您应当知道的 MQL5 向导技术（第 31 部分）：选择损失函数（基础篇）
◍ 向导建模先挑损失函数
MQL5 向导在生成交易系统骨架时，并不只靠指标堆叠，背后是一套监督式模型训练逻辑。2025 年 5 月 5 日发布的第 31 部分技术文指出，损失函数的选择直接决定模型对“错判”的惩罚倾向，进而影响信号过滤的激进程度。 默认配置多用均方误差（MSE），它对离群样本敏感，容易在贵金属跳空行情里过度拟合噪声。换成平均绝对误差（MAE）或分位数损失，模型对极端影线更钝感，回测曲线可能更平滑，但入场延迟会上升。 外汇与贵金属属高杠杆高风险品种，任何损失函数调整都只是改变误差分配，不承诺胜率提升。打开 MT5 的向导高级选项，把 Loss Function 从 MSE 切到 Quantile，跑同一段 2024 年 XAUUSD 日线，对比信号触发次数即可验证差异。
损失函数不止一种写法
在 MT5 的 MQL5 向导里，损失函数从来不是单选项。翻一下 ENUM_LOSS_FUNCTION 枚举，里面直接列了 14 种可用项，而且官方列表本身就不算穷尽。这意味着你没法靠一个固定损失函数通吃所有网络结构，细微的格式差异往往决定训练走向。 神经网络可能是回归器也可能是分类器，可能是监督也可能是无监督，强化学习还常要 multiplex 地用损失。损失函数的核心活儿，是量化测试参数和预期目标的偏差——这一步就是监督学习的主轴。 别以为无监督就能甩开损失函数。像 Kohonen 映射或聚类，衡量多维数据的距离间隙时，仍要一个标准化量值，损失函数正好补上这个空档。外汇与贵金属市场高波动、高杠杆，任何训练设定都只是概率倾向，实盘前务必在 MT5 用历史数据回测验证。
「MT5 里 14 种损失梯度的实战取舍」
MT5 的向量类型内建了 14 种损失函数量化方法，本小节先过其中 8 种核心逻辑。需要提醒的是，外汇与贵金属杠杆交易属高风险，以下仅作技术验证参考，不预示任何收益。
| 均方误差（MSE）取预测向量 y^ 与目标向量 y 之差的平方均值，公式 1/n·Σ(y^ᵢ−yᵢ)²。它对大误差平方惩罚重、梯度平滑，适合梯度下降，但异常值会扭曲训练。平均绝对误差（MAE）去掉平方，公式为 1/n·Σ | y^ᵢ−yᵢ | ，单位与目标一致、对异常值钝感，但微分输出在 +1/−1/0 间跳变，回归收敛不如 MSE 顺。 |
|---|
类别交叉熵（CCE）永远输出多维向量，衡量预测概率分布 p 与实际独热编码 y 的差距：−Σ y·log(p)。它配 Soft-Max 输出各类概率，对数项重罚「高置信但错判」，类别过多易过拟合。二元交叉熵（BCE）是其两类特例，输出 0~1 概率，宜配 hard-sigmoid，内建返回正负类两个概率的向量。 Kullback-Leibler 散度 Σ P·log(P/Q) 衡量预测 P 与真实 Q 的发散，0 表无偏、上不封顶；它对零概率敏感（遇零则另一项趋无穷），且不对称，迁移学习吃亏。余弦相似性走方向路线：A·B/(‖A‖·‖B‖)，尺度不变、算力低，适合文本嵌入类高维数据，但范数为零则未定，也不满足三角不等式，不能当严格量值。 泊松损失针对可数离散数据，梯度为 y^ᵢ−yᵢ 的向量形式，可投喂蜡烛涨跌类型让网络预测未来 N 根中某类蜡烛数；要求均值≈方差，否则表现差，且仅限正值。Huber 损失由 Delta 切分线性和二次区：小误差似 MAE、大误差似 MSE，鲁棒回归首选，但分段公式与理想 Delta 判定偏繁琐，MQL5 标准库未公开其增量算细节，建议配线性激活。 下面这段脚本可直接在 MT5 跑，切换 __loss 输入就能观察不同损失梯度。把 _a 当预测、_b 当目标，例如 {1,2,4} 对 {4,12,36} 在 LOSS_HUBER 下的梯度与标量损失会一并打印，验证上面说的分段行为。
class="macro">#class="kw">property script_show_inputs input ENUM_LOSS_FUNCTION __loss = LOSS_HUBER; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Script program start function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void OnStart() { class=class="str">"cmt">//--- vector _a = {class="num">1.0, class="num">2.0, class="num">4.0}; vector _b = {class="num">4.0, class="num">12.0, class="num">36.0 }; vector _loss = _a.LossGradient(_b,__loss); printf(__FUNCSIG__+" for: "+EnumToString(__loss)); Print(" loss gradient is: ",_loss); PrintFormat(" class="kw">while loss is: %.5f. ",_a.Loss(_b,__loss)); } class=class="str">"cmt">//+------------------------------------------------------------------+
◍ 回归网络该配什么损失与输出
做回归网络，目标不是分类型别而是吐出一串连续实数，输出跨度往往很宽。要让优化器把预测值和真实值之间的大偏差压下去，MSE 是首选：它对误差是二次惩罚，大错立刻被放大，梯度下降会快速把偏差收窄，而且函数平滑、好求导，契合连续数据。 但回归网络最怕异常值把权重带偏。MSE 的二次惩罚在这里反而吃亏，MAE 改成线性惩罚，对离群点明显更钝感，在嘈杂行情序列里更稳，给出的平均误差量值也更具鲁棒性。 想在灵敏和耐造之间取平衡，Huber-损失把两套性质揉在一起，小误差走二次、大误差走线性，还保留平滑可微。至于输出层激活，常规建议用线性或恒等激活，不约束量级以保留数据可变性；但我更信有约束输出，Soft-Sign 和 TANH 能把正负实数都吃进 -1.0 到 +1.0 的区间，反向传播时不容易梯度膨胀或消失，这俩毛病在 MT5 上跑神经网络最头疼。 外汇与贵金属波动烈度高、跳空频繁，用这类网络做价格回归务必用小样本先做离线与在线一致性校验，异常值处理不当模型可能直接失真。