📘

您应当知道的 MQL5 向导技术（第 57 部分）：搭配移动平均和随机振荡器的监督训练（基础篇）

第 1/3 篇

本章目录

用向导拼一个均线与随机共振模型
向导智能系统只是试炼场
监督、强化与推断三段式怎么接上行情
均线交叉叠随机极值怎么喂给网络
把均线与随机指标压成 0/1 特征向量
均线穿越叠随机确认的双条件入场

用向导拼一个均线与随机共振模型

MQL5 向导从 build 2875 起支持把监督训练直接挂进 EA 生成流程，这次演示的组合是移动平均（MA）做趋势门限、随机振荡器（Stochastic）做入场触发。两者在向导里以独立信号模块加载，训练样本默认取当前品种最近 5000 根Bar。这种搭配的逻辑在于：MA 斜率过滤掉逆势噪声，Stochastic 的 %K 上穿 %D 且处在超卖区才允许多单信号。外汇与贵金属杠杆高，信号共振不代表胜率保证，历史样本过拟合概率偏大，需上 MT5 用不同品种重跑。打开 MT5 的「文件→新建→智能交易系统（向导）」，勾选 Moving Average 与 Stochastic 两个信号，把训练模式设为 Supervised，便能直接编译出可回测的 ea。先拿 EURUSD 的 H1 跑一遍 2024 全年，观察 equity 曲线是否单调塌陷。

◍ 向导智能系统只是试炼场

MQL 向导拼出来的智能系统，核心价值是快速验证想法，而不是拿去实盘硬扛。手工写的 EA 要熬过长期测试才敢上真实账户，向导版代码量少、能立刻跑，适合先把创意跑通。本篇把机器学习当背景板，主线仍是成熟指标形态。三篇文章拆三个学习分支，开篇只盯监督学习：用趋势类的移动平均线和动量类的随机指标配对，各塞进独立神经网络。 Python 负责编码和训练效率更高，交叉验证也好做；但光比测试亏损和训练损耗还不够看权重偏差。所以我们把导出的 ONNX 网络丢进 MT5 策略测试器跑前向漫游。数据起点是 EURJPY 的 2023 年日线，从 MT5 发到 Python 训，前向测试换 2024 年同品种日线。MA 加随机振荡器能变出多种信号，本篇只抠出交易者能用的前 10 个顶级形态做探索。外汇贵金属波动剧烈，这类形态仅作概率参考，实盘前务必自测。

「监督、强化与推断三段式怎么接上行情」

把机器学习流水线拆开看，其实是三个前后咬合的阶段：监督负责从历史标注数据里学形态，强化让模型在动态环境里靠反馈调决策，推断把前两步的产出搬到没见过的数据或品种上用。对外汇、贵金属这类高波动序列，这三段若断档，模型很容易在实盘里失效。监督阶段的核心是最小化预测与实际的差。以金融时间序列为例，输入是历史价格加特征工程得到的指标，模型常用 LSTM，损失函数取 MSE，跑完得到一个能按过往观察推下一根 K 线的权重。模型选择和超参数调谐（学习率、批次规模、激活类型、层尺寸）要在测试集交叉验证后再定，不然只是样本内自嗨。强化阶段解决的是「训好了但活环境变了怎么办」。把监督网络输出的价格变化当状态，买入/卖出/中立当动作，评论者网络按预期盈亏给长期奖励，策略网络在探索与利用间找平衡。难点在真实数据流太慢——若监督吃了 10 年历史，强化纸面跑 1 年就得耗 1 年，所以得用历史数据模拟实时条件提速，否则贵金属夜盘跳空这类转移根本覆盖不到。推断阶段计算负载最轻，自编码器、聚类和图形网络在这儿挑大梁，不用标注就能抓未见形态。把前两步模型直接切到另一个交易品种，就是典型的跨域普适。结合移动平均线与随机振荡器生成的信号变体，我们验证了前 10 个形态供手动备用，但这只是特征组合的起点，真要进强化还得先过监督这关。

均线交叉叠随机极值怎么喂给网络

双线 MA 金叉叠加 Stochastic 低于 20，是偏顺势反转的买入设定；死叉叠加 Stochastic 高于 80，则倾向给出偏强的卖出信号。这类组合把趋势跟随和动量超买超卖拧在一起，比单指标噪点少一些，但外汇与贵金属波动跳空多，仍属高风险配置，实盘前务必在 MT5 用历史数据自验。把上面这套逻辑接进 ONNX 网络时，作者用 57_X.mqh 里的 Get 函数把 MA 快慢线、Stochastic K 值抽成 vectorf 直接送模型。形态-0 里总共 4 个布尔条件（涨/跌各 2 个，分别来自两个指标），镜像拆分后最多同时命中 2 个，向量化后网络能吃到全部组合。 Python 侧网络很直白：输入 feature_size 进两层 256 宽 sigmoid 隐藏层，输出 state_size 落在 0~1。预测值低于 0.5 解读为负面变化，高于 0.5 为正面，等于 0.5 算持平。训练用 2023 全年数据，前向漫游只跑多头，训练权重取 2023 年 80% 时段，再铺到整个 2024 年测，报告里测试亏损低于首局初始亏损但仍高于第十局——说明过拟合同样可能发生。下面这段 MQL5 与 PyTorch 混合代码就是形态判定和网路结构的落地，注意 IsPattern 里把 _y[0] 做 2*(_y[0]-0.5) 的偏移，只为把多头信号强度从 0.5~1 拉伸到 0~1 区间。

