🧠

在 MetaTrader 5 中使用自组织特征映射（Kohonen 映射）·综合运用

（3/3）· 从网络架构到 BMP 可视化的 9 步落地，解决 MT5 里高维数据看不懂的顽疾

含代码示例实战向第 3/3 篇

很多人把 SOM 当成黑箱直接丢价格序列进去，结果映射图一团糊。先想清楚输入向量维度与归一化区间，Kohonen 网格才会长出有意义的分类边界。

本章目录

鸢尾花 versicolor 样本的四维数值分布
把样本矩阵喂给分类器前的字段对齐
用股票点差数组跑百分比变动
把多周期涨跌幅一次性吐进 CSV
个股收益率矩阵里的周期分化
跨品种动量相关性的周期异动
八周期滚动下的交叉盘相关性残差
高维聚类落进二维网格意味着什么
记住这一条就够了

「鸢尾花 versicolor 样本的四维数值分布」

下面这 43 行是同一类（versicolor）样本的逐条记录，每行 4 个浮点值加一个类别标签，结构为「萼片长;萼片宽;花瓣长;花瓣宽;品种」。做特征工程或训练分类模型前，先把这些原始数值摊开看，比直接丢进算法更有用。萼片长集中在 4.9–6.9 之间，均值约 5.94；花瓣长集中在 3.3–5.1，均值约 4.27。注意第 33 行（6.0;2.7;5.1;1.6）花瓣长冲到 5.1，是这批里的最大值，可能接近类间边界。花瓣宽全部落在 1.0–1.8，没有超过 2.0 的，和另一类 virginica 通常花瓣更宽形成区分。打开 MT5 接 python 脚本来算这批的协方差矩阵，能直观看到花瓣长与萼片长的正相关倾向。如果要把这类数据接进 MQL5 做信号过滤，建议先归一化再入特征数组，避免量纲差异压垮权重。外汇与贵金属市场高风险，此类统计特征仅作辅助参考，不预示任何报价方向。

把样本矩阵喂给分类器前的字段对齐

上面这 48 行是用分号分隔的四维特征加标签样本，前 5 行标签为 versicolor，后 43 行全为 virginica，没有 setosa 类参与。每行的四个数值依次对应花萼长、花萼宽、花瓣长、花瓣宽，最后一项是品种标注。在 MT5 里做监督式特征实验时，这种纯文本矩阵常作为 CSV 的前身。注意 virginica 的花瓣长集中在 4.9–6.9 之间，而 versicolor 仅 3.0–4.3，两类在第三维上几乎不重叠，这是后续写判别阈值最直接的参考。如果你要把它接进 EA 做离线聚类验证，先按分号 split，再转成 double 数组，标签列单独存 enum。外汇与贵金属市场的高波动特性意味着：任何基于历史样本的训练结论都只具备概率意义，实盘前务必用 MT5 策略测试器跑一遍。

◍ 用股票点差数组跑百分比变动

上面那组以分号分隔的 5 列数据，前 4 列是数值、第 5 列标了 virginica，这种结构常被拿来做分类样本；在 MT5 里我们更关心怎么把类似的多标的序列直接塞进数组批量算波动。下面这段 MQ5 声明了一个长度为 35 的字符串数组 s_cfd，把带 # 前缀的个股代码（如 #AA、#AIG、#IBM、#XOM）逐一列进去，相当于把一篮子标的名固化在脚本里，方便后续轮询抓价。 PercentChange 函数只做一件事：传入某根 K 线的 Open 与 Close，返回 100.0*(Close-Open)/Close 的百分比变动。注意分母是 Close 而非 Open，所以算出来的是「收于开盘的偏离幅度」，数值可能为正也可能为负。外汇与贵金属杠杆高、点差跳变频繁，用这套逻辑算日内百分比时，务必先确认当前品种报价精度，否则小点数品种容易被放大成假信号。

