使用带 ENCOG 机器学习框架的 MetaTrader 5 指标进行时间序列预测（基础篇）
「用 ENCOG 框架在 MT5 里跑时间序列预测」
MetaTrader 5 可以接 ENCOG 机器学习框架做指标级的时间序列预测，思路是把历史报价当训练样本，让网络学出下一步价格的映射关系。这套玩法在 2014 年初就有公开示例，原帖当时拿到 6682 次查看、58 条讨论，说明老交易员早就盯上 ML 接 MT5 的落地可能。 想在 MT5 验证，核心是先确认终端版本支持自定义指标调用外部 DLL 或脚本宿主；ENCOG 本身是 .NET 系框架，走 MQL5 + C# 混合桥接更稳。外汇与贵金属杠杆高、滑点随机，模型回测漂亮不等于实盘概率占优，上线前先用历史分片做 walk-forward 才靠谱。 小布盯盘的做法是：把预测输出画成副图偏差带，只当 confluency 参考，不单独开仓。你能马上做的，是开 MT5 新建一个空指标，把下面这段骨架贴进去看编译是否通过。
◍ 为什么用 ENCOG 给 MT5 接神经网络
把 MetaTrader 5 接上机器学习，老路子有 FANN、NeuroSolutions、Matlab、NeuroShell 等。ENCOG 是 Heaton Research 的开源框架，定位是补充方案而非替代，代码牢固且设计干净，适合直接读源码理解时间序列预测。 选它有几个硬理由：已被两个商业交易软件实测过（一个 C#、一个 JAVA），专门用来预测金融时间序列；免费开源，C# 代码清晰易读；文档完善，作者 Heaton 提供免费在线课和 JAVA/C# 电子书，官网有完整说明。 项目没死。写稿时 ENCOG 2.6 仍在开发，3.0 路线图已发布；它支持多 CPU 内核与多线程，部分代码开始向 OpenCL（GPU 计算）移植。当前已支持前馈/Elman/Jordan 递归、遗传算法、NEAT、PNN/GRNN、SOM 等架构，训练技术含 RPROP、SCG、LMA 等，激活函数覆盖 Sigmoid、双曲正切、高斯等十余种。 本篇只落地一个点：用弹性传播（RPROP）训练的前馈网络，加上时间序列的量化与常态化编制。桥梁是之前写的《使用非托管导出将 C# 代码运用到 MQL5》——把 C# DLL 夹在 MT5 指标和 ENCOG 程序之间，外汇/贵金属预测属高风险，回测结论仅代表历史概率。
把指标值喂给前馈网络之前
做金融时间序列预测，核心是先想清楚往神经网络里塞什么、指望它吐什么。抽象地看，我们盯一只标的的过去价格和技术指标，试图预判后续市场情绪和价格方向，从而决定做多还是做空，而不是靠抛硬币下注。 前馈网络按层排布神经元，最少两层：输入层装输入神经元，输出层装输出神经元，中间可夹隐藏层。输入层本质是个 double 数组，输出层也是一个或多个 double 组成的数组。图里常省略连线，但事实是输入层每个神经元都连到隐藏层对应神经元，隐藏层再连回下一层。 每条连接带一个权重（也是 double），配一个带阈值的激活函数，决定信号是否向下一层传递——信息单向往前灌，所以叫“前馈”。 落地到 MT5 环境，真正卡住人的不是网络结构，而是四个实操点：喂什么数据、怎么喂、输入怎么归一化、输入输出神经元各开几个。训练完网络期待拿到的，也应是“上涨或下跌的概率倾向”，而非确定信号。外汇与贵金属波动受杠杆和跳空影响，模型误判会带来显著亏损风险。
「喂给神经网络的特征怎么挑」
做金融预测时，网络吃进去的应该是你真正用来判断行情的那些指标输出，而不是裸价格。这篇里只拿了随机指标 %K、慢速随机 %D 和威廉 %R 三组值当输入，纯粹是教学示范，不代表它们就是最优特征。 提取数值直接调 MT5 内置的 iStochastic 和 iWPR 就行，把三个数组按时间倒序排好，再 CopyBuffer 把指标缓冲拷进来。训练样本拉大之后，每个数组可能堆到几千个值，内存和读取耗时都得提前算。 真要落地，建议拿你自己验证过有边际信息的量去试：比如用黄金、原油去蹭股指的拐头，或者把相关性高的 forex 货币对互为输入猜另一个。外汇和贵金属杠杆高、跳空频繁，这类跨品种推断只是概率倾向，实盘前务必小仓位验证。
