数据科学和机器学习（第 29 部分）：为 AI 训练目的而选择最佳外汇数据的基本技巧（基础篇）
挑外汇数据喂AI前先过特征选择这一关
在 MT5 上做外汇或贵金属的 AI 训练，直接把几十个指标一股脑丢进模型，往往换来的是过拟合和样本外崩盘。特征选择就是先筛掉冗余和噪声变量，只留对价格运动有解释力的输入。外汇保证金和贵金属杠杆交易高风险，模型再漂亮也得用历史外数据验证。 为什么非做不可？MT5 导出的 tick 或分钟级数据维度极高，EURUSD 一天就能产生上万行样本，若特征间高度共线，梯度下降会来回震荡，训练集精度虚高但实盘概率倾向失效。 常用三路打法：过滤法看相关矩阵和统计检验（卡方、ANOVA），包装法用递归特征消除（RFE）和顺序特征选择（SFS）反复试子集，嵌入式法靠套索回归和决策树自带的重要性权重边训边砍。降维如 PCA 可作为补充，但会损失可解释性，盯盘派一般更爱保留原始价格行为特征。
◍ 信息过剩下的特征筛选
MT5 终端里内置指标超过 36 个，可交易品种对也有 100 多个，再加上新闻流，手工交易或搭建 AI 模型时，手头素材其实严重过剩。 但常识告诉我们，这些里头肯定混着不少噪声：不是每个指标、每类数据都对某个品种或某套逻辑有用，硬塞进模型只会拖慢效率。 特征选择要解决的正是这件事——从一堆可用数据里挑出真正对交易决策和机器学习有用的子集，避免用错信号。外汇与贵金属波动受宏观与流动性影响大，错用特征会放大高风险下的误判概率。
「挑特征就是在给模型减负」
特征选择干的事，是从原始数据里筛出对预测真正有用的那部分变量，把噪音和弱相关项丢出去。它本质是给模型做减法：喂进去的维度越干净，过拟合的概率越低，训练时的计算开销也越小。 在 MT5 用 Python/R 外接做信号模型时，如果你把 50 个指标全塞进随机森林，跑一次调参可能要十几分钟；先做单变量相关性过滤，剩 8~12 个特征，同样的网格搜索能压到 2 分钟内出结果。 这一步不是可选项。特征堆得越多，模型越容易记住样本里的随机扰动，而不是学出价格行为的真实结构，外汇和贵金属这种高噪声市场里尤其明显，杠杆品种波动受消息扰动大，垃圾特征会直接把回测曲线美化到失真。
特征选择为什么是AI模型的命门
在 MT5 里跑 AI 信号，28 个变量全喂进去基本等于自找过拟合。特征选择第一步就是砍掉不相关或冗余的输入，模型维度降下来，CPU 和内存开销直接变小，回测速度也能提一截。 更关键的是预测质量：只留信息量最大的特征，模型对“下一根蜡烛开盘价 TARGET_OPEN”和“收盘价 TARGET_CLOSE”的拟合倾向更干净，准确率和泛化能力可能明显优于全量特征。 特征少了，逻辑也更容易被人看懂。你调参时能说清“为什么这个变量在影响输出”，而不是被黑箱反噬。 顺带一提，外汇和贵金属波动受噪声驱动，太多无关列容易让模型背下噪声，实盘高风险环境下容易翻车。特征选择本质是给模型去噪，降低过拟合概率。 我们用的数据集就是前文那套 28 变量的行情切片，目标是从中筛出跟 TARGET_OPEN、TARGET_CLOSE 最相关的列，丢掉弱相关项。主流方法分三类：筛选、包装、嵌入。 筛选法不依赖具体模型，先独立评估每个特征。常见做法是拉相关矩阵、跑统计检验，看单变量和目标列的相关性强度再决定留谁。
◍ 用相关矩阵给特征降噪
相关矩阵本质是一张记录变量间线性相关程度的表，表里每个格子填的是相关系数，取值范围锁死在 -1 到 1。1 代表两个量同涨同跌且比例固定，0 代表完全各走各的，-1 则是你升我必降的镜像关系。 在 MT5 导出的行情样本里（开高低收、成交量、时间字段等），先算一张全量相关矩阵，代码见下。矩阵太大时别硬看全图，先盯两类关系：特征之间、以及特征与目标之间。 特征彼此高度相关会触发多重共线性，线性类模型的系数估计会飘。实测开高低收三个字段相关性在 99.x%（四舍五入常显示 100%），这种冗余可直接删到只留一个，或用降维方法压缩。 特征与目标变量的强相关才值得留，信息量高、对预测帮助大；但 DAYOFWEEK、MONTH 这类类别字段不能直接进相关矩阵，因为系数只衡量数值变量的线性关系。后续可用统计检验筛出与目标显著相关的数值特征再喂模型。
# Compute the correlation <span class="keyword">matrix</span> corr_matrix = df.corr() # We generate a mask <span class="keyword">for</span> the upper triangle mask = np.triu(np.ones_like(corr_matrix, dtype=<span class="keyword">class="type">bool</span>)) cmap = sns.diverging_palette(<span class="number">class="num">220</span>, <span class="number">class="num">10</span>, as_cmap=True) # Custom colormap plt.figure(figsize=(<span class="number">class="num">28</span>, <span class="number">class="num">28</span>)) # <span class="number">class="num">28</span> columns to fit better # Draw the heatmap with the mask and correct aspect ratio sns.heatmap(corr_matrix, mask=mask, cmap=cmap, vmax=<span class="number">class="num">1.0</span>, center=<span class="number">class="num">0</span>, annot=True, square=True, linewidths=<span class="number">class="num">1</span>, cbar_kws={"shrink": .<span class="number">class="num">75</span>}) plt.title(&class="macro">#x27;Correlation Matrix&class="macro">#x27;) plt.savefig("correlation <span class="keyword">matrix</span>.png") plt.show()