🧬

多策略分析重构：从投票权重陷阱到相关性优先的基础框架（基础篇）

（1/3）· 遗传优化器选出高度相关策略组合，多策略分析为何失效？本篇拆解底层逻辑

进阶第 1/3 篇

把多套策略塞进同一个账户让它投票，不等于真正分散风险。遗传优化器常会挑出走势几乎同步的策略，表面收益漂亮，回撤却一起到来。先固定权重、看清相关性，再谈组合优化。

本章目录

民主投票选出的是双胞胎策略
用脚本把双策略历史数据导出来
把差值序列落盘成 CSV 的训练样本
把双策略信号喂给判别模型看谁更赚
把随机搜索神经网络导成可部署的ONNX

「民主投票选出的是双胞胎策略」

上一阶段我们把三套策略塞进同一个框架，让遗传优化器给每套策略分配投票权重，谁权重高谁话语权大，目标是拼出比单策略更稳的组合。优化跑完我们砍掉权重最小的那个，留下两套准备做建模。回测加前向测试都过关的结果被导进 MQL5 脚本做历史提取，本以为留下的两套能互补。把收益曲线叠到一起才发现：它们几乎同涨同跌，相关系数高到像同一套逻辑的克隆。两套高度相关的策略并行，风险和单策略没区别，多策略分析的意义直接归零。漏洞出在优化器自己——它钻了框架空子，挑相关性最高的组合。数学上这很‘聪明’：相关策略的账户盈亏更好预判，优化器更容易刷出漂亮适应度。我们只有 3 套可选且只跑了一次优化，不排除是偶然，但结论已经清楚：先把所有投票权重锁死为 1，逼优化器只调指标参数，后续验证这套明显更优。多策略分析该问的正确问题是：怎么挑出收益互不相关的策略组合，才真能把账户收益做厚。外汇和贵金属杠杆高、相关性突变常见，这种‘假分散’在实盘可能瞬间放大回撤。

用脚本把双策略历史数据导出来

在 MT5 里写个脚本，把遗传优化跑出来的两套策略固定参数直接写死，只做一件事：抓历史行情、算指标、落盘成 CSV。参数全程不动，避免后续 Python 建模时引入偷看未来的偏差。系统靠几个全局句柄存指标数值，MA、RSI 的读数分别塞进各自的数据缓冲区，脚本运行时按时间序列从早到晚调用。同时定义输出文件名与请求数据量（示例里 size=3000 根 H3 bars），这是后面训练集的规模上限。初始化阶段把指标设为时间序列模式，保证导出顺序统一。接着用优化器给的周期做算术追踪，把市场变化连同两套策略的标记一并写文件。外汇与贵金属波动剧烈，这类历史抽取若漏掉点差或掉期，后续模型会严重失真，建议先在模拟环境核对 bar 数量。代码里 MA_PERIOD=100、RSI_PERIOD=24、HORIZON=38、TF=PERIOD_H3 都是前文优化结果，直接宏定义锁死；想验证就原样贴进 MT5 脚本，改 size 看导出行数是否匹配。

MQL5 / C++

class=class="str">"cmt">//+------------------------------------------------------------------+
class=class="str">"cmt">//|                                                                  ProjectName |
class=class="str">"cmt">//|                                 Copyright class="num">2020, CompanyName |
class=class="str">"cmt">//|                         http://www.companyname.net |
class=class="str">"cmt">//+------------------------------------------------------------------+
class="macro">#class="kw">property copyright "Copyright class="num">2024, MetaQuotes Ltd."
class="macro">#class="kw">property link      "[MQL5官方文档]
class="macro">#class="kw">property version   "class="num">1.00"
class="macro">#class="kw">property script_show_inputs
class=class="str">"cmt">//--- Define our moving average indicator
class="macro">#define MA_PERIOD   class="num">100           class=class="str">"cmt">//--- Period for our moving average
class="macro">#define MA_TYPE     MODE_EMA      class=class="str">"cmt">//--- Type of moving average we have 
class="macro">#define RSI_PERIOD class="num">24             class=class="str">"cmt">//--- Period For Our RSI Indicator
class="macro">#define RSI_PRICE  PRICE_CLOSE    class=class="str">"cmt">//--- Applied Price For our RSI Indicator
class="macro">#define HORIZON    class="num">38             class=class="str">"cmt">//--- Holding period
class="macro">#define TF PERIOD_H3              class=class="str">"cmt">//--- Time Frame
class=class="str">"cmt">//--- Our handlers for our indicators
class="type">int ma_handle,ma_o_handle,rsi_handle;
class=class="str">"cmt">//--- Data structures to store the readings from our indicators
class="type">class="kw">double ma_reading[],ma_o_reading[],rsi_reading[];
class=class="str">"cmt">//--- File name
class="type">class="kw">string file_name = Symbol() + " Market Data As Series Multiple Strategy Analysis.csv";
class=class="str">"cmt">//--- Amount of data requested
input class="type">int size = class="num">3000;
class=class="str">"cmt">//+------------------------------------------------------------------+
class=class="str">"cmt">//| Our script execution                                            |
class=class="str">"cmt">//+------------------------------------------------------------------+
class="type">void OnStart()
  {

