可控优化: 模拟退火·综合运用
（3/3）·从移动均线EA实测到退火三变体调参，把随机优化真正接进你的MT5测试器
很多交易者以为策略测试器只有完整搜索和遗传算法两条路，遇到多峰目标函数就卡在局部极值干瞪眼。模拟退火提供第三条随机寻优路径，但多数人没把它真正跑通在实盘EA上。本篇把算法实现、参数生成和对比测试一次讲透。
给均线EA注入模拟退火优化骨架
要把一个普通移动均线EA改造成能在策略测试器里跑模拟退火的版本，核心是把算法类挂进去但不动实盘逻辑。AnnealingMethod 和 FrameAnnealingMethod 两个类必须包含进工程，同时声明算法用的辅助变量；这些代码只在优化模式触发，实盘正常跑不受影响。 原EA输入参数需要重命名加 _Optim 后缀：MaximumRisk→MaximumRisk_Optim、DecreaseFactor→DecreaseFactor_Optim、MovingPeriod→MovingPeriod_Optim、MovingShift→MovingShift_Optim。算法配置变量用 sinput 声明锁死，包括迭代次数、方法类型（0玻尔兹曼/1柯西/2超快）、温度系数、终止温度系数、优化标准Crit（0净利润到13自定义）等，细节见表3定义。 OnInit 开头要加一段仅优化模式执行的初始化：从 data.bin 读 AnnealingMethod 跑出的数据，alg_err=0 且是首迭代时若 ManyPoint=true 就给每个代理生成不同初值，否则调 GetParams 填那四个 _Optim 参数。OnTesterInit 负责填参数名数组、跑 RunOptimization、建图形界面；之后控制权进 OnTester，里面用 GetFunction 算新目标函数、比 Fopt、判温度到否最小值后加帧写文件。 OnTesterPass 和 OnTesterDeInit 分别管帧显示与结果落盘，OnChartEvent 接图形回放按钮事件。改完这套，EA就具备退火寻优能力，接下来直接进测试环节看随机性下的真实表现。 测试用 TestAnnealing.mq5 从全搜索结果文本（5列：4变量+目标值）加载数据，在表里用退火法游走找优。单参数「均线周期」全搜索120次迭代（EURUSD，2017全年，1分钟OHLC，本金1万杠杆100，最大余额标准），退火只给30/60/90次迭代各跑1万次：30次迭代超快退火拿最佳值33%，60次柯西退火47%，90次柯西退火62%。外汇与贵金属优化属高风险，这些命中率只是历史样本概率，换品种或时段会漂移。 两参数「周期+偏移」全搜索要6600次迭代，退火试330到4950次。4950次配 p1=0.5,p2=3 的超快退火拿到最佳值65%，而随机搜索同条件下90次迭代仅52%——退火优势随迭代拉长在收缩，调 p1/p2 控温降速是实跑必做的旋钮。
◍ 超快退火与遗传算法的实盘参数较量
把超快退火和 MT5 策略测试器里自带的遗传算法（GA）摆到同一组 EURUSD 数据上比，结论很直接：迭代预算吃紧时，超快退火更划算。2017 全年 1 分钟 OHLC、无延迟、本金 10000、杠杆 1:100 的设定下，双变量（均线周期 1-120、偏移 6-60）优化跑 20 次 GA，平均迭代 175 次，目标函数均值 1529.771，仅是已知最佳值 2446.33 的 62.53%。 同样 175 次迭代，超快退火在 4 个测试代理上各跑 43-44 次，20 次结果均值 1653.735，触到最佳的 67.6%；若只塞进单代理跑满 175 次，均值还能抬到 1731.244（最佳的 70.8%）。差距不算爆炸，但方向明确：小迭代池里超快退火咬得更紧。 四变量扩展测试（加衰减因子 0.02-0.2、最大风控 3-30）时，GA 用 4870 次迭代交出最好 32782.91。超快退火初设 p1=0.75、p2=1 只跑出 26676.22，表现偏弱；把 p1 拉到 2 并令 CoeffOfTemp=4 缓住首步骤降（n=1 时 T 仅剩 T0*0.558），结果跳到 39145.25，反超 GA。温度公式 T0*exp(-p1*exp(-p2/4)*n^0.25) 里 p1、CoeffOfTemp 这两个旋钮，直接决定它会不会在前期把解空间探死。 外汇与贵金属优化本质是高风险的参数拟合游戏，过拟合随时可能发生，上述数字只是在该历史片段上的概率性优势，换品种或周期未必复现。开 MT5 把下面这段挂到测试器里，调 p1、p2 和 CoeffOfTemp 就能自己复跑。
class="macro">#class="kw">property tester_file "data.bin" class=class="str">"cmt">// 包含类 class="macro">#include <AnnealingMethod.mqh> class="macro">#include <FrameAnnealingMethod.mqh> AnnealingMethod Optim; FrameAnnealingMethod Frame; Input InputMass[]; class=class="str">"cmt">// 输入参数数组 class="type">class="kw">string SParams[]; class=class="str">"cmt">// 输入参数名称数组 class="type">class="kw">double Fopt=class="num">0; class=class="str">"cmt">// 函数的最佳值 class="type">int it_agent=class="num">0; class=class="str">"cmt">// 用于测试代理的算法迭代次数 class="type">uint alg_err=class="num">0; class=class="str">"cmt">// 出错次数 class="type">class="kw">double