在 MetaTrader 5 中使用自组织特征映射（Kohonen 映射）（基础篇）
「在 MT5 里跑通 Kohonen 自组织映射」
自组织特征映射（SOM，也称 Kohonen 网络）是一种无监督神经网络，能把高维输入压缩到二维网格，使相似样本在网格上相邻。在 MT5 中可用 MQL5 直接实现，不依赖外部 Python 或 R。
这套思路适合把多周期波动率、动量、价差结构等特征做聚类，让交易者肉眼看出当前行情落在历史样本的哪个区域。外汇与贵金属杠杆高、滑点突变频繁，聚类结果只代表历史形态相似度，不预示方向，实盘须自担高风险。
下面这段是最小可用的网格训练骨架：先定义神经元权重数组，再用随机样本迭代更新。你可以直接贴进 MT5 的脚本里跑，观察 winner 索引变化。
class="type">class="kw">double weights[class="num">10][class="num">5]; class=class="str">"cmt">// 10个神经元, 每个5维输入 class="type">int winner; for(class="type">int n=class="num">0;n<class="num">1000;n++){ class="type">class="kw">double sample[class="num">5]; for(class="type">int i=class="num">0;i<class="num">5;i++) sample[i]=MathRand()/class="num">32767.0; class="type">class="kw">double best=class="num">1e9; for(class="type">int k=class="num">0;k<class="num">10;k++){ class="type">class="kw">double d=class="num">0; for(class="type">int i=class="num">0;i<class="num">5;i++) d+=(sample[i]-weights[k][i])*(sample[i]-weights[k][i]); if(d<best){best=d;winner=k;} } for(class="type">int i=class="num">0;i<class="num">5;i++) weights[winner][i]+=class="num">0.1*(sample[i]-weights[winner][i]); }
SOM 是什么以及它在 MT5 里怎么落地
自组织特征映射（SOM）是一类无监督训练的人工神经网络，核心是把高维输入空间压成二维离散网格，方便做分类和可视化。这东西是芬兰教授 Teuvo Kohonen 先提出来的，所以圈内也直接叫 Kohonen 映射，本质上跟多维标度思路接近，但带上了神经网络的权重自适应。 在 MT5 里跑这套，可视化不能靠常规图表控件，得自己画。我们借助 cIntBMP 这个能生成 BMP 图像的库，把映射结果写成位图文件，再在客户端里调出来看。原始算法参考了 ai-junkie 上面的实现版本，后续会直接搬进 MQL5 代码里改。 本篇先不堆数学，重点是把 Kohonen 映射的两个简单用法在 MT5 中跑通：一个是把行情特征降维后看聚类，一个是据此做可视化的状态区分。外汇和贵金属波动高、跳空频繁，降维结果只反映历史样本结构，对后续走势只具概率性参考。
◍ 无监督降维的 Kohonen 映射怎么干活
自组织特征映射（SOM）由 Teuvo Kohonen 在 1982 年提出，它不要求输入与输出有一一对应，靠无监督学习自己摸数据分布。本质上，它把高维输入的非线性统计关系，压到一张两维网格上，变成点与点之间的几何邻近关系，分类和可视化一下就直观了。 一个最朴素的例子是 4x4 共 16 个节点的 Kohonen 网格，每个节点挂一个三维权重向量，并在栅格里有 (x,y) 坐标。训练时不需要你给目标值，而是让权重跟输入向量对得上的那片栅格区域被反复优化，最后每个稳定区域都相当于一个特征分类器。 具体步骤是：先随机初始化全部节点权重；再从训练集随机抽一个向量，扫一遍所有节点找出权重最靠近它的那个——叫最佳匹配单元（BMU）；接着算 BMU 的邻域半径，初始等于整张栅格半径，之后逐轮收缩。半径内的节点按离 BMU 远近调权重，越近调得越狠。这套动作重复 N 次迭代就出映射。 开 MT5 自己写个 4x4 网格跑两组三维随机点，观察迭代 500 次前后节点权重的聚集情况，比看文字描述来得快。外汇与贵金属价格序列做这类降维前务必做标准化，这类品种波动聚集、跳空频繁，直接喂原始价容易让映射失真。
「用 SOM 把颜色、食物和鸢尾花压成一张图」
自组织映射（SOM）最直观的练手素材是颜色聚类。取 8 个 RGB 向量如红 (255,0,0)、深蓝 (0,0,139)、紫 (128,0,128)，用 CSOMNode 与 CSOM 两个类在 MT5 里跑网格训练，映射在经过 2400 步后稳定成型。把节点扩到 300 个、画布设 400x400，就能看到聚类被清晰本地化；改六边形单元格并设 ShowBorders=false，可去掉边框只留色块。 Web 颜色常量直接进训练集更省事。从 CSOM 派生 CSOMWeb，无需手填分量即可把一组接近色扔进网络。启动 som-ex2-hex.mq5 后能看到聚类，但像 xxxBlue 这类分量极近的色会被撕到不同区域——这是训练集结构导致的，不是 bug。 食物表用蛋白/碳水/脂肪三维向量分组，25 项里牛排(20.9,0,7.9)、黄油(1,0,81)、糖(0,95.1,0) 因数值跨度大，在 RGB 映射里分别偏红、蓝、绿。代码里用 m_max_values[] 和 m_min_values[] 做定标，重载 Train()/Render() 即可。 四维的 Fisher 鸢尾花数据（花萼长/宽、花瓣长/宽各 50 样本）用 CMYK 空间转 RGB 呈现，山鸢尾因第 2 分量“洋红”偏大被线性分离。但完整聚类拿不到，得靠分量平面：30x30 网格、300x300 图下，山鸢尾在第 1/3/4 平面取最小、第 2 平面取最大，和 CMYK 图互证。 通用版 SOM.mq5 能从 food.csv 读任意维数据，ColorScheme 支持 0/1/2/4 四种渐变（黑-白、蓝绿黄红、红黑绿、红白绿）。把维度解耦后，外汇贵金属玩家也能依此把多品种波动率向量化——不过多资产相关性受宏观事件驱动，高杠杆下误判聚类会引发快速回撤，仅作结构参考。