◍ 把差值序列落盘成 CSV 的训练样本

这段逻辑干的事很直接：先把收盘价 MA、开盘价 MA 和 RSI 三个指标句柄建好，再把缓冲按时间倒序排，最后把「当前 K 线」与「HORIZON 根之前 K 线」的差值写进 CSV。差值维度覆盖 OHLC、两条 MA 和 RSI，共 9 列特征，外加 9 列真实值，适合拿去喂价格行为模型。 fetch = size + (HORIZON * 2) 这一行决定了要拷贝的缓冲长度，比实际要用到的 size 多留了 HORIZON*2 根余量，避免索引 (i + HORIZON) 越界。循环从 i=size 跑到 i=1，首行写表头，其余行写数据，注意 i==size 时走表头分支而非数据分支。外汇与贵金属价差受点差和滑点影响，HORIZON 取多大直接改变样本的时间跨度分布，回测里可能让模型学到不同持有周期的规律。开 MT5 把 HORIZON 从 10 改到 30，看 CSV 行数是否按预期从 size 变为 size 且特征漂移，是验证这段最便宜的方式。

MQL5 / C++

class="type">int fetch = size + (HORIZON * class="num">2);
class=class="str">"cmt">//---Setup our technical indicators
  ma_handle = iMA(_Symbol,TF,MA_PERIOD,class="num">0,MA_TYPE,PRICE_CLOSE);
  ma_o_handle = iMA(_Symbol,TF,MA_PERIOD,class="num">0,MA_TYPE,PRICE_OPEN);
  rsi_handle = iRSI(_Symbol,TF,RSI_PERIOD,RSI_PRICE);
class=class="str">"cmt">//---Set the values as series
  CopyBuffer(ma_handle,class="num">0,class="num">0,fetch,ma_reading);
  ArraySetAsSeries(ma_reading,true);
  CopyBuffer(ma_o_handle,class="num">0,class="num">0,fetch,ma_o_reading);
  ArraySetAsSeries(ma_o_reading,true);
  CopyBuffer(rsi_handle,class="num">0,class="num">0,fetch,rsi_reading);
  ArraySetAsSeries(rsi_reading,true);
class=class="str">"cmt">//---Write to file
  class="type">int file_handle=FileOpen(file_name,FILE_WRITE|FILE_ANSI|FILE_CSV,",");
  for(class="type">int i=size;i>=class="num">1;i--)
    {
      if(i == size)
        {
         FileWrite(file_handle,"Time","True Open","True High","True Low","True Close","True MA C","True MA O","True RSI","Open","High","Low","Close","MA Close","MA Open","RSI");
        }
      else
        {
         FileWrite(file_handle,
             iTime(_Symbol,TF,i),
             iOpen(_Symbol,TF,i),
             iHigh(_Symbol,TF,i),
             iLow(_Symbol,TF,i),
             iClose(_Symbol,TF,i),
             ma_reading[i],
             ma_o_reading[i],
             rsi_reading[i],
             iOpen(_Symbol,TF,i)   - iOpen(_Symbol,TF,(i + HORIZON)),
             iHigh(_Symbol,TF,i)   - iHigh(_Symbol,TF,(i + HORIZON)),
             iLow(_Symbol,TF,i)     - iLow(_Symbol,TF,(i + HORIZON)),
             iClose(_Symbol,TF,i)  - iClose(_Symbol,TF,(i + HORIZON)),
             ma_reading[i] - ma_reading[(i + HORIZON)],
             ma_o_reading[i] - ma_o_reading[(i + HORIZON)],

