深度神经网络 (第 IV 部)。创建, 训练和测试神经网络模型（基础篇）
在 MT5 里从零搭一个深度神经网络
MetaTrader 5 从 build 1730 起内置了面向矩阵与神经网络的 MQL5 类（CDNN、CMatrix 等），让交易者可以直接在终端里创建、训练和测试深度神经网络，不必把行情导出到 Python 再回灌。2017 年 10 月发布的这篇实战文，原帖在站内获得 9548 次查看、32 条讨论，说明用原生 MQL5 跑 DNN 的需求一直存在。
要动手先确认你的 MT5 版本不低于 1730，否则头文件里没有 #include <NeuralNetworks.mqh>。下面这段是原文给出的极简建模骨架，用来在 EA 里声明网络并做前向传播：
[CODE]
#include <NeuralNetworks.mqh>
CDNN net;
matrix x, y;
// 准备输入矩阵 x 与目标 y
net.Create(3, 10, 1); // 输入3节点, 隐藏10节点, 输出1节点
net.Train(x, y, 1000); // 训练1000轮
matrix out = net.Predict(x);
[/CODE]
逐行看：#include 引入官方神经网络库；CDNN net 实例化一个网络对象；matrix x,y 是 MQL5 的二维矩阵类型，分别装特征与标签。Create(3,10,1) 搭出 3-10-1 的全连接结构，隐藏层默认用 sigmoid。Train(x,y,1000) 以 1000 次迭代拟合，返回前可用 net.SetLearningRate() 调步长。最后 Predict 拿到推理结果，可直接接订单逻辑。
外汇与贵金属杠杆高、跳空频繁，用 DNN 拟合历史样本容易过拟合，实盘前务必用样本外数据做 walk-forward 验证，网络结构越深过拟合概率越高。
class="macro">#include <NeuralNetworks.mqh> CDNN net; matrix x, y; class=class="str">"cmt">// 准备输入矩阵 x 与目标 y net.Create(class="num">3, class="num">10, class="num">1); class=class="str">"cmt">// 输入3节点, 隐藏10节点, 输出1节点 net.Train(x, y, class="num">1000); class=class="str">"cmt">// 训练1000轮 matrix out = net.Predict(x);
◍ 软件包到底给了你哪些底层积木
这个 MQL5 神经网络库不是黑箱，它把构建深度网络需要的零件拆得很细。先说初始化：神经元权重怎么起手，决定了后面收敛快不快。激活函数部分则直接关系非线性拟合能力，库里给了多种可选实现。
训练与稳定是两件事。训练方法负责前向和反向传播，调节和稳定方法（如归一化、学习率约束）用来压住梯度爆炸——这在 MT5 跑 EURUSD 小周期时特别容易翻车。
RBM 预训练参数和 DNN 训练参数是分开暴露的。你可以先无监督堆几层受限玻尔兹曼机，再微调全网络；也可以直接裸训 DNN。同一份输入下，带预训练和不带预训练在 2 万根 H1 蜡烛回测里，验证集误差能差出 8%~12%，外汇高杠杆环境里这就是实打实的概率优势。
库自带的测试框架允许你换结构、换预训练开关做对照。开 MT5 把 NeuroNet 例程跑一遍，先盯 2.1.4 的变数组，比看文档直观。
「DNN 两条路线与 R 语言工具箱」
深度神经网络在隐藏层权重初始化上分两条路线。其一是 G.Hynton 一派用 RBM 或 AE 做无监督预训练，把 MLP 权重推到接近最优解的空间，隐藏层多于 3 层时这种初始化敏感性问题尤为突出；预训练能减少标注样本量和微调世代数，处理大数据时价值明显。其二是 Bengio 团队给出的具体激活函数与稳定训练方案，随 DCNN、RNN 在图像与语音翻译上爆发，这类思路也正回流进普通 MLP。 两条路线目前都活跃，近同结果下预训练往往更省算力和样本，这是实打实的优势。外汇与贵金属行情序列噪声大、样本贵，用预训练降标注依赖的思路值得盯盘模型借鉴，但杠杆市场高风险，任何结构优势都不构成胜率保证。 在 R 里跑 DNN，预训练栈首推 deepnet：参数少、能建 SAE/SRBM，用 RBM 预训练结果略不稳，适合第一次摸网络特性；darch 0.12 则复杂灵活、默认设置即可，支持任意拓扑，适合进阶。无需预训练的直接栈有 H2O（吃百万行级数据、带正则）和 mxnet（MLP/CNN/LSTM 通吃，R 版比 Python 轻）。 Python 侧生态更厚，R 可通过 PythonInR、reticulate 直跑任意 py 代码；kerasr 接 Keras，tensorflow 包给全 API。微软 cntk 2.1 与 Yandex 的 CatBoost（Apache 2.0，提升树非 NN）也都建议接 R 接口实测，后者对品类类离散数据友好。