MaximumRisk_Optim=MaximumRisk; class="type">class="kw">double DecreaseFactor_Optim=DecreaseFactor; class="type">int MovingPeriod_Optim=MovingPeriod; class="type">int MovingShift_Optim=MovingShift; sinput class="type">int iteration=class="num">50; class=class="str">"cmt">// 迭代次数 sinput class="type">int method=class="num">0; class=class="str">"cmt">// class="num">0 - 玻尔兹曼退火, class="num">1 - 柯西退火, class="num">2 - 超快退火 sinput class="type">class="kw">double CoeffOfTemp=class="num">1; class=class="str">"cmt">// 初始温度的比例系数 sinput class="type">class="kw">double CoeffOfMinTemp=class="num">0; class=class="str">"cmt">// 最低温度系数 sinput class="type">class="kw">double Func0=-class="num">10000; class=class="str">"cmt">// 目标函数的初始值 sinput class="type">class="kw">double P1=class="num">1; class=class="str">"cmt">// 超快退火的附加参数, p1 sinput class="type">class="kw">double P2=class="num">1; class=class="str">"cmt">// 超快退火的附加参数, p2 sinput class="type">int Crit=class="num">0; class=class="str">"cmt">// 目标函数计算方法 sinput class="type">int ModOfAlg=class="num">0; class=class="str">"cmt">// 算法修改类型 sinput class="type">bool ManyPoint=class="kw">false; class=class="str">"cmt">// 多点优化 class=class="str">"cmt">//+------------------------------------------------------------------+
「优化模式下退火参数的载入与分发」
在 MT5 策略测试器开启优化（MQL5_OPTIMIZATION 为真）时，EA 不会走常规初始化，而是先调用 Optim.ReadData 从 data.bin 读回 InputMass、Fopt 与 it_agent。若返回码 alg_err 不为 0，直接 Print("读文件错误") 并以 INIT_FAILED 退出，避免拿空参数跑优化。 当 Fopt 等于 Func0 且 ManyPoint 为真，说明是多点位首次搜索，代码对 InputMass 每个元素用 UniformValue 在 Start~Stop 按 Step 均匀撒随机初值，并把 BestValue 先等于 Value。若不是首次，则走 Optim.GetParams 按当前 method 与 CoeffOfMinTemp 生成新一轮退火参数。 随后一个 for+switch 把 InputMass 的数值塞回实盘变量：索引 0→MaximumRisk_Optim，1→DecreaseFactor_Optim，2→MovingPeriod_Optim（强转 int），3→MovingShift_Optim（强转 int）。你在 MT5 里改这四个输入项的 Start/Stop/Step，就能直接控制退火搜索空间宽度，外汇与贵金属品种参数敏感度高，误设步长可能让优化耗时翻倍且过拟合概率上升。
if(MQL5InfoInteger(MQL5_OPTIMIZATION)) { class=class="str">"cmt">// 打开文件并读取数据 class=class="str">"cmt">// if(FileGetInteger("data.bin",FILE_EXISTS,class="kw">false)) class=class="str">"cmt">// { alg_err=Optim.ReadData(InputMass,Fopt,it_agent); if(alg_err==class="num">0) { class=class="str">"cmt">// 若是第一次运行, 如果从不同点位执行搜索, 则随机生成参数 if(Fopt==Func0) { if(ManyPoint) for(class="type">int i=class="num">0;i<ArraySize(InputMass);i++) { InputMass[i].Value=Optim.UniformValue(InputMass[i].Start,InputMass[i].Stop,InputMass[i].Step); InputMass[i].BestValue=InputMass[i].Value; } } else Optim.GetParams(method,InputMass,CoeffOfMinTemp); class=class="str">"cmt">// generate new parameters class=class="str">"cmt">// 