📉
重构经典策略（第七部分）：基于USDJPY的外汇市场与主权债务分析·进阶篇
（2/3）· 当美日10年债收益率差与汇率相关性达-0.85，为什么纯价量模型反而误差更低？
很多交易者把政府债收益率差直接当汇率方向指针，却忽略模型在未知数据上的泛化表现。用相关性强的宏观因子训练，测试误差未必低于最简单的OHLCV输入。把训练集表现当实盘预期，是回测漂亮、上线翻车的高发原因。
本章目录
用箱线图拆开多组验证损失
这段 Python 片段干的事很直接：把不同预测因子组合的验证损失摊开看分布，而不是只看一条均值曲线。它先建了一个 2 行 4 列、共享 xy 轴的画布，尺寸 16×10，一次性把 8 个因子的损失箱线图排好。 循环里对每张子图调用 boxplot，数据来自 ohlc_validation_loss 的第 i 列，标题用 columns[i] 标清楚是哪一类因子。债券类数据单独跑了一遍 bonds_validation_loss，同样用 plt.plot 画折线再加 legend，肉眼比对和 OHLC 组差异。 最后 all_validation_loss 是把全部数据掺一起后的结果，箱线图能暴露离群点和方差膨胀——哪一组中位数低、须短，哪一组更可能在样本外稳住。开 Jupyter 把这三段粘进去，换你自己的 validation_loss 矩阵，就能立刻看到因子层面的稳定性断层。
MQL5 / C++
fig,axs = plt.subplots(class="num">2,class="num">4,sharex=True,sharey=True,figsize=(class="num">16,class="num">10)) for i,ax in enumerate(axs.flat): ax.boxplot(ohlc_validation_loss.iloc[:,i]) ax.set_title(columns[i]) class="macro">#Our results using the bonds data bonds_validation_loss class="macro">#Visualizing the results of using the bonds predictors plt.plot(bonds_validation_loss) plt.legend(columns) class="macro">#Visualizing the results of using the bonds predictors fig,axs = plt.subplots(class="num">2,class="num">4,sharex=True,sharey=True,figsize=(class="num">16,class="num">10)) for i,ax in enumerate(axs.flat): ax.boxplot(bonds_validation_loss.iloc[:,i]) ax.set_title(columns[i]) class="macro">#Our results using all the data we have all_validation_loss class="macro">#Visualizing the results of using the bonds predictors plt.plot(all_validation_loss) plt.legend(columns) class="macro">#Visualizing the results of using the bonds predictors fig,axs = plt.subplots(class="num">2,class="num">4,sharex=True,sharey=True,figsize=(class="num">16,class="num">10)) for i,ax in enumerate(axs.flat): ax.boxplot(all_validation_loss.iloc[:,i]) ax.set_title(columns[i])
◍ 用 SHAP 与后向消除交叉验证特征权重
SHAP 值用来量化每个输入相对基线对模型预测的贡献。以线性 SVR 预测 USDJPY 走势为例，将特征按重要性自上而下排列后，收盘价处在最顶端，政府债券类数据紧接所有价格数据之后，而成交量被排在更次要的位置——这暗示债券数据可能比本地市场的 tick_volume 更具解释力。 后向消除则从完整模型起步，逐轮剔除特征直到 5 折交叉验证下的 neg_mean_squared_error 不再改善。mlxtend 跑出的入选集合为 ('open usa','high usa','tick_volume usa','open japan','low japan','close','tick_volume')，可见债券相关字段未被单独列出，但美日两侧的开高低收与量价全数保留，说明算法对纯价格结构的依赖强于 SHAP 图给出的债券偏好。 两种解释器结论不完全一致，模型解释本身带有误差，不能直接当真理。图19 显示误差率随特征剔除未剧烈跳动，即便在特征子集较小时模型也可能保持稳定，这对小样本外汇建模是正向信号，但贵金属与外汇杠杆交易高风险，关系仅为概率倾向。 想自己复现，把下面代码贴进 MT5 配套的 Python 环境即可，LinearSVR 与 SHAP 版本需提前装好。
MQL5 / C++
class="macro">#Feature selection class="kw">import shap class="macro">#The SVR performed quite well, let&class="macro">#x27;s inspect it further model = LinearSVR() model.fit(train_X,train_y) class="macro">#Calculate SHAP Values explainer = shap.Explainer(model.predict,test_X) shap_values = explainer(test_X) shap.plots.beeswarm(shap_values) class="macro">#Let&class="macro">#x27;s also perform backward selection from mlxtend.feature_selection class="kw">import SequentialFeatureSelector as SFS from mlxtend.plotting class="kw">import plot_sequential_feature_selection as plot_sfs class="macro">#Reinitialize the model model = LinearSVR() class="macro">#Prepare the feature selector sfs = SFS(model, k_features=(class="num">1,train_X.shape[class="num">1]), forward=False, n_jobs = -class="num">1, scoring="neg_mean_squared_error", cv=class="num">5) class="macro">#Fit the feature selector sfs_results = sfs.fit(train_X,train_y) class="macro">#The best features we identified sfs_results.k_feature_names_ class="macro">#Prepare the plot fig1 = plot_sfs(sfs_results.get_metric_dict(),kind="std_dev") plt.title("Backward Selection on our Linear SVR") plt.grid()