用自组织映射拆解优化结果的空间结构
在 MT5 策略测试器里跑完 MovingAverage.mq5 的遗传算法优化后，把 EURUSD H1、2011.01.01-2011.05.24 区间、以最大余额为目标的 400 组参数导出成 XML，再整理出 optim.csv 的 9 列数据（含获利、获利系数、回收系数、夏普比率、交易次数、获利交易百分比、移动周期、移动偏移）。用 som.mq5 生成的分量平面里，获利/获利系数/回收系数/夏普比率这四张图高度同向，最佳区落在左上角，对应 MovingPeriod 标记值约 45–50。 EA 按小时线测试、策略依赖趋势穿越，那个 45–50 的周期约等于 2 个交易日，可看作 2011 上半年欧美的“趋势记忆长度”。把移动周期调小，穿越变多、交易次数平面转黄红；移动偏移加大，交易次数反而走低，且它对收益类分量平面几乎无牵引——说明这参数不是该系统的敏感项。外汇与贵金属杠杆高、滑点跳空频繁，这类映射结论只描述历史样本内的概率倾向，实盘须重测。 下面这段 CSOMNode 类是承载单个神经元坐标与权重的底盘，读懂它就能改网格尺寸或权重维度去适配自己的 csv。 代码逐行看：类头声明 CSOMNode；protect 里 m_x1/m_y1/m_x2/m_y2 是节点在网格里的矩形边界整型坐标，m_x/m_y 是中心浮点坐标，m_weights[] 存该节点的特征权重向量；public 里构造析构成对出现，InitNode 用四个整型参数初始化边界，X() 是只读返回中心横标的内联方法。
class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| CSOMNode class | class=class="str">"cmt">//+------------------------------------------------------------------+ class CSOMNode { class="kw">protected: class="type">int m_x1; class="type">int m_y1; class="type">int m_x2; class="type">int m_y2; class="type">class="kw">double m_x; class="type">class="kw">double m_y; class="type">class="kw">double m_weights[]; class="kw">public: class=class="str">"cmt">//--- class constructor CSOMNode(); class=class="str">"cmt">//--- class destructor ~CSOMNode(); class=class="str">"cmt">//--- node initialization class="type">void InitNode(class="type">int x1,class="type">int y1,class="type">int x2,class="type">int y2); class=class="str">"cmt">//--- class="kw">return coordinates of the node&class="macro">#x27;s center class="type">class="kw">double X() const { class="kw">return(m_x);}
◍ CSOM 容器类把节点网格和训练参数收拢到一起
上文的 CSOMNode 只管单个神经元，真正跑自组织映射的是 CSOM 类。它内部用 m_som_nodes[] 动态数组装下全部节点，x、y 方向节点数由 m_xcells / m_ycells 控制，配合 m_xsize / m_ysize 决定输出位图尺寸。 训练相关的超参数都挂在 protected 区：m_map_radius 是邻域半径，m_time_constant 控制半径随迭代衰减的速度，m_initial_learning_rate 是初始学习率，m_iterations 是总迭代次数。这几个值直接决定网格收敛形态，外汇或贵金属行情特征做聚类时建议先用小样本调 m_iterations（例如 500~2000）观察节点分布是否稳定。 对外接口里，BestMatchingNode(double &vector[]) 返回与输入向量距离最近的节点下标，是推理时定位价格状态的核心方法；InitParameters(...) 在训练前必须调用，否则 m_som_nodes[] 未分配空间会触发数组越界。打开 MT5 把下面声明贴进头文件，就能接着写训练循环。
