生长型神经气：MQL5 中的实施（基础篇）
◍ 在 MT5 里搭一个生长型神经气
生长型神经气（Growing Neural Gas, GNG）是一种无需预设神经元数量的自组织网络，能随输入数据动态增删节点，适合抓价格行为里渐变的结构。2013 年 12 月 MetaTrader 5 社区有作者贴出可运行示例，原帖获 3037 次浏览、17 条讨论，说明这套东西在量化交易者里有真实需求。 在 MQL5 中实施 GNG，核心是把「距离最近的俩神经元」和「老化计时」写进 OnTick 或独立计算线程。下面是一段最小可验证的神经元距离计算代码，你可以直接丢进 MT5 脚本里跑，看 EURUSD 五分钟 K 线聚类结果。 外汇与贵金属杠杆高、滑点大，GNG 给出的聚类只是概率上的结构倾向，不能当方向信号独用。
class="type">class="kw">double NearestDistance(class="type">class="kw">double &vec[], class="type">class="kw">double &neurons[][class="num">2]) { class="type">class="kw">double min_d = class="num">1e9; for(class="type">int i=class="num">0;i<ArrayRange(neurons,class="num">0);i++) { class="type">class="kw">double d = (vec[class="num">0]-neurons[i][class="num">0])*(vec[class="num">0]-neurons[i][class="num">0]) + (vec[class="num">1]-neurons[i][class="num">1])*(vec[class="num">1]-neurons[i][class="num">1]); if(d<min_d) min_d = d; } class="kw">return min_d; }
「从压缩受阻到生长型神经气」
- 年代做人工神经网络的人碰到一个硬问题：当输入参数维度很高、特征空间没有固定拓扑时，传统向量量化和压缩直接卡壳，语音、图像和抽象范式分类都跑不顺。
当时的解法拼图已经摆在桌上——自组织映射、赫布型学习能生成网络拓扑，软竞争学习让权重不只喂给赢家神经元、还外溢到近邻。1995 年德国科学家 Bernd Fritzke 把这些合到一起，搞出了生长型神经气（GNG）。 GNG 出来后被验证很能打，衍生出一票变体，其中监督版 S-GNG 在难分类空间里的拓扑优化能力，作者称比径向基函数网络强出一截，也比 K-means 聚类更合适。 一个冷门背景：Fritzke 2001 年接了德意志交易所的 offer，离开鲁尔大学结束学术生涯。本文选他的算法打底，这也是考量的因素之一。
生长型神经气怎么自己长节点
GNG 是一种输入数据自适应聚类算法，不止把空间切群集，还会按数据特性自己决定要多少节点。它起步只放两个神经元，靠竞争赫布学习在节点间连出贴合输入向量分布的最优边；每个神经元带一个累积“局部误差”的内部变量，节点间的连接则用 age（年龄）变量标记新旧。 伪代码里关键几步：每来一个输入向量，先找最近和第二近的两个神经元 q、r；赢家 q 的局部误差加上它与输入向量的平方距离，然后 q 和与它相连的拓扑近邻一起朝输入向量平移一小步（步长分局部和整体两档）。从 q 出来的所有连接 age 加 1，q、r 若已连则年龄归零否则新建连接；age 超阈值的边删掉，没边挂的孤儿神经元也删。 每跑 λ 次迭代且没到网络上限，就插一个新神经元：挑局部误差最大的 a 和它的近邻误差最大者 b，在 a、b 中间建节点 c，把 a-b 边换成 a-c、b-c，并下调 a、b 误差、用系数 α 衰减所有节点误差。这一步让网络“忘掉”老样本，能跟缓慢漂移的输入分布，但追不上快速突变。 第 6–8 步的边老化与删除，本质是逼拓扑贴近狄洛尼三角剖分——所有三角形最小角最大化，避免瘦长“皮包骨”三角。新节点永远落在某条边的正中，不直接当独立单元。停止条件随开发者而定：可看测试集有效性、平均误差动态或限复杂度；本文示例图省事，直接学到预定义输入耗尽为止。
◍ 别用动态数组硬扛图结构
写算法时迟早要存“集”：神经元一个集，边一个集。两者在运行期都会增删，若用对象动态数组，增删意味着大量内存拷贝搬移，程序速度会被拖垮。 更合适的抽象是图，而最简形态就是链表。基类对象内嵌一个指向同类对象的指针，从而脱离内存物理顺序、串成线性结构；再配一个 carriage 类统一封装增删插搜与排序等流程。 MT5 标准库已把 CObject 的链表实现好，代码在 MQL5\Include\Arrays\List.mqh（随终端交付）。我们直接继承 CObject 与 CList 做底层，不必从零造轮子——这是面向对象里“继承”机制最实在的用处之一。
「从抽象神经元类搭起 GNG 骨架」
写一套 Growing Neural Gas 的 MT5 程序，第一步不是急着实现算法，而是把最泛化的「神经元」用 OOP 方式钉死。惯例是从最常见、最抽象的数据结构入手：定义一个 CCustomNeuron 类，继承自 MQL5 标准库的 CObject，只保留突触数量 m_synapses、权重数组 m_weights[] 和输出 NET，以及初始化、赋权、适配权重和虚函数 ProcessVector 这几样所有神经元都逃不掉的动作。 把第一层写得尽量抽象，后面开发人员从继承层级往下加细节就行，不用翻你类里的逻辑。CCustomNeuron 里 ProcessVector 标了 virtual，运行时按实际对象类动态选流程，这比写死计算方式灵活，也省后期改代码的力气。 真正落到 GNG 专用神经元 CGNGNeuron，字段才显出差异：error 存输入向量到权重向量的距离平方，E 是累积局部误差加独享 ID，uid 用来在增删神经元后还能稳定配对连接——光靠 CList 自带的索引不够，因为节点一删编号就乱。ProcessVector 被改写去算 error，U 字段先不管，后面算法修改段再用。 两个神经元之间的边也单独成类：两端 uid1、uid2 加一个初始为零的 age。神经元列表从 CList 继承，构造函数里初始化伪随机发生器给元素发唯一 ID；Append 挂节点，Init 按 GNG 从两个神经元起网，Find 按 ID 搜，FindWinners 用引用传指针（*& 写法）捞最近邻赢家。连接列表同理，FindFirstConnection 从表头找、FindNextConnection 从当前节点往后找。数据结构铺完，算法才好进场。 下面这段是基类骨架代码，直接丢进 Include\GNG\Neurons.mqh 就能编译验证。