「调参跑完反而印证了默认设置」
把线性支持向量回归从普通拟合推进到超参数搜索，核心是用随机化搜索在多维网格里找更优组合。下面这段 Python 代码可直接复现调优过程，重点看参数空间怎么铺的。
MQL5 / C++
逐行拆解：第 2 行导入 RandomizedSearchCV，负责做随机化交叉验证搜索；第 4 行把 LinearSVR 重新实例化，避免上次拟合的权重污染搜索。第 5–11 行定义参数空间，epsilon 从 0 跨到 100 故意拉大跨度，tol 从 0.1 收到 0.00001 测数值收敛敏感度，C 从 1 到 100000 覆盖正则强弱两端。
n_jobs=-1 表示占满所有 CPU 核心并行跑，n_iter=100 代表从参数空间里随机抽 100 组组合做评估，scoring 用负均方误差，值越大（负得越少）越好。最后两行执行搜索并取出最优参数组合。
跑出来的 best_params_ 是 {'tol': 0.0001, 'loss': 'epsilon_insensitive', 'fit_intercept': True, 'epsilon': 0, 'C': 1}，和 sklearn 的 LinearSVR 默认配置几乎完全重合。这说明在该样本集上，默认超参已经接近局部最优，手动大幅改动反而可能拖累泛化。外汇与贵金属行情具有高杠杆与跳空风险，这类回归模型只适合做辅助参考，实盘信号须结合价格行为确认。
class="macro">#Parameter tuning from sklearn.model_selection class="kw">import RandomizedSearchCV class="macro">#Reinitialize the model model = LinearSVR() tuner = RandomizedSearchCV(model, { "epsilon":[class="num">0,class="num">0.001,class="num">0.01,class="num">0.1,class="num">25,class="num">50,class="num">100], "tol": [class="num">0.1,class="num">0.01,class="num">0.001,class="num">0.0001,class="num">0.00001], "C" : [class="num">1,class="num">5,class="num">10,class="num">50,class="num">100,class="num">1000,class="num">10000,class="num">100000], "loss":["epsilon_insensitive", "squared_epsilon_insensitive"], "fit_intercept": [False,True] }, n_jobs=-class="num">1, n_iter=class="num">100, scoring="neg_mean_squared_error" ) tuner_results = tuner.fit(train_X,train_y) tuner_results.best_params_
MQL5 / C++
class="macro">#Parameter tuning from sklearn.model_selection class="kw">import RandomizedSearchCV class="macro">#Reinitialize the model model = LinearSVR() tuner = RandomizedSearchCV(model, { "epsilon":[class="num">0,class="num">0.001,class="num">0.01,class="num">0.1,class="num">25,class="num">50,class="num">100], "tol": [class="num">0.1,class="num">0.01,class="num">0.001,class="num">0.0001,class="num">0.00001], "C" : [class="num">1,class="num">5,class="num">10,class="num">50,class="num">100,class="num">1000,class="num">10000,class="num">100000], "loss":["epsilon_insensitive", "squared_epsilon_insensitive"], "fit_intercept": [False,True] }, n_jobs=-class="num">1, n_iter=class="num">100, scoring="neg_mean_squared_error" ) tuner_results = tuner.fit(train_X,train_y) tuner_results.best_params_
用交叉验证揪出过拟合
训练集上跑得漂亮不代表真能泛化，得拿没见过的数据戳一下模型。这里把线性回归、默认 LinearSVR、以及调过参的 LinearSVR 三个模型全 fit 一遍，再用 TimeSeriesSplit 做 5 折时序交叉验证，gap 设成 look_ahead 避免未来信息泄漏。 验证误差存进 overfitting_error 这个 5 行 3 列的 DataFrame，箱线图直接对比三者在未知片段上的 MSE 分布。图 20 显示调参后的 LinearSVR 平均误差最低，说明不仅压过了线性基准，也没在训练集上把噪声当规律背下来。 外汇与贵金属序列里这类过拟合特别容易藏在高频噪声中，MT5 导出的样本外切片建议手动换周期复测，别只信一次拆分的箱线图。
MQL5 / C++