class="type">class="kw">double Y() const { class="kw">return(m_y);} class=class="str">"cmt">//--- returns the node coordinates class="type">void GetCoordinates(class="type">int &x1,class="type">int &y1,class="type">int &x2,class="type">int &y2); class=class="str">"cmt">//--- returns the value of weight_index component of weight&class="macro">#x27;s vector class="type">class="kw">double GetWeight(class="type">int weight_index); class=class="str">"cmt">//--- returns the squared distance between the node weights and specified vector class="type">class="kw">double CalculateDistance(class="type">class="kw">double &vector[]); class=class="str">"cmt">//--- adjust weights of the node class="type">void AdjustWeights(class="type">class="kw">double &vector[],class="type">class="kw">double learning_rate,class="type">class="kw">double influence); }; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| CSOM class | class=class="str">"cmt">//+------------------------------------------------------------------+ class CSOM { class="kw">protected: class=class="str">"cmt">//--- class for using of bmp images cIntBMP m_bmp; class=class="str">"cmt">//--- grid mode class="type">int m_gridmode; class=class="str">"cmt">//--- bmp image size class="type">int m_xsize; class="type">int m_ysize; class=class="str">"cmt">//--- number of nodes class="type">int m_xcells; class="type">int m_ycells; class=class="str">"cmt">//--- array with nodes CSOMNode m_som_nodes[]; class=class="str">"cmt">//--- total items in training set class="type">int m_total_training_sets; class=class="str">"cmt">//--- training set array class="type">class="kw">double m_training_sets_array[]; class="kw">protected: class=class="str">"cmt">//--- radius of the neighbourhood(used for training) class="type">class="kw">double m_map_radius; class=class="str">"cmt">//--- time constant(used for training) class="type">class="kw">double m_time_constant; class=class="str">"cmt">//--- initial learning rate(used for training) class="type">class="kw">double m_initial_learning_rate; class=class="str">"cmt">//--- iterations(used for training) class="type">int m_iterations; class="kw">public: class=class="str">"cmt">//--- class constructor CSOM(); class=class="str">"cmt">//--- class destructor ~CSOM(); class=class="str">"cmt">//--- net initialization class="type">void InitParameters(class="type">int iterations,class="type">int xcells,class="type">int ycells,class="type">int bmpwidth,class="type">int bmpheight); class=class="str">"cmt">//--- finds the best matching node, closest to the specified vector class="type">int BestMatchingNode(class="type">class="kw">double &vector[]);