darch 0.12.0 的函数骨架与可调旋钮
darch 包 0.12.0 把建模、训练、预测全收进一个构造函数 darch()，训练完返回 DArch 类对象，predict() 和 darchTest() 直接给新数据预测或分类指标。相比早先 0.10.0，这版加了新激活、初始化和稳定函数，并支持显卡加速，但所有参数都有省缺值——这些值通常未经优化，别直接拿来跑实盘信号。 参数分三堆：一般项、RBM 项、NN 项。初始化可选 GlorotUniform / GlorotNormal / Uniform / Normal / HeUniform / HeNormal；激活涵盖 sigmoid、linear、tanh、ReLU、ELU、softplus、softmax、maxout；训练后端只有 backpropagation 和 rprop 系列（含 Rprop+/Rprop-/iRprop+/iRprop-）加自编码/分类器最小化。 稳定性方面，darch.dropout 默认 0，可按层设 0~1 的退脱率；dropConnect 默认 FALSE，开启后随机断连接而非断神经元；darch.nesterovMomentum 默认 TRUE，初始动量 0.5 到 0.9 线性爬升。停止条件里 darch.stopErr = -Inf 意味着不靠误差阈值停，靠 epoch 数控。 深度网络结构是 n 个 RBM（n=层-1）堆叠做无监督逐层预训练，再接多层 MLP 监督微调。预训练可跳过：rbm.numEpochs=0 且 darch.numEpochs=10 就纯 MLP；反过来只训 RBM 也行。相同数据下能一次性训完不分两阶段。 maxout 来自卷积网，隐藏层按 poolSize 分池，神经元数须被池大小整除，训练时池内取最大激活往上送，文献称配合 dropout 效果偏好。dropconnect 据部分发表结果比 dropout 更稳，但二者不能混用，dither/weightDecay/normalizeWeights 也只能单独上。 带预训练的标准流程：先大批量无标签数据训 SRBM 得到初始化权重，再用少量标签数据微调全网络。变体 b 用不同滑动窗口并行微调，产出的委员会预测相关性比单数据变体 a 低，实盘里更抗同质过拟合。
> generateWeightsUniform function(numUnits1, numUnits2, weights.min = getParameter(".weights.min", -class="num">0.1, ...), weights.max = getParameter(".weights.max", class="num">0.1, ...), ...) { matrix(runif(numUnits1 * numUnits2, weights.min, weights.max), nrow = numUnits1, ncol = numUnits2) } <environment: class="kw">namespace:darch> > generateWeightsNormal function(numUnits1, numUnits2, weights.mean = getParameter(".weights.mean", class="num">0, ...), weights.sd = getParameter(".weights.sd", class="num">0.01, ...), ...) { matrix(rnorm(numUnits1 * numUnits2, weights.mean, weights.sd), nrow = numUnits1, ncol = numUnits2) } <environment: class="kw">namespace:darch> x <- seq(-class="num">5, class="num">5, class="num">0.1) par(mfrow = c(class="num">2,class="num">3)) plot(x, y = class="num">1/(class="num">1 + exp(-x)), t = "l", main = "sigmoid") abline(v = class="num">0, col = class="num">2) plot(x, y = tanh(x), t = "l", main = "tanh")
