强化学习中的随机决策森林（基础篇）
随机决策森林在MT5上的强化学习玩法
在 MT5 的策略研发里，把强化学习与随机决策森林结合，能避开单一决策树过拟合的坑。决策森林由多棵弱分类树组成，每棵树在自助采样的数据子集和随机特征子集上训练，最终投票或平均输出动作价值。 这套思路在 2018 年 7 月的一篇社区示例中被实跑过，该帖截至统计时有 9 373 次浏览、96 条讨论，说明落地门槛不算高。外汇与贵金属波动剧烈，用森林做策略探索时务必用小资金或模拟盘验证，实盘存在较高风险。 真正值得做的动作是：开 MT5 把示例里的森林规模从默认 100 棵调到 200 棵，看样本外回测的稳健度是否提升，而不是盲目加树导致训练耗时翻倍。
◍ 随机森林在 MT5 里的真实脾性
随机森林本质是 bagging 套决策树：每棵树在 bootstrap 自举样本上训练，约 63% 原始数据进训练集，剩下 37% 天然留作泛化测试。建树时不修剪，节点分裂只看随机特征子集——回归取 n/3 个、分类取 √n 个，这种去相关设计让树间误差在投票时互相抵消，方差压下来了。 MT5 自带的 ALGLIB 库实现了修改版随机决策森林（RDF），非原版 Breiman 实现，但同样结合了组合投票与过程随机化。实测里它吃内存：K=100 棵树、N=1000 样本约占 1 MB，当代机器无感；但推理时要遍历全部树，比线性模型慢一截。 外汇与贵金属行情噪声高，直接丢 RDF 容易过拟合。ALGLIB 版可用 r 参数 regularization 部分缓解，但别信「永不拟合」的传言——高杠杆品种上这算法照样翻车，验证前先用 37% 留出集跑一遍误差。 优点很实：非迭代、不挑特征缩放、缺数据仍保精度；缺点也硬：稀疏文本特征或线性可分任务劣于线性方法，且绝对不能外推，价格极值区给不出合理外推价。
「机器学习不是印钞机，特征与模型先选对」
不少刚接触机器学习的交易者把它当成童话：程序替你决策，你只管收钱。这只对了一半，最终盈亏取决于你怎么解决特征、模型和测试这三道关。 特征怎么挑，是第一个也是最根本的问题。影响价格的因素太多，学界正经研究市场主要靠计量经济学三条路：回归分析、时间序列、面板数据。其中非参数方法（核函数、神经网络、模糊集合）不纠结成因、只啃数据，近几年用得越来越广。本文后续会盯着模糊集做文章，如果你真打算长期做机器训练，补一点计量功底很有必要。 模型层面，线性模型跑得快但拟合能力有限；经典 MLP 神经网络要靠反复试层数、神经元数，固定步长梯度下降练得极慢，而终端标准库里没有现代快速深度学习网络，挂 DLL 第三方库又麻烦。我在 Azure ML Studio 里跑过对比，大多数情况下随机森林在测试集上的预测误差最小——你只要定两个量：树的数量、每棵树训练用的样本比例 R。 测试阶段只有一条硬建议经得起推敲：训练样本越大、特征越全，模型对新数据越稳。但交易里常撞上容量不足，预测因子之间高度同向，模型泛化差，以后信号质量会掉；样本大了训练又慢，没法在优化里反复跑。报价本身混沌、非平稳，模式会变甚至消失，外汇和贵金属这种高杠杆品种里，模型不保证正向结果，实盘前务必在 MT5 用历史数据自己验一遍。
三种训练范式里挑哪条路
随机森林本身能覆盖回归、分类和聚类三类任务，但落到 MT5 做信号模型时，先得想清楚用哪种学习范式喂数据。 无监督路线只管把特征按差异自动分组，做异常检测或聚类比人工划阈值省事，但出不来方向判断。有监督路线把带标签的历史样本丢进去，让森林去近似已知情形，这是大多数指标型 EA 的训练底子。 强化学习最不一样：虚拟代理在环境里试错，目标是最大化动作回报，而非拟合既定标签。外汇与贵金属杠杆高、滑点跳空频繁，这类方法回测虚高概率偏大，真要上实盘得先在小周期样本外验证。 本小节选强化学习往下走，因为代理自主摸索交易动作的机制，更贴近盯盘里‘该不该动手’的决策结构，而不是静态分类。