「把双策略信号喂给判别模型看谁更赚」

MT5 遗传优化给出的持有周期 HORIZON = 38 根 K 线，这是后面所有回测对齐的基准。用 pandas 读入 EURUSD 多策略序列数据后，先按 shift(-38) 算真实市场收益，再分别把 MA 交叉和 RSI 策略转成 +1/-1/0 的动作列。两个策略的收益是「真实收益 × 动作」逐行相乘得到的。样本末尾 38 行没有未来收盘价，必须 iloc[:-38] 切掉；再剔除最后 365×2×6 = 4380 行作为预留样本，避免前视偏差。目标列做了三层：经典二分类（涨=1）、策略1优于策略2（Target1=1）、策略2优于策略1（Target2=1）。输入特征取第 1~14 列，做 Z-score 标准化后，用 TimeSeriesSplit(n_splits=5, gap=38) 做时序交叉验证。用线性判别分析对三个目标分别跑 cross_val_score，取 accuracy 绝对值的均值存进 res。实测中经典目标约 0.51、Target1 约 0.53、Target2 约 0.52 的准确率倾向——说明在 38 周期视野下，双策略相对优劣信号比单纯猜涨跌略多一点信息量，但外汇的高风险意味着过拟合概率不低，开 MT5 把 HORIZON 调到 20 或 50 重跑能立刻验证边界。

MQL5 / C++

class="kw">import pandas as pd
data = pd.read_csv("EURUSD Market Data As Series Multiple Strategy Analysis.csv")
HORIZON = class="num">38
data[&class="macro">#x27;Return&class="macro">#x27;] = data[&class="macro">#x27;True Close&class="macro">#x27;].shift(-HORIZON) - data[&class="macro">#x27;True Close&class="macro">#x27;]
data[&class="macro">#x27;Action class="num">1&class="macro">#x27;] = class="num">0
data[&class="macro">#x27;Action class="num">2&class="macro">#x27;] = class="num">0
data.loc[data[&class="macro">#x27;True MA C&class="macro">#x27;] > data[&class="macro">#x27;True MA O&class="macro">#x27;],&class="macro">#x27;Action class="num">1&class="macro">#x27;] = class="num">1
data.loc[data[&class="macro">#x27;True RSI&class="macro">#x27;] > class="num">50,&class="macro">#x27;Action class="num">2&class="macro">#x27;] = class="num">1
data.loc[data[&class="macro">#x27;True MA C&class="macro">#x27;] < data[&class="macro">#x27;True MA O&class="macro">#x27;],&class="macro">#x27;Action class="num">1&class="macro">#x27;] = -class="num">1
data.loc[data[&class="macro">#x27;True RSI&class="macro">#x27;] < class="num">50,&class="macro">#x27;Action class="num">2&class="macro">#x27;] = -class="num">1
data[&class="macro">#x27;Return class="num">1&class="macro">#x27;] = data[&class="macro">#x27;Return&class="macro">#x27;] * data[&class="macro">#x27;Action class="num">1&class="macro">#x27;]
data[&class="macro">#x27;Return class="num">2&class="macro">#x27;] = data[&class="macro">#x27;Return&class="macro">#x27;] * data[&class="macro">#x27;Action class="num">2&class="macro">#x27;]
data = data.iloc[:-HORIZON,:]
_ = data.iloc[-((class="num">365 * class="num">2 * class="num">6)):,:]
data = data.iloc[:-((class="num">365 * class="num">2 * class="num">6)),:]
X = data.iloc[:,class="num">1:class="num">15]
data[&class="macro">#x27;Target class="num">1&class="macro">#x27;] = class="num">0
data[&class="macro">#x27;Target class="num">2&class="macro">#x27;] = class="num">0
data.loc[data[&class="macro">#x27;Return class="num">1&class="macro">#x27;] > data[&class="macro">#x27;Return class="num">2&class="macro">#x27;],&class="macro">#x27;Target class="num">1&class="macro">#x27;] = class="num">1
data.loc[data[&class="macro">#x27;Return class="num">2&class="macro">#x27;] > data[&class="macro">#x27;Return class="num">1&class="macro">#x27;],&class="macro">#x27;Target class="num">2&class="macro">#x27;] = class="num">1
data[&class="macro">#x27;Classical Target&class="macro">#x27;] = class="num">0
data.loc[data[&class="macro">#x27;Return&class="macro">#x27;] > class="num">0,&class="macro">#x27;Classical Target&class="macro">#x27;] = class="num">1
from sklearn.model_selection class="kw">import TimeSeriesSplit,cross_val_score
from sklearn.linear_model class="kw">import LinearRegression,LogisticRegression
from sklearn.ensemble class="kw">import RandomForestClassifier
from sklearn.discriminant_analysis class="kw">import LinearDiscriminantAnalysis
from sklearn.neural_network class="kw">import MLPRegressor
from sklearn.model_selection class="kw">import RandomizedSearchCV
tscv = TimeSeriesSplit(n_splits=class="num">5,gap=HORIZON)
Z1 = X.mean()
Z2 = X.std()
X = ((X-X.mean()) / X.std())
res = []
model = LinearDiscriminantAnalysis()
res.append(np.mean(np.abs(cross_val_score(model,X,data[&class="macro">#x27;Classical Target&class="macro">#x27;],cv=tscv,scoring=&class="macro">#x27;accuracy&class="macro">#x27;))))
model = LinearDiscriminantAnalysis()
res.append(np.mean(np.abs(cross_val_score(model,X,data[&class="macro">#x27;Target class="num">1&class="macro">#x27;],cv=tscv,scoring=&class="macro">#x27;accuracy&class="macro">#x27;))))
model = LinearDiscriminantAnalysis()
res.append(np.mean(np.abs(cross_val_score(model,X,data[&class="macro">#x27;Target class="num">2&class="macro">#x27;],cv=tscv,scoring=&class="macro">#x27;accuracy&class="macro">#x27;,n_jobs=-class="num">1))))
sns.barplot(res,class="type">class="kw">color=&class="macro">#x27;black&class="macro">#x27;)

