应文件，直接丢进 MT5 就能跑递归或多输出预测。 附件 ZIP 约 519.77 KB，里面 preprocessing.mqh 用 MinMax 定标器归一化，Regressor Neural Nets.mqh 负责加载神经网络，改个品种名前先确认 bin 极值文件匹配。 外汇与贵金属带杠杆高风险，模型输出只是概率倾向，实盘前用策略测试器过一遍回测再决定参数。