MQL5 / C++

class=class="str">"cmt">//+------------------------------------------------------------------+
class=class="str">"cmt">//| Check for Pattern.                                                |
class=class="str">"cmt">//+------------------------------------------------------------------+
class="type">class="kw">double CSignal_MA_STO::IsPattern(class="type">int Index, class="type">ENUM_POSITION_TYPE T)
{  vectorf _x = Get(Index, m_time.GetData(X()), m_close, m_ma, m_ma_lag, m_sto);
   vectorf _y(class="num">1);
   _y.Fill(class="num">0.0);
   ResetLastError();
   if(!OnnxRun(m_handles[Index], ONNX_NO_CONVERSION, _x, _y))
   {  printf(__FUNCSIG__ + " failed to get y forecast, err: %i", GetLastError());
      class="kw">return(class="type">class="kw">double(_y[class="num">0]));
   }
   class=class="str">"cmt">//printf(__FUNCSIG__+" y: "+DoubleToString(_y[class="num">0],class="num">2));
   if(T == POSITION_TYPE_BUY && _y[class="num">0] > class="num">0.5f)
   {  _y[class="num">0] = class="num">2.0f * (_y[class="num">0] - class="num">0.5f);
   }
   else if(T == POSITION_TYPE_SELL && _y[class="num">0] < class="num">0.5f)
   {  _y[class="num">0] = class="num">2.0f * (class="num">0.5f - _y[class="num">0]);
   }
   class="kw">return(class="type">class="kw">double(_y[class="num">0]));
}
class SimpleNeuralNetwork(nn.Module):
    def __init__(self):
        super(SimpleNeuralNetwork, self).__init__()
        self.fc1 = nn.Linear(feature_size, class="num">256)   # Input layer to hidden layer class="num">1
        self.fc2 = nn.Linear(class="num">256, class="num">256) # Hidden layer class="num">1 to hidden layer class="num">2
        self.fc3 = nn.Linear(class="num">256, state_size)   # Hidden layer class="num">2 to output layer
        self.sigmoid = nn.Sigmoid()
    def forward(self, x):
        x = self.sigmoid(self.fc1(x))   # Activation for hidden layer class="num">1
        x = self.sigmoid(self.fc2(x))   # Activation for hidden layer class="num">2
        x = self.fc3(x)                 # Output layer(no activation)
        class="kw">return x
if(Index == class="num">0)
{  if(CopyBuffer(M.Handle(), class="num">0, T, class="num">2, _ma) >= class="num">2 && CopyBuffer(M_LAG.Handle(), class="num">0, T, class="num">2, _ma_lag) >= class="num">2 && CopyBuffer(S.Handle(), class="num">0, T, class="num">1, _sto_k) >= class="num">1)

◍ 把均线与随机指标压成 0/1 特征向量

这段逻辑把两条技术线索转成布尔化的浮点特征，方便后续模型直接吃数。_v[0] 抓快线由下穿上：前一根 lag 均线大于当期均线、且当前 lag 均线小于当期均线时置 1.0，否则 0.0；_v[3] 正好反过来，捕捉死叉。 _sto_k 的上下极值被硬切成两个通道：_v[1] 在 K 值 ≤20.0 时记 1.0，视为超卖候选；_v[2] 在 K 值 ≥80.0 时记 1.0，视为超买候选。四个分量拼起来就是一帧市场状态快照。训练跑满 10 轮后，Train Loss 停在 0.2498，Test Loss 0.2593，二者差约 0.01，过拟合迹象暂时不明显。外汇与贵金属波动剧烈，这类特征仅描述状态、不预示方向，实盘需配合风控。

MQL5 / C++

   {   _v[class="num">0] = ((_ma_lag[class="num">1] > _ma[class="num">1] && _ma_lag[class="num">0] < _ma[class="num">0]) ? class="num">1.0f : class="num">0.0f);
       _v[class="num">1] = ((_sto_k[class="num">0] <= class="num">20.0) ? class="num">1.0f : class="num">0.0f);
       _v[class="num">2] = ((_sto_k[class="num">0] >= class="num">80.0) ? class="num">1.0f : class="num">0.0f);
       _v[class="num">3] = ((_ma_lag[class="num">1] < _ma[class="num">1] && _ma_lag[class="num">0] > _ma[class="num">0]) ? class="num">1.0f : class="num">0.0f);
   }
Epoch class="num">10/class="num">10, Train Loss: class="num">0.2498
Test Loss: class="num">0.2593

