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·综合运用
（3/3）·把 RBM 与 MLP 集成进 EA 回测，看非常规嵌入如何改写交易信号结构
◍ 把 RBM 隐藏分布喂给 MLP 的 Extractor 实现
RBM 训练完权重后，拿到的是价格数据的概率分布，也就是所谓的价格嵌入，而不是原始的价格变化量。这个嵌入在 Extractor 函数里被直接转交给 MLP；如果此时带有标签（目标值），MLP 会同步训练，否则只做前向推理。 关键点在训练边界的控制。最近的价格变化不能当成标签，所以必须持续跟踪是否还在训练集内。Extractor 的第三个输入参数是布尔量 Train，默认 true；一旦跑完训练集且没有标签，就置为 false，停止反向传播。 RBM 结构偏分类器（有激活和损失函数），但 MLP 在这里更适合当回归器：它的单浮点输出可为负，所以用 soft-sign 激活加 Huber 损失。两个网络目前都没精细调参——它们共用初始权重和乖离、学习率固定、且并发训练（一个会话训两个网）。更合理的做法可能是先训完 RBM 再单独训 MLP，或给两者不同规模会话与自适应学习率，这些留给你在 MT5 里验证。 下面这段是 Extractor 的 MQL5 源码，返回向量 _extraction，实际只取下一次价格变化那一个值： //+------------------------------------------------------------------+
| // |
|---|
//+------------------------------------------------------------------+ vector CSignalEmbedding::Extractor(vector &Embedding, vector &Labels, bool Train = true) { vector _extraction; _extraction.Init(MLP.output.Size()); m_learning.rate = m_learning_rate; for(int i = 1; i <= m_epochs; i++) { MLP.LearningType(m_learning, i); MLP.Set(Embedding); MLP.Forward(); _extraction = MLP.output; if(Train) { MLP.Get(Labels); MLP.Backward(m_learning, i); } } return(_extraction); } 逐行拆解： 第1行：定义 Extractor 成员函数，接收嵌入向量、标签向量和训练开关（默认开）。 第3行：声明返回向量 _extraction。 第4行：按 MLP 输出尺寸初始化提取向量。 第5行：把类内学习率赋给本次训练用学习率。 第6行：按 epoch 数循环训练。 第8行：设置 MLP 当前轮次的学习类型。 第9行：把嵌入向量塞进 MLP 输入。 第10行：前向计算拿输出。 第11行：把 MLP 输出存到提取向量。 第12行：若 Train 为真才进训练分支。 第14行：把标签灌给 MLP。 第15行：反向传播更新权重。 第18行：返回提取结果。 外汇与贵金属市场波动剧烈、杠杆风险高，任何模型输出都只是概率倾向，实盘前请用历史数据充分回测。
vector CSignalEmbedding::Extractor(vector &Embedding, vector &Labels, class="type">bool Train = true) { vector _extraction; _extraction.Init(MLP.output.Size()); m_learning.rate = m_learning_rate; for(class="type">int i = class="num">1; i <= m_epochs; i++) { MLP.LearningType(m_learning, i); MLP.Set(Embedding); MLP.Forward(); _extraction = MLP.output; if(Train) { MLP.Get(Labels); MLP.Backward(m_learning, i); } } class="kw">return(_extraction); }
「GBPUSD 日线神经网络权重与阈值的优化实况」
我们拿 GBPUSD 的 2023 年日线数据跑了一遍优化，目标只有两个：找到两个神经网络的理想初始权重与乖离，以及自定义信号类里 LongCondition / ShortCondition 的开关仓阈值和以点数为单位的止盈。注意，这两个网络各自只暴露一个输入参数，结构上并不算充裕，调参空间天然受限。 这轮跑的只是非穷举式的若干次运行，向导拼出来的智能系统确实能下单，但样本仅覆盖单年日线。要确认稳健性，还得拉长历史回测并做前向游走（walk-forward）通验，靠单次优化直接信得过的概率偏低。 外汇与贵金属属高风险品种，神经网络信号尤其吃权重与偏差设定。实操上务必把两套网络的权重和偏差做版本化记录与保存，否则换环境重跑优化会直接丢失已得的信号逻辑。
把工具请下神坛
衡量 RBM 作为价格嵌入器的有效性，最直接的办法是拉一个纯 MLP 信号做对照组：它吃原始先验价格变化，用和本文 MLP 相同的锚点类做二手训练去预测下一帧价格变化。这套对照搭建成本不高，跑一年回测就能看出嵌入器是否真把信噪比拉开了。 把 RBM 直接喂进 MLP、而非绕路预处理，分类器与回归器协同的实测表现通常更好。回归器大多吐单个浮点值（可负），借分类输入做配对在逻辑上站得住；后续扩展建议并行排多个 RBM 当变换器提示，而不是堆深度——深度分类器比深度回归器更适合做专业化。 价格变化不是唯一的嵌入素材。蜡烛形态、指标值、经济日历新闻都能塞给 MLP 找嵌入，但每种源的外汇与贵金属测试结果差异极大，且杠杆品种高风险，须由你按自己盯盘习惯定制。文件包里 Cmlp-.mqh 与 C_u_rbm.mqh 已给出可编译骨架，开 MT5 挂上 wz_34.mq5 改一组输入源，比争论哪种网络更神来得实在。