填充智能交易系统的参数 for(class="type">int i=class="num">0;i<ArraySize(InputMass);i++) class="kw">switch(InputMass[i].num) { case (class="num">0): {MaximumRisk_Optim=InputMass[i].Value; class="kw">break;} case (class="num">1): {DecreaseFactor_Optim=InputMass[i].Value; class="kw">break;} case (class="num">2): {MovingPeriod_Optim=(class="type">int)InputMass[i].Value; class="kw">break;} case (class="num">3): {MovingShift_Optim=(class="type">int)InputMass[i].Value; class="kw">break;} } } else { Print("读文件错误"); class="kw">return(INIT_FAILED); } } if(MQL5InfoInteger(MQL5_OPTIMIZATION)) alg_err=Optim.ReadData(InputMass,Fopt,it_agent);
模拟退火在EA参数优化里的落地骨架
这段逻辑把模拟退火算法接进了 MT5 的测试器生命周期，核心是两个回调：OnTesterInit 做初始化并拉起优化，OnTester 在每个回测步里更新温度与最优解。 OnTesterInit 里先给 SParams 数组定长 4，把 MaximumRisk、DecreaseFactor、MovingPeriod、MovingShift 四个外部参数名塞进去，再调用 RunOptimization 启动。也就是说，你想换优化目标，至少得先改这组参数名和数组长度。 OnTester 的收敛判断很直接：遍历 InputMass，统计温度已低于 CoeffOfMinTemp 乘距离的参数个数，全部达标就往图形帧丢一条 id=-1 的结束帧。否则算当前目标函数值 Fnew，按 Crit 编号决定最大化还是最小化——注意 Crit 为 5、6、11、12 时是最小化分支，其余走最大化。 温度更新受 ModOfAlg 控制：模式 0 下仅当 Fnew==Fopt 才降温，模式 1 每步都降。降温调用 GetT，传入的系数是 CoeffOfTemp 乘参数区间距离，再除以当前温度做归一。外汇与贵金属行情跳空频繁，这类全局优化结果在样本外可能明显衰减，实盘前务必用不同年份数据重验。
Optim.GetParams(method,InputMass,CoeffOfMinTemp;class=class="str">"cmt">// 生成新参数 class="type">void OnTesterInit() { class=class="str">"cmt">// 填充所有 EA 参数的名称数组 ArrayResize(SParams,class="num">4); SParams[class="num">0]="MaximumRisk"; SParams[class="num">1]="DecreaseFactor"; SParams[class="num">2]="MovingPeriod"; SParams[class="num">3]="MovingShift"; class=class="str">"cmt">// 开始优化 Optim.RunOptimization(SParams,iteration,Func0,CoeffOfTemp); class=class="str">"cmt">// 创建图形界面 Frame.FrameInit(SParams); } class="type">class="kw">double OnTester() { class="type">int i=class="num">0; class=class="str">"cmt">// 循环计数器 class="type">int count=class="num">0; class=class="str">"cmt">// 辅助变量 class=class="str">"cmt">// 当达到最低温度时检查算法是否完成 for(i=class="num">0;i<ArraySize(InputMass);i++) if(InputMass[i].Temp<CoeffOfMinTemp*Optim.Distance(InputMass[i].Start,InputMass[i].Stop)) count++; if(count==ArraySize(InputMass)) Frame.FrameTester(class="num">0,class="num">0,InputMass,-class="num">1,it_agent); class=class="str">"cmt">// 添加一个零参数的帧, 且 id=-class="num">1 else { class="type">class="kw">double Fnew=Optim.GetFunction(Crit); class=class="str">"cmt">// 计算函数的当前值 if((Crit!=class="num">5) && (Crit!=class="num">6) && (Crit!=class="num">11) && (Crit!