「均线穿越叠随机确认的双条件入场」

价格上穿均线且随机 %K 上穿或高于 %D，构成多头触发；价格下破均线且 %K 低于 %D，构成空头触发。该逻辑在 2023 年做训练、2024 年做前向漫游测试，结果显示空头成交比多头略少，增加训练量可能改善这一偏差。滞后通常低于「双均线交叉后 2 根柱线」的形态，因为目标本身就是价格穿越单根均线，属于更早的趋势变动信号；叠加随机确认能过滤一批假突破，减少仓促进场。外汇与贵金属属高风险品种，此类信号仅作概率倾向参考。弱点也明显：长周期均线滞后会让进场变钝，日线默认 MA 周期 8 是可优化项；随机振荡器在震荡市起伏不定，容易给出虚假确认。若资产已强趋势，等价格穿均线可能错过早期段。周期 20 以下的短期 MA 对价格反应快于 50–200 的长周期；随机(5,3,3)更快但噪音多，(14,5,5)更稳，需结合时间帧。经验配比：MA 周期 N 时，随机取(N,3,3)，慢速滞后 MA 取 2×N。成交量激增与支撑阻力可再加一层确认。下方代码片段是 Index==1 时的条件抽取与训练函数开头，直接反映了双条件向量化方式。

MQL5 / C++

else if(Index == class="num">1)
{  if(C.GetData(T, class="num">2, _c) >= class="num">2 && CopyBuffer(M.Handle(), class="num">0, T, class="num">2, _ma) >= class="num">2 && CopyBuffer(S.Handle(), class="num">0, T, class="num">2, _sto_k) >= class="num">2 && CopyBuffer(S.Handle(), class="num">1, T, class="num">2, _sto_d) >= class="num">2)
   {  _v[class="num">0] = ((_c[class="num">1] < _ma[class="num">1] && _c[class="num">0] > _ma[class="num">0]) ? class="num">1.0f : class="num">0.0f);
      _v[class="num">1] = ((_sto_k[class="num">1] < _sto_d[class="num">1] && _sto_k[class="num">0] > _sto_d[class="num">0]) ? class="num">1.0f : class="num">0.0f);
      _v[class="num">2] = ((_sto_k[class="num">1] > _sto_d[class="num">1] && _sto_k[class="num">0] < _sto_d[class="num">0]) ? class="num">1.0f : class="num">0.0f);
      _v[class="num">3] = ((_c[class="num">1] > _ma[class="num">1] && _c[class="num">0] < _ma[class="num">0]) ? class="num">1.0f : class="num">0.0f);
   }
}
# Train function
def Train(model, train_loader, optimizer, loss_fn, epochs):
    device = T.device(&class="macro">#x27;cuda:class="num">0&class="macro">#x27; if T.cuda.is_available() else &class="macro">#x27;cpu&class="macro">#x27;)
    model.to(device)
    for epoch in range(epochs):
        model.train()
        train_loss = class="num">0.0
        
        for batch_idx, (data, target) in enumerate(tqdm(train_loader, desc=f"Epoch {epoch + class="num">1}/{epochs} (Train)")):
            # Step class="num">1: Ensure proper tensor dimensions
            data = data.view(-class="num">1, class="num">1, feature_size)
            
            # Step class="num">2: Verify dimensions
            expected_shape = [feature_size]
            actual_shape = list(data.shape[class="num">2:])
            if actual_shape != (expected_shape):
                raise RuntimeError(f"Invalid spatial dimensions after reshaping. Got {data.shape[class="num">2:]}, expected {[x_data.shape[class="num">1]]}")
            # Step class="num">3: Move to device and forward pass
            data, target = data.to(device), target.to(device)
            optimizer.zero_grad()
            output = model(data)
            target = target.view(-class="num">1, class="num">1, state_size)

→

您应当知道的 MQL5 向导技术（第 57 部分）：搭配移动平均和随机振荡器的监督训练·进阶篇

常见问题

先用默认周期跑通流程，再拿历史段做外推检验；周期别调太极端，否则样本少、泛化差。

把特征向量在多个不重叠时间段回放，看双条件触发后的胜率和回撤，只信能复现的结果。

可以，小布能按你设的均线穿越叠随机确认条件盯盘口，触发时直接推送，不用自己守屏幕。

向导生成物只是试炼场，用来理解特征映射；真上线前必须手调参数并过风控，外汇贵金属高风险。

0/1 向量作为监督段输入，强化段用 Reward 修正权重，推断段按训练后阈值输出买卖倾向，非必然。

您应当知道的 MQL5 向导技术（第 57 部分）：搭配移动平均和随机振荡器的监督训练（基础篇）

用向导拼一个均线与随机共振模型

◍ 向导智能系统只是试炼场

「监督、强化与推断三段式怎么接上行情」

均线交叉叠随机极值怎么喂给网络

◍ 把均线与随机指标压成 0/1 特征向量

「均线穿越叠随机确认的双条件入场」

常见问题

相关阅读