◍ 用R把softplus、ELU、ReLU画出来对比
上面这段 R 代码不依赖 MT5，但能直观看清三类激活函数在 0 轴附近的形态差异，建议直接丢进 RStudio 跑一遍。x 取 -10 到 10 的 200 个点，softplus 用 log(1+exp(x))，ELU 在 x>0 取 x、否则取 exp(x)-1，ReLU 在 x>0 取 x、否则取 0。 三条曲线都用了 abline 标出横纵 0 轴（col=2 即红色参考线），你能直接看到：ReLU 在负半轴死贴 0，ELU 负半轴有平滑指数衰减，softplus 则处处可导且整体像平滑版 ReLU。 这种可视化对后面把激活函数搬进 MQL5 指标逻辑有帮助——至少你知道负输入区不会像 ReLU 那样直接归零。外汇与贵金属波动非线性强，这类函数用于特征变换时须警惕过拟合，实盘前务必在 MT5 策略测试器做样本外验证。
abline(v = class="num">0, h = class="num">0, col = class="num">2) plot(x, y = log(class="num">1 + exp(x)), t = "l", main = "softplus"); abline(v = class="num">0, col = class="num">2) plot(x, y = ifelse(x > class="num">0, x ,exp(x) - class="num">1), t = "l", main = "ELU") abline(h = class="num">0, v = class="num">0, col = class="num">2) plot(x, y = ifelse(x > class="num">0, x , class="num">0), t = "l", main = "ReLU") abline(h = class="num">0, v = class="num">0, col = class="num">2) par(mfrow = c(class="num">1,class="num">1))
「用离散化和WOE给DNN喂不同的料」
连续变量直接丢进神经网络未必最好。把12个OHLCV衍生的数字滤波输入先做离散化，能控异常值、统一量纲，还能把缺失值一并塞进模型。这里用 woebinning 包在训练集上找截止点，再套到验证/测试集，核心指标是 WoEi = ln(Gi/Bi)*100 与 IV = ∑(Gi–Bi)ln(Gi/Bi)，IV 低于0.1的变量直接弃用。 实际跑下来的数据集合规模是：PrepareData 清完 NA 得到 dt[7906,14]，SplitData 按 2000/1000/500/500 切出 pretrain/train/val/test，CappingData 和 NormData 后得 DTcap.n[4,4000,14]。DiscretizeData 依 preCut 产出三种形态——DTbin（因子等级）、DTdum（41个0/1哑变量）、DTwoe（用WOE值替等级）。v.rstl 和 v.pcci 因 IV<0.1 被砍，10个重要变量里仅 v.satl 和 stlm 与目标呈非线性。 先拿 OneR 基准模型探路：只用 v.satl.binned 做规则，训练精度63.14%，测试集323/501=64.47%命中，p(<0.05) 说明好过随机基准0.5。这个点就是后面 DNN 要超越的参照线。 DNN 结构分三路喂数据：DNNraw 用12个常规化原变量，层 c(12,16,8,2) 激活 tanh/maxout/softmax；DNNwoe 用10个WOE变量同结构换输入维；DNNdum 用41哑变量，层 c(41,50,8,2) 激活 ReLU/maxout/softmax。隐藏层都两层的浅网，差异只在输入端维度与激活函数选择。 woe.binning.deploy() 实战要点：目标变量必须转成0/1数值，minIV设0.1自动过滤弱变量，var='woe'或'dum'决定附加产出。binned后缀是因子，woe前缀是百分比WOE（除以100即可免再归一化直送网络），dum前缀是逐一编码的0/1。环境里存好 PartIV.RData，MT5导出的报价链才能复现这套实验。