=class="num">12)) class=class="str">"cmt">// 如果有必要最大化目标函数 { if(Fnew>Fopt) Fopt=Fnew; else { if(Optim.Probability(Fopt-Fnew,CoeffOfTemp*InputMass[class="num">0].Temp/Optim.Distance(InputMass[class="num">0].Start,InputMass[class="num">0].Stop))) Fopt=Fnew; } } else class=class="str">"cmt">// 如果有必要最小化目标函数 { if(Fnew<Fopt) Fopt=Fnew; else { if(Optim.Probability(Fnew-Fopt,CoeffOfTemp*InputMass[class="num">0].Temp/Optim.Distance(InputMass[class="num">0].Start,InputMass[class="num">0].Stop))) Fopt=Fnew; } } class=class="str">"cmt">// 覆盖最佳参数值 if(Fopt==Fnew) for(i=class="num">0;i<ArraySize(InputMass);i++) InputMass[i].BestValue=InputMass[i].Value; class=class="str">"cmt">// 降低温度 if(((ModOfAlg==class="num">0) && (Fnew==Fopt)) || (ModOfAlg==class="num">1)) { for(i=class="num">0;i<ArraySize(InputMass);i++) InputMass[i].Temp=Optim.GetT(method,CoeffOfTemp*Optim.Distance(InputMass[i].Start,InputMass[i].Stop),InputMass[i].Temp,it_agent,ArraySize(InputMass),P1,P2); } Frame.FrameTester(Fnew,Fopt,InputMass,iteration,it_agent); class=class="str">"cmt">// 添加新帧
◍ 把优化结果落盘并接管测试器事件
这段片段承接了前文遗传迭代的主循环，核心是把每一代算出的输入参数和适应度写回文件，并在测试器生命周期里接管图形帧的刷新与收尾。 迭代计数器 it_agent 自增后，调用 Optim.WriteData(InputMass,Fopt,it_agent) 把当前输入质量矩阵、目标函数值和代次编号一并写入数据文件；若返回码非 0 立即 return 把错误码抛出，避免脏数据继续参与后续代际。 主循环外先把 InputMass 每个元素的 BestValue 赋为初始 Value，相当于给最优解缓存做冷启动。OnTesterPass 里用 Frame.FrameTesterPass(Crit) 把每帧结果推到图形界面；OnTesterDeinit 中 Frame.FrameToFile(4) 把第 4 类帧导出为文件再释放资源；OnChartEvent 则把图表交互事件透传给 Frame.FrameOnChartEvent 处理。 直接在 MT5 策略测试器里挂这段回调，跑完优化后打开生成的帧文件，就能看到每一代参数分布和收敛轨迹，比只看最终报告更有用。外汇与贵金属品种点差跳空频繁，这类回测结论只代表历史样本，实盘存在较高风险。
it_agent++;
class=class="str">"cmt">// 增加迭代计数器
alg_err=Optim.WriteData(InputMass,Fopt,it_agent);
class=class="str">"cmt">// 将新数值写入文件
if(alg_err!=class="num">0)
class="kw">return alg_err;
}
class="kw">return Fopt;
}
for(i=class="num">0;i<ArraySize(InputMass);i++)
InputMass[i].BestValue = InputMass[i].Value;
class="type">void OnTesterPass()
{
Frame.FrameTesterPass(Crit);class=class="str">"cmt">// 方法显示图形界面中的帧
}
class="type">void OnTesterDeinit()
{
Frame.FrameToFile(class="num">4);
Frame.FrameDeinit();
}
class="type">void OnChartEvent(class="kw">const class="type">int id,class="kw">const class="type">long &lparam,class="kw">const class="type">class="kw">double &dparam,class="kw">const class="type">class="kw">string &sparam)
{
Frame.FrameOnChartEvent(id,lparam,dparam,sparam,Crit); class=class="str">"cmt">// 处理图形界面的方法
}「把这条线请下神坛」
超快退火在三类实现里跑出了最佳结果，但模拟退火终究不是云端可测、即插即用的银弹。它不能在 MT5 云测试器里跑，和智能系统的集成也得手动挑参数，这两个坑靠通用模块才有可能填平。 作者留下的附件里，AnnealingMethod.mqh 是 31.58 KB 的核心类，FrameAnnealingMethod.mqh 管终端图形界面，test.zip 里 TestAnnealing.mq5 能直接加载数据回放算法运算。想验证超快退火是否真比遗传算法省迭代，把这些文件丢进 MQL5/Include 和 Images 目录，开本地策略测试器跑一遍就知道了。 外汇与贵金属优化测试的高风险不变：历史回测占优不代表实盘概率倾斜，参数空间每扩一层，过拟合可能就多一分。