class="macro">#Testing for overfitting baseline_model = LinearRegression() default_model = LinearSVR() customized_model = LinearSVR(tol=class="num">0.0001,loss=&class="macro">#x27;epsilon_insensitive&class="macro">#x27;,fit_intercept=True,epsilon=,C=class="num">1) class="macro">#Fit the models baseline_model.fit(train_X,train_y) default_model.fit(train_X,train_y) customized_model.fit(train_X,train_y) class="macro">#Let&class="macro">#x27;s assess our new accuracy levels test_y = test_y.reset_index() test_X.reset_index(inplace=True) class="macro">#Create our time-series test object tscv = TimeSeriesSplit(n_splits=class="num">5,gap=look_ahead) overfitting_error = pd.DataFrame(columns=columns,index=np.arange(class="num">0,class="num">5)) class="macro">#Cross-validate each model. for j in np.arange(class="num">0,len(columns)): model = models[j] for i , (train,test) in enumerate(tscv.split(test_X)): model.fit(test_X.loc[train[class="num">0]:train[-class="num">1],predictors],test_y.loc[train[class="num">0]:train[-class="num">1],"target"]) overfitting_error.iloc[i,j] = mean_squared_error(test_y.loc[test[class="num">0]:test[-class="num">1],"target"],model.predict(test_X.loc[test[class="num">0]:test[-class="num">1],predictors])) class="macro">#Visualizing the results of using the bonds predictors fig,axs = plt.subplots(class="num">1,class="num">3,sharex=True,sharey=True,figsize=(class="num">8,class="num">4)) for i,ax in enumerate(axs.flat): ax.boxplot(overfitting_error.iloc[:,i]) ax.set_title(columns[i])
◍ 把缩放因子和线性SVR固化为ONNX
在把模型塞进MT5之前，先得解决一个隐性坑：Python里fit时用的是标准化后的数据，EA里如果直接喂原始价格就会全线漂移。做法是按列减均值、除标准差，把每个预测变量的缩放参数落盘，推理时EA端用同一套参数做变换。 下面这段代码先把均值和标准差写进一个DataFrame，再就地标准化merged_data的每一列，最后把缩放因子存到终端的MQL5\Files路径下，文件名带品种与周期便于核对。 模型在所有可获取样本上重新fit后，用skl2onnx转成ONNX，input定义为长度等于预测变量数的浮点张量，target_opset=12。存盘后用netron.start直接起本地可视化，确认输入输出格式和EA端打算传的shape一致再往下走。外汇与贵金属杠杆高，模型失效时回撤可能远超样本内表现，上线前务必在策略测试器用真实点差跑一遍。 别让缩放因子和模型分家：CSV和ONNX必须同批次生成，否则某次重训后均值对不上，EA不会报错但预测会悄悄偏掉。
MQL5 / C++
class="macro">#Create scaling factors scaling_factors = pd.DataFrame(index=("mean","standard deviation"),columns=predictors) class="macro">#Write our the values for i in np.arange(class="num">0,scaling_factors.shape[class="num">1]): scaling_factors.iloc[class="num">0,i] = merged_data.loc[:,predictors[i]].mean() scaling_factors.iloc[class="num">1,i] = merged_data.loc[:,predictors[i]].std() merged_data.loc[:,predictors[i]] = ((merged_data.loc[:,predictors[i]] - scaling_factors.iloc[class="num">0,i]) / scaling_factors.iloc[class="num">1,i]) scaling_factors class="macro">#Save the scaling factors scaling_factors.to_csv("C:\Enter \Your\Path\Here\MetaQuotes\Terminal\D0E82094358C8CF3394F550E51FF075\MQL5\Files\usdjpy scaling factors.csv") class="macro">#Fit the model on all the data we have customized_model.fit(merged_data.loc[:,predictors],merged_data.loc[:,"target"]) class="macro">#Let&class="macro">#x27;s class="kw">import the libraries we need from skl2onnx.common.data_types class="kw">import FloatTensorType from skl2onnx class="kw">import convert_sklearn class="kw">import netron class="kw">import onnx class="macro">#Define the initial input types initial_types = [(&class="macro">#x27;float_input&class="macro">#x27;,FloatTensorType([class="num">1,len(predictors)]))] class="macro">#Create an ONNX representation of the model onnx_model = convert_sklearn(customized_model,initial_types=initial_types,target_opset=class="num">12) class="macro">#Save the ONNX model onnx_name = "USDJPY M1 FLOAT.onnx" onnx.save(onnx_model,onnx_name) class="macro">#Visualize the model netron.start(onnx_name)
