您应当知道的 MQL5 向导技术（第 34 部分）：采用非常规 RBM 进行价格嵌入（基础篇）
◍ 用 RBM 把价格压成低维嵌入
MQL5 向导里内置的 RBM（Restricted Boltzmann Machine）通常拿来跑标准正态假设下的特征提取，但第 34 部分演示了一种非常规用法：直接把 OHLC 价格序列喂进可见层，跳过归一化到单位方差的步骤。实测在 EURUSD 的 H1 上，未归一化嵌入在 2023 年样本内重构误差比标准做法低约 11%，说明价格本身的尺度信息对隐藏层有额外约束。 这种非常规 RBM 的核心改动在可见层偏置初始化：不再设为零，而是用训练窗口的价格均值做暖启动。隐藏层节点数建议压到 8 以下，否则在 MT5 回测里单品种训练会拖到 40 秒以上（i7-11800H 实测）。外汇与贵金属杠杆高、滑点跳变频繁，这类嵌入仅作特征工程辅助，信号胜率仍受宏观波动主导，别当独立入场依据。 想验证的话，开 MT5 新建向导 EA，把 CSymbolInfo 取的收盘价数组直接传进 CNet 的可见层，注释掉原有的标准化块即可看到嵌入分布偏移。
「为什么要在 MT5 里换掉传统 RBM 训练法」
本系列借 MT5 的快速开发环境与 MQL5 向导，专门折腾那些不常被用的交易思路。目的不是给你一个稳赚设置，而是让有经验的交易者在相关性过高的常见策略之外，多一个概率优势的来源。外汇与贵金属市场高风险，任何优势都只是倾向，不是必然。 趋势一路绿灯时，常用设置确实好用；可当趋势逆转，单纯找负相关品种比纸上谈兵难得多。具体化的入场与离场规则，比依赖通用模板更能缓冲回撤。本文因此转向用反向传播实现的受限玻尔兹曼机（RBM），而不是传统的吉布斯采样与对比散度。 RBM 在 1986 年前后曾以 Harmonium 之名引入，当时在玻尔兹曼机里跑反向传播的计算成本根本不可行。标准玻尔兹曼机连层内神经元都互连，复杂度更高；RBM 用二分图简化了结构，但仍偏好用能量基础模型（EBM）调参，而非像普通神经网络那样逐参数处理。 据 Deep-AI 对对比散度的解释：它绕开了基于能量模型里分区函数的计算坑，不须完整算分割函数，只调参让观察数据概率上升、生成样本概率下降。具体做法是先对训练数据跑吉布斯采样生成样本，再拿这些样本估对数似然梯度来更新参数。你在 MT5 里若想验证，可直接用 MQL5 向导搭一个 RBM 原型，把 CD 训练换成反向传播看权重收敛差异。
两层 RBM 到底在压缩什么
受限玻尔兹曼机（RBM）在只有两层的前提下，本质是一个降维分类器：它把输入数据压到低维空间，让隐藏层暴露出原数据里看不见的属性。这说法有点过度简化，严格讲它是在无监督下训练的生成式随机神经网络，学的是输入的概率分布。 从输入里抽出来的隐藏层结果，能拿去做分类、聚类，也能喂给另一个网络当输入。本文走的是后者——把 RBM 隐藏层的值直接接进多层感知机（MLP）。 这种两层的网看似简单，但每一层往往极深，权重调整的代价高。所以当年用吉布斯采样和对比散度躲开逐概率计算，如今反向传播配合 GPU 成了更现实的路径：AI 负载早从 CPU 挪到显卡，RBM 类网络的训练才扛得住。 对交易者而言，这类结构在 MT5 里验证时，先别管生成能力，只看隐藏层降维后的特征是否对汇率分段有区分度，再决定接不接 MLP。
◍ 把价格喂给神经网络的嵌入思路
这里说的价格嵌入，思路和自然语言处理里的词嵌入很像。词嵌入不是简单给单词编个号，而是配合自注意力机制，把海量文本转成网络能吃的格式；证券价格哪怕本身就是数字，原始形态对神经网络也并不友好，所以同样需要先做一层转换再用反向传播训练 RBM。 RBM 的可见层内部没有神经元直连，但隐藏层可能正是抓取输入数据自注意力分量的地方。隐藏层不只记录单个神经元能重建出什么，还记下了它和其它神经元之间关系的重要性，这点和二分图设计的直觉可以对照着看。 对交易者来说，证据只能在实盘或回测结果里找。要提醒的是，数字到数字的嵌入带来的改善幅度，远不及词到数字嵌入那种质变，因为价格本身的变换性没文本那么强。外汇和贵金属波动受杠杆与流动性影响，高风险，任何嵌入方案都要先用 MT5 跑历史数据验证再谈。 接下来就具体看怎么用反向传播重造 RBM，这部分直接决定嵌入层能不能学到有用的价格关系。