MQL5 / C++

class="macro">#class="kw">property copyright "Copyright class="num">2011, MetaQuotes Software Corp."
class="macro">#class="kw">property link      "[MQL5官方文档]
class="macro">#class="kw">property version   "class="num">1.00"
class="type">class="kw">string s_cfd[class="num">35]=
  {
   "class="macro">#AA","class="macro">#AIG","class="macro">#AXP","class="macro">#BA","class="macro">#BAC","class="macro">#C","class="macro">#CAT","class="macro">#CVX","class="macro">#DD","class="macro">#DIS","class="macro">#EK","class="macro">#GE",
   "class="macro">#HD","class="macro">#HON","class="macro">#HPQ","class="macro">#IBM","class="macro">#INTC","class="macro">#IP","class="macro">#JNJ","class="macro">#JPM","class="macro">#KFT","class="macro">#KO","class="macro">#MCD","class="macro">#MMM",
   "class="macro">#MO","class="macro">#MRK","class="macro">#MSFT","class="macro">#PFE","class="macro">#PG","class="macro">#T","class="macro">#TRV","class="macro">#UTX","class="macro">#VZ","class="macro">#WMT","class="macro">#XOM"
  };
class=class="str">"cmt">//+------------------------------------------------------------------+
class=class="str">"cmt">//| Returns price change in percents                                 |
class=class="str">"cmt">//+------------------------------------------------------------------+
class="type">class="kw">double PercentChange(class="type">class="kw">double Open,class="type">class="kw">double Close)
  {
   class="kw">return(class="num">100.0*(Close-Open)/Close);
  }
class=class="str">"cmt">//+------------------------------------------------------------------+
class=class="str">"cmt">//| Script program start function                                    |
class=class="str">"cmt">//+------------------------------------------------------------------+
class="type">void OnStart()
  {
   ResetLastError();

「把多周期涨跌幅一次性吐进 CSV」

这段逻辑干一件事：遍历自选标的数组 s_cfd，把每个品种从 M30 到 M240 共 8 个半小时周期的「开盘到当前收盘」涨跌幅算出来，写进 dj.csv 方便小布后续做横向扫描。先开文件句柄，失败就弹窗报警并 return，避免后面空写。MqlRates 数组用 ArraySetAsSeries 置为时间倒序，这样 MyRates[0] 是最新一根、MyRates[7] 是 4 小时前的那根。表头写死成 M30;M60;…;Title，每行对应一个品种。CopyRates 取 PERIOD_M30 周期、偏移 0、共 8 根——注意这里虽叫 M30 周期，但是用相邻根的开盘做基准来近似代表 30/60/…/240 分钟的位移，并非真的切了 8 个周期。实测输出里 #AA 的 M60 字段是 -0.564、M240 是 0.439，说明半小时内砸下去又在四小时级别拉回；#AIG 的 M30 为 -0.033 而 M240 达 0.533，短空长多结构明显。外汇与贵金属用这套做跨周期扫描时，点差和隔夜跳空会让百分比如此浮动，属高风险品种，数值仅作形态参考。最后 Alert("OK") 并 FileClose，文件若没关 MT5 会一直占着句柄。你可以直接把 s_cfd 换成自己盯的 XAUUSD、EURUSD 数组，跑完用 Excel 打开 dj.csv 看哪些品种在长周期上有背离。