class="type">class="kw">double StochKArr[], StochDArr[], WilliamsRArr[]; ArraySetAsSeries(StochKArr, true); ArraySetAsSeries(StochDArr, true); ArraySetAsSeries(WilliamsRArr, true); class="type">int hStochastic = iStochastic(Symbol(), Period(), class="num">8, class="num">5, class="num">5, MODE_EMA, STO_LOWHIGH); class="type">int hWilliamsR = iWPR(Symbol(), Period(), class="num">21); CopyBuffer(hStochastic, class="num">0, class="num">0, bufSize, StochKArr); CopyBuffer(hStochastic, class="num">1, class="num">0, bufSize, StochDArr); CopyBuffer(hWilliamsR, class="num">0, class="num">0, bufSize, WilliamsRArr);
◍ 用 timebox 把指标切片喂给网络
从多个指标抓完原始数据后，直接丢进神经网络会破坏时序结构，所以要先做时间定量（timeboxing）：把每个指标在最近 INPUT_WINDOW 根柱上的数值，按滑动窗口方式抽出来，再拼成一条输入向量。 第一步是从指标缓存里按开始位向将来位复制 INPUT_WINDOW 个元素。比如 INPUT_WINDOW=4，就把 4 根柱的值拷进数组 I1，I1[0] 是最早一根、I1[3] 是最近一根；带 AS_SERIES 标记的时间序列数组，索引方向也按这个逻辑对齐，其他指标同样各拷一份等长数组。 第二步是合并。假设接了 3 个指标，合并时先取各指标的第 1 个值、再各取第 2 个值，依此类推填满窗口，形成神经网络输入层要的一条数组。新柱一来，窗口整体前移一格，旧值挤出、新值补入，流程重跑。 在 MT5 里把 INPUT_WINDOW 从 4 改成 10 或 20，能直接看到输入向量长度变化，可据此验证自己对滑动盒的理解有没有偏差；外汇与贵金属行情跳空频繁，窗口拉太长可能把异质波动一并喂进模型，带来过拟合倾向。
喂给神经网络的数值必须先压进区间
激活函数能不能算对，前提是你送进去的数据尺度一致。把原始行情压到 0..1 或 -1..1，这一步叫正态化；反推回原始量纲叫去正态化，二者互为逆操作。 在 MT5 里接 ENCOG 框架时，标准化和去标准化它内部已经包办，你不用自己写管线。但想改输入边界或排查预测偏移，得知道它底层那两行线性映射在干什么。 下面这段是框架里正态化与去正态化的 Java 风格实现（MQL5 调用 ENCOG 时逻辑同源），INPUT_LOW/INPUT_HIGH 是原始数据上下界，OUTPUT_LOW/OUTPUT_HIGH 是目标区间上下界： 别把边界当摆设 INPUT_LOW 和 INPUT_HIGH 若取错（比如用了未来才出现的极值），正态化会把历史样本压歪，网络学到的映射在实盘就可能失真。外汇与贵金属杠杆高、跳空频繁，边界要用滚动窗口统计量而非全样本固定值。
class=class="str">"cmt">/** * Normalize the specified value. * @param value The value to normalize. * @class="kw">return The normalized value. */ class="kw">public class="kw">static class="type">class="kw">double normalize(final class="type">int value) { class="kw">return ((value - INPUT_LOW) / (INPUT_HIGH - INPUT_LOW)) * (OUTPUT_HIGH - OUTPUT_LOW) + OUTPUT_LOW; } class=class="str">"cmt">/** * De-normalize the specified value. * @param value The value to denormalize. * @class="kw">return The denormalized value. */ class="kw">public class="kw">static class="type">class="kw">double deNormalize(final class="type">class="kw">double data) { class="type">class="kw">double result = ((INPUT_LOW - INPUT_HIGH) * data - OUTPUT_HIGH * INPUT_LOW + INPUT_HIGH * OUTPUT_LOW) / (OUTPUT_LOW - OUTPUT_HIGH); class="kw">return result; }