把随机搜索神经网络导成可部署的ONNX

上面的 matplotlib 片段先把三类预测目标在 5 折交叉验证里的百分比准确率画出来，红色虚线标的是直接预测价格的经典基准，横轴分别是 Classical、MA 交叉和 RSI 目标，纵轴是 5-Fold Percentage Accuracy %。图本身只是验证信号，真正能落地的是下面这段建模与导出流程。用 RandomizedSearchCV 跑 50 次迭代、n_jobs=-1 占满核，在 solver、hidden_layer_sizes、activation 三个维度里搜 MLPRegressor。hidden_layer_sizes 里第一组就把输入维度 X.shape[1] 接 2、10、20 这类浅层结构，最后一组塞了 1→14→14→1 的对称瓶颈，说明网络形态本身也是搜索变量而非拍脑袋定宽。搜完取 best_estimator_ 在双目标列 Target 1 / Target 2 上重新 fit，再用 skl2onnx 按 initial_types 的 [1, X.shape[1]] 浮点输入、final_types 的 [2,1] 输出转成 ONNX，target_opset=12。文件存为 'EURUSD NN MSA.onnx'，外汇 EURUSD 建模天然带高杠杆与跳空风险，实盘前请用历史样本外数据复核。最后 netron.start 把本地 onnx 拉起来可视化，你能直接看到每层张量形状。开 MT5 的话，这个 onnx 可以接进支持 ONNX 推理的 EA 框架做信号生成，比在 Python 里回测更接近执行环境。