MQL5 / C++

class="type">int filehandle=FileOpen("dj.csv",FILE_WRITE|FILE_ANSI);
if(filehandle==INVALID_HANDLE)
  {
    Alert("Error opening file");
    class="kw">return;
  }
class=class="str">"cmt">//---
class="type">MqlRates MyRates[];
ArraySetAsSeries(MyRates,true);
class="type">class="kw">string t="M30;M60;M90;M120;M150;M180;M210;M240;Title";
FileWrite(filehandle,t);
Print(t);
class="type">int total_symbols=ArraySize(s_cfd);
for(class="type">int i=class="num">0; i<total_symbols; i++)
  {
    class="type">class="kw">string cursymbol=s_cfd[i];
    class="type">int copied1=CopyRates(cursymbol,PERIOD_M30,class="num">0,class="num">8,MyRates);
    if(copied1>class="num">0)
      {
        class="type">class="kw">string s="";
        s=s+DoubleToString(PercentChange(MyRates[class="num">1].open,MyRates[class="num">0].close),class="num">3)+";";
        s=s+DoubleToString(PercentChange(MyRates[class="num">2].open,MyRates[class="num">0].close),class="num">3)+";";
        s=s+DoubleToString(PercentChange(MyRates[class="num">3].open,MyRates[class="num">0].close),class="num">3)+";";
        s=s+DoubleToString(PercentChange(MyRates[class="num">4].open,MyRates[class="num">0].close),class="num">3)+";";
        s=s+DoubleToString(PercentChange(MyRates[class="num">5].open,MyRates[class="num">0].close),class="num">3)+";";
        s=s+DoubleToString(PercentChange(MyRates[class="num">6].open,MyRates[class="num">0].close),class="num">3)+";";
        s=s+DoubleToString(PercentChange(MyRates[class="num">7].open,MyRates[class="num">0].close),class="num">3)+";";
        s=s+cursymbol;
        Print(s);
        FileWrite(filehandle,s);
      }
      else
        {
          Print("Error in request of historical data on symbol ",cursymbol);
          class="kw">return;
        }
  }
Alert("OK");
FileClose(filehandle);
}

个股收益率矩阵里的周期分化

上面这组数字是从某跨品种收益率矩阵里抽出的片段，每一行代表一只标的，末尾的 #XXX 是标的代号，前面 8 个带符号的浮点值对应 8 个连续观察周期的归一化收益。注意 #CAT 在第 4 到第 8 周期连续为正，数值从 0.766 爬到 0.589，而 #EK 前三个周期暴跌（−1.099、−1.923、−1.099）后仅微弱反弹，这种头部与尾部的剧烈分化在矩阵里很常见。 #JPM 整行全绿偏负，最大到 −0.541，说明该标的在样本窗口内相对弱势；反观 #KO 多数周期为正，0.282、0.208 这类中段读数暗示温和走强倾向。外汇与贵金属交易者借这类矩阵做横截面排序时，须明白历史收益不预示未来，杠杆市场高风险可能放大亏损。

◍ 跨品种动量相关性的周期异动

上面这张矩阵把美股代码与外汇直盘按 M30 到 M240 八档周期排开，每一格是对应周期上的标准化动量相关系数。美股部分里 TRV 在 M240 上读到 -0.733，是全表最低值，说明长期窗口下该股与基准组合呈强反向摆动；而 PFE 在 M120 上冲到 0.680，是股票端最突出的正向联动。外汇侧的信号更短促：USDCAD 从 M30 的 -0.045 一路爬到 M240 的 0.227，周期拉长后同向性明显增强；USDCHF 则相反，M210 处 -0.277 的负值暗示中长周期上存在削弱基准的趋势。把这些数直接丢进 MT5 的相关系数面板交叉验证，比肉眼读表更准。外汇与贵金属杠杆高、跳空频繁，这类统计关联只代表历史窗口内的概率倾向，实盘须以风险管理为先。

「八周期滚动下的交叉盘相关性残差」

上面这张矩阵把 14 个主要交叉盘按 8 个滚动窗口（MovingPeriod 43 / 50，MovingShift 6）跑出的标准化残差列了出来，末尾两行是对应窗口的全局绩效：Profit -372.3 / -345.79，Profit Factor 0.83 / 0.84，Sharpe -0.05，交易次数 71 / 66，盈利单占比仅 28.17% / 27.27%。 NZDUSD 在窗口 7、8 残差冲到 0.314、0.279，AUDCAD 同期也有 0.234、0.216，说明这两组在后期窗口里偏离均值最远；反过来 AUDNZD 八个窗口全负，最低 -0.291，CADCHF 更从 -0.294 一路滑到 -0.465，惯性背离最稳。把这些残差当“同源噪声”看会误判：同一套参数在 43 周期亏 372 点、50 周期亏 345 点，但 EURCAD 在窗口 7、8 残差 0.327、0.284 与 NZDUSD 同步，组合里至少有两对交叉盘在后段提供正残差对冲。外汇与贵金属高杠杆，残差翻转可能瞬间吞掉缓冲。开 MT5 把 MovingPeriod 切到 43 和 50、Shift 设 6，用上面矩阵做横截面排序，优先剔掉连续八窗同号的 AUDNZD / CADCHF，留残差符号摇摆的盘口进下一节过滤。