class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| 用于引入神经元对象的基类 | class=class="str">"cmt">//+------------------------------------------------------------------+ class CCustomNeuron:class="kw">public CObject { class="kw">protected: class="type">int m_synapses; class="type">class="kw">double m_weights[]; class="kw">public: class="type">class="kw">double NET; CCustomNeuron(); ~CCustomNeuron(){}; class="type">void ZeroInit(class="type">int synapses); class="type">int Synapses(); class="type">void Init(class="type">class="kw">double &weights[]); class="type">void Weights(class="type">class="kw">double &weights[]); class="type">void AdaptWeights(class="type">class="kw">double &delta[]); class="kw">virtual class="type">void ProcessVector(class="type">class="kw">double &in[]) {class="kw">return;} class="kw">virtual class="type">int Type() const { class="kw">return(TYPE_CUSTOM_NEURON);} }; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| 构造函数 | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void CCustomNeuron::CCustomNeuron() { m_synapses=class="num">0; NET=class="num">0; } class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| 返回神经元输入向量的维度 |
神经元的权重初始化与读写接口
在自研神经元类里，突触数量直接决定了权重数组的长度。Synapses() 只做一件事：返回 m_synapses 这个私有成员，让外层网络能随时知道该神经元接了几路输入。 ZeroInit(int synapses) 负责把神经元清零起步：若传入 synapses<1 直接 return 不做任何操作；否则记录突触数、把 m_weights 数组Resize到对应长度，再用 ArrayInitialize 全部填 0，顺手把 NET 累加器置 0。 如果你手里已有训练好的向量，走 Init(double &weights[]) 更高效：先判空，再按外部数组大小定 m_synapses，Resize 后 ArrayCopy 进 m_weights，同样清掉 NET。注意这里用的是引用传递，外部数组不会被改动。 Weights(double &weights[]) 是反向出口，把内部 m_weights 拷贝给外部数组，方便做快照或日志。下面这段是原类方法的核心代码，逐行看逻辑比读注释更直白。 这套接口意味着：你在 MT5 里写 EA 时，可以先用 ZeroInit(30) 起一个 30 输入神经元，跑完一轮后再用 Weights() 把权值导出来观察，外汇与贵金属行情高波动，这类小网络仅作辅助信号，实盘前务必在策略测试器跑多周期验证。
class=class="str">"cmt">//| 输入: 无 | class=class="str">"cmt">//| 输出: 神经元的突触数量 | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">int CCustomNeuron::Synapses() { class="kw">return m_synapses; } class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| 使用0向量权重初始化神经元. | class=class="str">"cmt">//| 输入: synapses - 突触数量 (输入权重) | class=class="str">"cmt">//| 输出: 无 | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void CCustomNeuron::ZeroInit(class="type">int synapses) { if(synapses<class="num">1) class="kw">return; m_synapses=synapses; ArrayResize(m_weights,m_synapses); ArrayInitialize(m_weights,class="num">0); NET=class="num">0; } class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| 使用一系列向量初始化神经元权重. | class=class="str">"cmt">//| 输入: weights - 数据矢量 | class=class="str">"cmt">//| 输出: 无 | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void CCustomNeuron::Init(class="type">class="kw">double &weights[]) { if(ArraySize(weights)<class="num">1) class="kw">return; m_synapses=ArraySize(weights); ArrayResize(m_weights,m_synapses); ArrayCopy(m_weights,weights); NET=class="num">0; } class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| 获得神经元权重的向量. | class=class="str">"cmt">//| 输入: 无 | class=class="str">"cmt">//| 输出: 权重 - 结果 | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void CCustomNeuron::Weights(class="type">class="kw">double &weights[]) { ArrayResize(weights,m_synapses); ArrayCopy(weights,m_weights); } class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| 使用指定的数值修改神经元的权重 | class=class="str">"cmt">//| 输入: delta - 校正向量 | class=class="str">"cmt">//| 输出: 无 |