ALGLIB 库优化方法（第二部分）（基础篇）
在 MT5 里跑通 ALGLIB 优化接口
MT5 自带的测试器只暴露了基础遗传/穷举优化，遇到高维参数空间很容易卡在局部极值。ALGLIB 作为第三方数值库，提供了更多梯度与直接搜索类算法，能在 EA 回测之外独立做参数精修。 实测在 2024 年 EURUSD H1 上，对一个 6 参数突破策略做 ALGLIB 的 Levenberg-Marquardt 精修，相较测试器默认遗传算法，样本内均方误差下降约 18%，但样本外衰减明显，外汇品种高杠杆下过拟合风险偏大。 要把 ALGLIB 接进 MT5，核心是在 EA 的 OnTester 或独立脚本里用 dll 调用封装好的函数，而不是在策略测试器界面里直接选。下面这段是初始化优化器的最小骨架，复制进脚本即可编译验证。
class="macro">#include <alglib/optimization.h> class="type">void OnStart() { alglib::real_1d_array x; class=class="str">"cmt">// 声明参数向量 x.setlength(class="num">2); class=class="str">"cmt">// 设 class="num">2 个待优化参数 x[class="num">0] = class="num">0.5; x[class="num">1] = class="num">0.5; class=class="str">"cmt">// 给定初值 alglib::minlmstate state; class=class="str">"cmt">// 声明 LM 优化状态 alglib::minlmcreatev(class="num">2, x, state);class=class="str">"cmt">// 创建 LM 求解器 alglib::minlmoptimize(state, func); class=class="str">"cmt">// 传入目标函数迭代 }
◍ ALGLIB 四种优化器与实测路径
在 MT5 里做参数寻优，ALGLIB 是绕不开的底库。它给 EA 作者准备了四类解法：盒式约束优化（BC）适合给每个参数圈定上下界后直接搜；非线性约束优化（NLC）走拉格朗日乘子，能处理参数间耦合的硬约束；莱文贝格-马夸尔特法（LM）则是残差平方和最小化的老牌利器，对拟合类问题收敛快。 这三类之外，ALGLIB 还维护了一张函数表，把目标函数、梯度、黑塞近似的接口一一列清。交易者写自定义优化目标时，先查表比对签名，能省掉大量编译期报错。 验证手段不复杂：开 MT5 自带的 Strategy Tester，用同一段历史数据（例如 EURUSD H1，2020.01–2023.12，约 2.6 万根 K 线）分别挂 BC 与 LM 跑同一组均线周期寻优，前者平均耗时可能多出 15%–30%，但边界溢出概率为 0；LM 在无约束区更快，越界风险需自行兜底。外汇与贵金属杠杆高，回测优解不等于实盘稳健，参数过拟合概率偏大。
「从已测三类算法切到剩余方法」
前一篇已把 MT5 标准版 ALGLIB 里的 BLEIC、L-BFGS、NS 三类优化器拆过一遍：BLEIC 管边界加线性等式-不等式约束，L-BFGS 是有限内存的 BFGS 近似，NS 专门应付盒式/线性/非线性非光滑约束下的非凸问题。当时侧重理论基础和简单优化问题的接法，没在复杂曲面上压过极限。 本篇接着把库里剩下没碰的算法捞出来，重点放在多维复杂函数上跑实测。只有在这种维度高、地形坑洼的测试面上，才能看出哪类方法容易陷局部极小、哪类收敛步数更省。 跑完再对结果做横向比对，给出按任务形状挑最优算法的实操倾向——比如约束类型明确时优先哪类、非光滑高维时绕开哪类。外汇与贵金属参数寻优属高风险实验，结论仅作概率性参考。
用盒式约束跑ALGLIB的BC优化
盒式约束优化（BC）在 MT5 自带的 ALGLIB 里专门处理「每个变量必须落在给定区间」的寻优问题。它和 BLEIC 思路接近，但只认区间约束，激活约束的策略更轻，参数规模大、活跃约束多时可能比 BLEIC 更快收敛。 起点必须可行或贴近可行域，目标函数要在整段区间内都有定义。BC 是确定性方法，结果完全受初值影响，所以实战里通常在参数范围内撒随机数做初值，再把缩放向量 s 统一设 1，避免量纲比例干扰。 调用链得封一个继承类（示例里叫 C_OptimizedFunction）。Func() 每次被算法回调就计数，超了 maxNumbLaunchesAllowed 就写 DBL_MAX 并调 MinBCRequestTermination 发停；正常时把 x 拷进 c 数组，算用户目标函数，因为 BC 只做最小化，所以 func 存成负值来变相最大化。若当前值优于 fB 就更新最优记录和坐标。 抛物面测试里，限调用 10000 次时输出最优 0.6755、实际跑了 84022 次——说明 MinBCRequestTermination 并不总是立刻刹住车。不限制让它跑完，最优到 1.0、调用 56015 次，完全收敛但事先估不出次数。 微分步长是暗坑：把 diffStep 从 0.00001 改成 1e-16，算法早早 stagnate，最优只到 0.6626、调用骤降到 4002 次。外汇和贵金属参数寻优高风险，步长过小会伪收敛，建议先在历史数据上用 1e-5 量级摸底。
class="macro">#include <Math\Alglib\alglib.mqh> class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class="type">void OnStart() { class=class="str">"cmt">// Initialization of optimization parameters--------------------------------------- class="type">int numbTestFuncRuns = class="num">10000; class="type">int params = class="num">1000; class=class="str">"cmt">// Create and initialize arrays for range bounds--------------------- CRowDouble rangeMin, rangeMax; rangeMin.Resize(params); rangeMax.Resize(params); class="type">class="kw">double rangeStep; for (class="type">int i = class="num">0; i < params; i++) { rangeMin.Set(i, -class="num">10); rangeMax.Set(i, class="num">10); } rangeStep = DBL_EPSILON; CRowDouble x; x.Resize(params); CRowDouble s; s.Resize(params); s.Fill(class="num">1); class=class="str">"cmt">// Generate random initial parameter values in given ranges---- for (class="type">int i = class="num">0; i < params; i++) { x.Set(i, rangeMin [i] + ((rangeMax [i] - rangeMin [i]) * rand() / class="num">32767.0)); } class=class="str">"cmt">// Create objects for optimization------------------------------------------ C_OptimizedFunction fFunc; fFunc.Init(params, numbTestFuncRuns); CObject obj; CNDimensional_Rep frep; CMinBCReport rep; class=class="str">"cmt">// Set the parameters of the BC optimization algorithm------------------------------ class="type">class="kw">double diffStep = class="num">0.00001; class="type">class="kw">double epsg = class="num">1e-16; class="type">class="kw">double epsf = class="num">1e-16; CAlglib::MinBCCreateF(x, diffStep, fFunc.state); CAlglib::MinBCSetBC(fFunc.state, rangeMin, rangeMax); CAlglib::MinBCSetScale(fFunc.state, s);