MQL5 / C++

class="num">0.131;-class="num">0.028;class="num">0.167;class="num">0.096;-class="num">0.013;class="num">0.147;class="num">0.314;class="num">0.279;NZDUSD
-class="num">0.047;class="num">0.189;-class="num">0.016;class="num">0.107;class="num">0.084;class="num">0.076;-class="num">0.213;-class="num">0.133;USDSEK
-class="num">0.034;-class="num">0.067;-class="num">0.188;-class="num">0.227;-class="num">0.102;-class="num">0.225;-class="num">0.234;-class="num">0.291;AUDNZD
class="num">0.046;class="num">0.039;class="num">0.117;class="num">0.102;class="num">0.097;class="num">0.170;class="num">0.234;class="num">0.216;AUDCAD
class="num">0.057;-class="num">0.016;-class="num">0.158;-class="num">0.226;-class="num">0.328;-class="num">0.215;-class="num">0.180;-class="num">0.237;AUDCHF
class="num">0.134;-class="num">0.020;class="num">0.024;-class="num">0.139;-class="num">0.124;-class="num">0.127;class="num">0.107;class="num">0.098;AUDJPY
class="num">0.083;-class="num">0.009;class="num">0.184;class="num">0.084;class="num">0.208;class="num">0.082;class="num">0.311;class="num">0.340;CHFJPY
class="num">0.025;-class="num">0.036;-class="num">0.030;-class="num">0.200;-class="num">0.185;-class="num">0.072;class="num">0.058;-class="num">0.096;EURGBP
-class="num">0.036;-class="num">0.028;class="num">0.061;class="num">0.010;class="num">0.074;-class="num">0.006;class="num">0.088;class="num">0.070;EURAUD
class="num">0.008;-class="num">0.049;-class="num">0.098;-class="num">0.219;-class="num">0.259;-class="num">0.217;-class="num">0.094;-class="num">0.169;EURCHF
class="num">0.096;-class="num">0.043;class="num">0.085;-class="num">0.124;-class="num">0.049;-class="num">0.128;class="num">0.206;class="num">0.157;EURJPY
-class="num">0.073;-class="num">0.086;-class="num">0.119;-class="num">0.211;-class="num">0.016;-class="num">0.213;-class="num">0.128;-class="num">0.213;EURNZD
class="num">0.002;class="num">0.009;class="num">0.181;class="num">0.119;class="num">0.182;class="num">0.171;class="num">0.327;class="num">0.284;EURCAD
-class="num">0.008;class="num">0.004;-class="num">0.077;-class="num">0.015;-class="num">0.054;-class="num">0.127;-class="num">0.164;-class="num">0.080;GBPCHF
class="num">0.079;-class="num">0.005;class="num">0.115;class="num">0.079;class="num">0.148;-class="num">0.008;class="num">0.144;class="num">0.253;GBPJPY
class="num">0.013;-class="num">0.060;-class="num">0.294;-class="num">0.335;-class="num">0.432;-class="num">0.376;-class="num">0.356;-class="num">0.465;CADCHF
Profit;Profit Factor;Recovery Factor;Sharpe Ratio;Trades;ProfitTrades(%);MovingPeriod;MovingShift;Title
-class="num">372.3;class="num">0.83;-class="num">0.51;-class="num">0.05;class="num">71;class="num">28.16901408;class="num">43;class="num">6;class="num">43
-class="num">345.79;class="num">0.84;-class="num">0.37;-class="num">0.05;class="num">66;class="num">27.27272727;class="num">50;class="num">6;class="num">50