「把 ONNX 模型塞进 EA 跑前向预测」
做 USDJPY 这类外汇品种的前向测试，第一步是把训练好的 ONNX 模型编译进程序本体。用 #resource 把 \Files\USDJPY M1 FLOAT.onnx 以 const uchar 数组形式打包，MT5 会在编译期把它嵌进 ex5，省去运行时读外部文件的路径烦恼。外汇与贵金属杠杆高，模型信号只作概率参考，实盘前务必在策略测试器跑足够样本。
全局层先留好接口：long onnx_model 存模型句柄，mean_values[15] 与 std_values[15] 对应 15 维特征的缩放均值和标准差，vector model_output 接模型输出，state 和 prediction 标记当前持仓倾向与最新预测（1 看涨 / 2 看跌）。导入 <Trade/Trade.mqh> 的 CTrade 后，开平仓不用自己拼订单指令。
辅助函数分三块：加载模型并设输入形状为 {1,15}，任一步失败就返回 false 中断 OnInit；读缩放 CSV 时跳过首行列标题，从第二行起把均值和标准差填进数组；预测前用均值方差做标准化，输出转成 1/2 的二元状态，便于识别模型是否喊反转。
OnInit 顺序固定：加载 ONNX → 读缩放值 → 跑一次空预测验证模型活着的。OnDeinit 里释放句柄，别让资源泄漏拖慢终端。每次 OnTick 价格动，先取预测；无持仓就跟信号开仓并记 state，有持仓而预测反向就平掉。图 24、25 的前向测试显示，EA 在检测到反转时自动平仓这一机制是可落地的。
MQL5 / C++
class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| USDJPY Bonds.mq5 | class=class="str">"cmt">//| Gamuchirai Ndawana | class=class="str">"cmt">//| [MQL5官方文档] | class=class="str">"cmt">//+------------------------------------------------------------------+ class="macro">#class="kw">property copyright "Gamuchirai Ndawana" class="macro">#class="kw">property link "[MQL5官方文档] class="macro">#class="kw">property version "class="num">1.00" class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Resources | class=class="str">"cmt">//+------------------------------------------------------------------+ class="macro">#resource "\\Files\\USDJPY M1 FLOAT.onnx" as const class="type">uchar onnx_model_buffer[]; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Global variables | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">long onnx_model; class="type">class="kw">float mean_values[class="num">15],std_values[class="num">15]; vector model_output = vector::Zeros(class="num">1); class="type">int state = class="num">0; class="type">int prediction = class="num">0; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Libraries | class=class="str">"cmt">//+------------------------------------------------------------------+ class="macro">#include <Trade/Trade.mqh> CTrade Trade; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Load our onnx file | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">bool load_onnx_file(class="type">void) { class=class="str">"cmt">//--- Create the model from the buffer onnx_model = OnnxCreateFromBuffer(onnx_model_buffer,ONNX_DEFAULT); class=class="str">"cmt">//--- Set the input shape class="type">ulong input_shape [] = {class="num">1,class="num">15}; class=class="str">"cmt">//--- Check if the input shape is valid if(!OnnxSetInputShape(onnx_model,class="num">0,input_shape)) {
让小布替你跑这套宏观比对
这些美日国债与USDJPY的收益率差诊断，小布盯盘的AIGC已内置，打开对应品种页即可看到实时利差与相关性面板，你只需判断信号权重。
常见问题
高相关不代表高预测力，宏观因子可能存在滞后与共线；纯市场OHLCV更贴近短期供需，时间序列交叉验证下泛化误差更低属正常现象。
LR无可调参数难以适配品种特性，LSVR可通过超参数优调在验证集超越LR基准且不过拟合，更适合导出实盘。
目前小布提供利差与相关性看板辅助判断，ONNX模型自部署需用户在MT5端完成，小布不代跑私有模型推理。
需用独立样本做过大周期过拟合测试，并以时间序列交叉验证结果为上界，实盘前用纸盘验证推理一致性。
债市流动性突变会瞬间改写收益率差，汇价可能倾向跳空，杠杆仓位需控敞口，这类宏观信号仅作概率参考。