◍ 把目标函数塞进 ALGLIB 边界优化器
上面这段是 C_OptimizedFunction 类的收尾实现，它把我们要最大化的问题包了一层，交给 ALGLIB 的 MinBC（有边界约束的优化）跑。注意 Func 里写的是 func = -ffVal，因为 MinBC 默认求最小，取负后原目标函数越大、优化器越往那边走，这是 MT5 里接第三方数值库时的常见反转手法。 Init 里把 fB 初始化成 -DBL_MAX，意味着任何一次合法评估都会刷新“历史最佳”；同时用 maxNumbLaunchesAllowed 卡死调用次数，超了就写 func = DBL_MAX 并调 MinBCRequestTermination 强制停。实盘或回测里若发现优化半路不动，先 Print 一下 numberLaunches 是否触顶。 调用侧那几行 CAlglib::MinBCSetCond 设了 epsg、epsf、rangeStep、numbTestFuncRuns 四个收敛参数，MinBCOptimize 跑完用 MinBCResults 取回 x 和 rep，最后 Print 出 fFunc.fB 与 numberLaunches。外汇与贵金属杠杆高、点差跳变频繁，这套寻优结果仅反映历史样本，换周期或品种后需重跑验证，不代表未来概率占优。
CAlglib::MinBCSetCond(fFunc.state, epsg, epsf, rangeStep, numbTestFuncRuns); CAlglib::MinBCOptimize(fFunc.state, fFunc, frep, obj); CAlglib::MinBCResults(fFunc.state, x, rep); class=class="str">"cmt">// Output of optimization results----------------------------------------------- Print("BC, best result: ", fFunc.fB, ", number of function launches: ", fFunc.numberLaunches); } class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">// Class for function optimization, inherits from CNDimensional_Func class C_OptimizedFunction : class="kw">public CNDimensional_Func { class="kw">public: class=class="str">"cmt">//-------------------------------------------------------------------- C_OptimizedFunction(class="type">void) { } ~C_OptimizedFunction(class="type">void) { } class=class="str">"cmt">// A class="kw">virtual function to contain the function being optimized-------- class="kw">virtual class="type">void Func(CRowDouble &x, class="type">class="kw">double &func, CObject &obj); class=class="str">"cmt">// Initialization of optimization parameters--------------------------------------- class="type">void Init(class="type">int coords, class="type">int maxNumberLaunchesAllowed) { numberLaunches = class="num">0; maxNumbLaunchesAllowed = maxNumberLaunchesAllowed; fB = -DBL_MAX; ArrayResize(c, coords); ArrayResize(cB, coords); } class=class="str">"cmt">//---------------------------------------------------------------------------- CMinBCState state; class=class="str">"cmt">// State class="type">int numberLaunches; class=class="str">"cmt">// Launch counter class="type">class="kw">double fB; class=class="str">"cmt">// Best found value of the objective function(maximum) class="type">class="kw">double cB []; class=class="str">"cmt">// Coordinates of the point with the best function value class="kw">private: class=class="str">"cmt">//------------------------------------------------------------------- class="type">class="kw">double c []; class=class="str">"cmt">// Array for storing current coordinates class="type">int maxNumbLaunchesAllowed; class=class="str">"cmt">// Maximum number of function calls allowed }; class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">//—————————————————————————————————————————————————————————————————————————————— class=class="str">"cmt">// Implementation of the function to be optimized class="type">void C_OptimizedFunction::Func(CRowDouble &x, class="type">class="kw">double &func, CObject &obj) { class=class="str">"cmt">// Increase the function launch counter and limitation control---------------- numberLaunches++; if (numberLaunches >= maxNumbLaunchesAllowed) { func = DBL_MAX; CAlglib::MinBCRequestTermination(state); class="kw">return; } class=class="str">"cmt">// Copy input coordinates to internal array------------------------- for (class="type">int i = class="num">0; i < x.Size(); i++) c [i] = x [i]; class=class="str">"cmt">// Calculate objective function value---------------------------------------- class="type">class="kw">double ffVal = ObjectiveFunction(c); func = -ffVal; class=class="str">"cmt">// Update the best solution found-------------------------------------- if (ffVal > fB) { fB = ffVal; ArrayCopy(cB, c); } } class=class="str">"cmt">//——————————————————————————————————————————————————————————————————————————————