EA交易的自我优化: 进化与遗传算法（基础篇）
「EA 自我优化的两条进化路径」
在 MT5 里谈 EA 自我优化，核心就两条路：一是让策略在运行中根据近期行情微调参数，二是用遗传算法在大量参数组合里筛出较优解。前者偏在线适应，后者偏离线搜索，二者解决的不是同一类问题。 一篇 2016-08-29 发布于 MT5 社区的交易系统文章，截至统计时获得 12 452 次查看与 38 条讨论，主题正是把进化思路搬进 EA。这类内容之所以被反复翻出来，是因为手动调参在多维参数空间里基本失效——人脑很难同时权衡 5 个以上参数的相互作用。 遗传算法不保证盈利，只是把「暴力遍历」换成「概率性收敛」，外汇与贵金属市场高杠杆、高波动，任何优化结果都只是历史样本上的倾向，实盘仍需严格风控验证。
这篇系列要拆解什么
本篇系列聚焦用进化算法给 MT5 交易系统做参数寻优，整条脉络从算法起源一直落到实盘实验。 原文规划了 7 大块：先讲进化算法怎么来的、遗传算法(GA)的术语与搜索策略，再列 GA 的优缺点，最后用 tabuSearch、rgenoud、SOMA、GenSA 四种方法分别搜预测器组合与 TS 最佳参数。 实验部分明确写了 6.1 搜预测器最佳组合用 tabuSearch，6.2 搜交易系统参数同时跑了带衍生工具的遗传优化 rgenoud、自组织迁移算法 SOMA 和广义模拟退火 GenSA——这 4 个工具在 MT5 里都能找到对应封装或 DLL 接入方式，后面逐节会拆代码。 外汇与贵金属杠杆高、滑点跳空频繁，任何寻优结果都只是历史样本上的概率倾向，开 MT5 前先确认你的品种点值和数据质量。
◍ 给交易者看的遗传算法入门视角
不少老交易者早注意到一个事实：EA 的自我优化不该靠人为停跑去干预，系统本应持续在盘面上迭代参数。此前已有几篇基于某开发库做实验的文章，但发布时间早，后来新出的强算法和用法没覆盖到，而且那些内容偏开发者语境，交易员读着费劲。 这篇只讲遗传算法（GA）在 MT5 实盘优化里的实际用法，不堆技术推导。对交易员来说，搞清三件事就够用：GA 收敛靠什么、哪些参数直接拖慢或拖垮收敛质量、它相比别的进化算法在什么行情下更稳。 我会从 GA 的来由讲起，再拆开它几个关键提升参数，最后拿它和普通进化算法对照。外汇与贵金属杠杆高、滑点跳空频繁，GA 优化出的参数集也只是概率占优，不是免死金牌，开 MT5 跑之前先想好样本外验证窗口。
「进化算法的几条早期来路」
进化计算不是单点起源，而是几条独立线索在 60–70 年代并行铺开的。Holland 的遗传算法与分类系统最早见于 60 年代初，真正引爆学界关注是 1975 年《Adaptation in Natural and Artificial Systems》出版之后，这本书至今是该领域的经典底本。 同一时期苏联线也在走另一条路：L.A. Rastrigin 在随机搜索框架里引入仿生行为思路，经 I.L. Bukatova 的进化建模工作落地；Y.I. Neumark 借 M.L. Tsetlin 的随机自动机理论，提出用物种生灭模型去搜全局极值。Fogel 与 Walsh 各自推进了进化编程，方法不同但都做了同一件事——把自然进化原则简化成能在计算机上跑的策略。 从落地角度可粗略划两个极点：一端是基于生物学原则但能用非生物语言描述的优化系统（遗传算法、进化策略、进化编程都靠这头）；另一端是更像真实生物、短期难直接用的类人工生命系统。实际工程里两者边界是模糊的，多数系统落在中间带。外汇与贵金属建模若借这类算法做参数寻优，需明白：历史回测优异不代表实盘稳健，杠杆市场高风险不可逆。
把自然选择搬进MT5优化器
进化算法是人工智能里偏仿生的那一脉，核心就一句话：用选择、交叉、突变、复制这套生物进化机制，去搜一个问题的近似最优解。放到外汇和贵金属策略里，它常用于参数寻优和结构搜索，这类品种波动受宏观与流动性扰动大，属于高风险博弈，任何‘最优’都只是历史样本下的概率倾向。 具体落地有好几种形态。遗传算法（GA）操作一组‘染色体’（即参数向量），随机选父母、交叉、按目标函数留后代；遗传编程连程序结构都进化；进化策略只做正向突变；神经进化则把基因组换成神经网络的权重甚至拓扑。 Hill Climbing 只动单条染色体，每次随机改基因（变异），只有适应度提高才保留；模拟退火允许以一定概率接受变差的解，避免卡在局部峰。 和明确数学规划比，进化方法能在合理时间内给出接近最优的方案；和普通启发式比，它对问题本身的特性依赖更弱，还能吃不可量化、带语义的变量空间。代价是结果不稳定——同一套 GA 在 EURUSD 上跑十次，最佳参数组合可能差出 20% 回撤，所以上 MT5 前务必多种子复跑。 粒子群（PSO）模拟多代理朝当前最优个体靠拢，蚁群（ACO）模仿蚂蚁找最短觅食路径。它们和 GA 同属进化计算，但搜索动力学不同：PSO 偏群体惯性，ACO 偏路径概率蒸发。实盘前建议用 MT5 的遗传优化先扫一遍，再换 PSO 插件交叉验证。
◍ 用生物进化逻辑跑参数搜索
遗传算法本质是把达尔文式自然选择搬进优化器：把每一组候选参数当成「物种」，用适应度函数给它们打分，适应性高的才有机会交叉繁殖出下一代。MT5 的遗传优化就是这套机制，默认把历史测算里的利润因子、夏普类指标折算成适应度。 具体循环是——每一代先淘汰低适应度个体，再对高分组做交叉（crossover）和变异（mutation），子代继承父母双方部分基因。若编码合理，搜索会逐步收敛到样本内更优区域，但样本外衰减是外汇与贵金属高频场景里的常见现象，杠杆品种尤其要警惕过拟合。 实操上，开 MT5 策略测试器选「遗传算法」模式，种群规模设 50~100、代际 30~50 往往比暴力遍历快一个数量级；不过遗传结果带随机种子，同一 EA 跑两次可能落点不同，验证时至少复跑三遍看稳定性。