MQL5 / C++

plt.xticks([class="num">0,class="num">1,class="num">2],[&class="macro">#x27;Classical Target&class="macro">#x27;,&class="macro">#x27;MA Cross Over Target&class="macro">#x27;,&class="macro">#x27;RSI Target&class="macro">#x27;])
plt.axhline(res[class="num">0],linestyle=&class="macro">#x27;:&class="macro">#x27;,class="type">class="kw">color=&class="macro">#x27;red&class="macro">#x27;)
plt.ylabel(&class="macro">#x27;class="num">5-Fold Percentage Accuracy %&class="macro">#x27;)
plt.title(&class="macro">#x27;Outperforming The Classical Target of Direct Price Prediction&class="macro">#x27;)
class="macro">#Use random search to build a neural network for our market data
class="macro">#Initialize the model
model = MLPRegressor(shuffle=False,early_stopping=False)
distributions = {&class="macro">#x27;solver&class="macro">#x27;:[&class="macro">#x27;lbfgs&class="macro">#x27;,&class="macro">#x27;adam&class="macro">#x27;,&class="macro">#x27;sgd&class="macro">#x27;],
                 &class="macro">#x27;hidden_layer_sizes&class="macro">#x27;:[(X.shape[class="num">1],class="num">2,class="num">10,class="num">20),(X.shape[class="num">1],class="num">30,class="num">50,class="num">10),(X.shape[class="num">1],class="num">14,class="num">14,class="num">14),(X.shape[class="num">1],class="num">5,class="num">20,class="num">2),(X.shape[class="num">1],class="num">1,class="num">2,class="num">3,class="num">4,class="num">5,class="num">6,class="num">10),(X.shape[class="num">1],class="num">1,class="num">14,class="num">14,class="num">1)],
                 &class="macro">#x27;activation&class="macro">#x27;:[&class="macro">#x27;relu&class="macro">#x27;,&class="macro">#x27;identity&class="macro">#x27;,&class="macro">#x27;logistic&class="macro">#x27;,&class="macro">#x27;tanh&class="macro">#x27;]
                 }
rscv = RandomizedSearchCV(model,distributions,n_jobs=-class="num">1,n_iter=class="num">50)
rscv.fit(X,data.loc[:,[ &class="macro">#x27;Target class="num">1&class="macro">#x27;,&class="macro">#x27;Target class="num">2&class="macro">#x27;]])
class="macro">#Exporting our model to ONNX 
class="kw">import onnx
from skl2onnx class="kw">import convert_sklearn
from skl2onnx.common.data_types class="kw">import FloatTensorType
initial_types = [(&class="macro">#x27;float_input&class="macro">#x27;,FloatTensorType([class="num">1,X.shape[class="num">1]]))]
final_types = [(&class="macro">#x27;float_output&class="macro">#x27;,FloatTensorType([class="num">2,class="num">1]))]
model = rscv.best_estimator_
model.fit(X,data.loc[:,[ &class="macro">#x27;Target class="num">1&class="macro">#x27;,&class="macro">#x27;Target class="num">2&class="macro">#x27;]])
onnx_proto = convert_sklearn(model=model,initial_types=initial_types,final_types=final_types,target_opset=class="num">12)
onnx.save(onnx_proto,&class="macro">#x27;EURUSD NN MSA.onnx&class="macro">#x27;)
class="macro">#Viewing our ONNX graph in netron
class="kw">import netron
netron.start(&class="macro">#x27;../EURUSD NN MSA.onnx&class="macro">#x27;)

让小布替你算相关性

这些诊断小布盯盘的 AIGC 已内置，打开对应品种页即可看到策略收益曲线的同步程度，不必自己导数据跑脚本。

→

经典策略重构（第14部分）：多策略分析·进阶篇

常见问题

优化器只按给定目标最大化账户收益，当可选策略少且只跑一次优化时，它会利用框架漏洞挑相关性高的组合，因为这样更容易预判整体盈亏。

强制优化器只寻找各指标最优参数而非权重分配，避免它钻漏洞选相关策略，后续验证表明这比初始设计更合理。

可以，小布盯盘的 AIGC 模块内置了收益曲线同步诊断，打开品种页就能看到，省去手动提取历史数据写脚本的麻烦。

文中只保留两类测试均表现稳定的结果作为建模对象，单纯回测漂亮但前向漂移的策略在多策略融合里会放大隐藏风险。

需初始化指标句柄、将数据缓冲设为时间序列模式，并定义输出文件名与请求数据量等全局变量，保证从早到晚统一排列。

多策略分析重构：从投票权重陷阱到相关性优先的基础框架（基础篇）

「民主投票选出的是双胞胎策略」

用脚本把双策略历史数据导出来

◍ 把差值序列落盘成 CSV 的训练样本

「把双策略信号喂给判别模型看谁更赚」

把随机搜索神经网络导成可部署的ONNX

常见问题

相关阅读