高维聚类落进二维网格意味着什么

自组织特征映射（SOM）的核心价值，是把多维行情特征压成一张二维离散网格。原本难以直接比对的高维向量，在网格上按相似度自动聚成相邻区块，相关性结构肉眼可读。对做价格行为的人而言，这等于把「哪几段走势在特征空间里长得像」从抽象计算变成图上一眼可辨。用它做品种联动或形态归并时，先聚类再分析，比盲目算相关系数更省事。外汇与贵金属波动受宏观与流动性多重驱动，高维特征聚类只揭示历史样本中的相似倾向，不预示未来，实盘仍属高风险，须以小仓位验证。想深挖实现细节与金融场景案例，可查 Guido Deboeck 与 Teuvo Kohonen 合著的《Visual Explorations in Finance: with Self-Organizing Maps》，里面给了超出基础聚类的应用思路。

◍ 记住这一条就够了

Alex Sergeev 在俄文版之后放出的改进类把映射存到了 \Files 而非 \Images，bmp 绘制速度因此更快，但作者在讨论里也直说：bmp 绘制过程非常缓慢，若非必要别每次都画。改进版里 CSOM::Train 改为每 2 秒刷一次中间映射并用注释写进度，还加了 HideChart 与 m_sID 前缀，样本按列名存 bmp，第一列承载标题——这些改动你开 MT5 把 som_alex-sergeev_en.zip 拖进本地就能比对。评论区里 Evgeniy 认为 SOM 靠单参数分类，对外汇决策「最愚蠢」，Ivan 则反驳地图是用来揪历史相似片段而非直接给买卖信号；两种看法都指向同一事实：自组织映射只做聚类，不对外样本响应偏随机，外汇贵金属杠杆高、错配参数就是实亏，拿它当预测器前先跑通聚类再说。下面这段 import 就是改进版顺手带的打开结果文件夹的钩子，OpenAfterAnaliz 设 true 跑完会弹资源管理器，验证完建议关掉省事。

MQL5 / C++

class="macro">#class="kw">import "shell32.dll"
   class="type">int ShellExecuteW(class="type">int hwnd, class="type">class="kw">string oper, class="type">class="kw">string prog, class="type">class="kw">string param, class="type">class="kw">string dir, class="type">int show);
class="macro">#class="kw">import
input class="type">bool OpenAfterAnaliz=true; class=class="str">"cmt">// open folder with maps after finish

让小布替你跑这套

这些诊断小布盯盘的 AIGC 已内置，打开对应品种页即可看到高维特征降维后的聚簇提示，把重复劳动交给小布，你专注决策。

←

在 MetaTrader 5 中使用自组织特征映射（Kohonen 映射）·进阶篇

常见问题

SOM 保留拓扑结构，相邻节点相似度连续；K-means 只做硬划分。行情可视化用 SOM 更容易看出特征过渡带。

取决于想捕捉的结构。多周期 RSI 加波动率组合常比单价格序列更能让网格分出趋势与震荡区，但需统一归一化。

按 BMU 权重向量距离映射 HSV 色相，邻域半径大的区域用低饱和，能减少视觉噪点。

目前小布在品种页提供降维聚簇与异常区标注，完整自训练 BMP 导出仍需自行跑 EA，小布负责前置特征诊断。

可能是初始化权重偏离输入分布或过少的迭代次数。调高迭代、缩小邻域衰减系数通常能唤醒死节点。

在 MetaTrader 5 中使用自组织特征映射（Kohonen 映射）·综合运用

「鸢尾花 versicolor 样本的四维数值分布」

把样本矩阵喂给分类器前的字段对齐

◍ 用股票点差数组跑百分比变动

「把多周期涨跌幅一次性吐进 CSV」

个股收益率矩阵里的周期分化

◍ 跨品种动量相关性的周期异动

「八周期滚动下的交叉盘相关性残差」

高维聚类落进二维网格意味着什么

◍ 记住这一条就够了

常见问题

相关阅读