📘

深度神经网络 (第五部分)。 DNN 超参数的贝叶斯优化·综合运用

第 3/3 篇

本章目录

贝叶斯优化跑出的深层网络参数Top10
深度网拓扑寻优的贝叶斯实测
最优参数组的输出与字段含义
DNN四种训练变体的实测指标对比
三层与四层 DNN 结构的回测分数对照
75% 精度卡在噪声上怎么破
前瞻测试里最优DNN能撑多少根K线
深度网络微调与滚动样本外评分
R 里跑 DNN 打分与取整
把贝叶斯优化跑满再上验证集
R 端优化脚本与实跑耗时
随机森林寻优的回合输出怎么读
随机森林寻优后期的指标 plateau 现象
参数寻优末段的收敛读数
最后一句大实话

◍ 贝叶斯优化跑出的深层网络参数Top10

上面这段是 R 环境下对 SRBM（稀疏受限玻尔兹曼机）叠加上层网络与 BP 微调做贝叶斯优化的实跑输出，优化目标函数 fitnes3.DNN 在 20 轮迭代后锁定了一组最优结构：n1=24、n2=5、fact1=1、fact2=2，丢弃率 dr1=0.4060 / dr2=0.2790，三层学习率 Lr.rbm=0.9586、Lr.top=0.8047、Lr.fine=0.8687，交叉验证 Value 读到 0.7697。把 History 按 Value 降序取前 10 行，能直接看到参数敏感区：第 1 名 n1=24 几乎固定，n2 在 5~13 之间、fact 组合偏向 1/2 或 3/3 时 Value 维持在 0.75 以上；而 n1 掉到 4~9 时，即便 Lr 调得再花哨，Value 也只在 0.75 边缘晃。外汇与贵金属行情序列用这类模型做特征压缩，高杠杆下过拟合会放大回撤，属高风险尝试。如果你在 MT5 里想复现类似特征降维，不必搬整套 R 栈；先把 hidden neuron 数锚在 20~25、丢弃率 0.25~0.45 这个区间做网格，概率上更可能拿到稳一点的泛化。

MQL5 / C++

evalq(
  OPT_Res3 <- BayesianOptimization(fitnes3.DNN, bounds = bonds3,
                                init_grid_dt = NULL, init_points = class="num">10,
                                n_iter = class="num">10, acq = "ucb", kappa = class="num">2.576,
                                eps = class="num">0.0, verbose = TRUE)
  , envir = env)

evalq({
  OPT_Res3 %$% History %>% dplyr::arrange(desc(Value)) %>% head(class="num">10) %>
    dplyr::select(-Round) -> best.init3
  best.init3
}, env)

「深度网拓扑寻优的贝叶斯实测」

上面这段是 R 环境下跑贝叶斯优化时吐出的参数搜索轨迹，不是 MT5 日志，但能直接对照我们后面在 MQL5 里搭 DNN 预测模块时的隐层设定。前几轮（Round 7~10）的 Value 在 0.73~0.87 之间晃，说明随机初始化下网络对 EURUSD 类序列的拟合波动偏大。切换到 SRBM + 上层 + RP 结构后，evalq 里把 init_points 设 10、n_iter 设 10、acq="ucb"、kappa=2.576，相当于用宽置信上界去探参数边界。第 15 轮给出最优：n1=23、n2=7、fact1=3、fact2=1、dr1=0.3482、dr2=0.4726、Lr.rbm=0.0213、Lr.top=0.5748，Value=0.7625。头部 10 组里排第一的 Value 0.7625 与第 15 轮一致，而第 4 组（n1=23,n2=7,fact1=3,fact2=1）仅 Lr.top 微降到 0.5741，Value 仍有 0.7537。这种「结构雷同、学习率微调」就掉不了几个点的情况，暗示该拓扑对外汇小时线特征已接近局部饱和。开 MT5 时若用相近隐层（23→7）做特征压缩，建议先锁 dr1≈0.35、dr2≈0.47 再扫学习率，比从零贝叶斯省至少一半样本外调参时间。贵金属与外汇杠杆品种均属高风险，上述 Value 仅是回测拟合度，实盘概率可能偏低。

MQL5 / C++

evalq(
  OPT_Res4 <- BayesianOptimization(fitnes4.DNN, bounds = bonds4,
                                init_grid_dt = NULL, init_points = class="num">10,
                                n_iter = class="num">10, acq = "ucb", kappa = class="num">2.576,
                                eps = class="num">0.0, verbose = TRUE)
  , envir = env)

最优参数组的输出与字段含义

上面这段是某次网格寻优后打印出的候选参数矩阵，每行代表一组 (n1, n2, fact1, fact2) 组合及其对应的 dr1、dr2、Lr.rbm、Lr.top 指标。例如第 5 行显示 n1=19、n2=16、fact1=3、fact2=3，dr1=0.2556、dr2=0.1350，Lr.rbm=0.8391、Lr.top=0.7517。末尾的 round(4) 调用把 Best_Par 四舍五入到四位小数，得到最终推荐组：n1=23.0000、n2=7.0000、fact1=3.0000、fact2=1.0000，dr1=0.3482、dr2=0.4726，Lr.rbm=0.0213、Lr.top=0.5748。 Lr.top 在该组中为 0.5748，明显高于矩阵里多数行的 0.73~0.75 区间，说明寻优目标更偏向顶层学习率约束而非 RBM 层。外汇与贵金属品种波动大、杠杆高，这类参数只是统计寻优结果，实盘复制前务必在 MT5 策略测试器用历史数据验证过拟合风险。

MQL5 / C++

> env$OPT_Res4$Best_Par %>% round(class="num">4)
    n1      n2 fact1 fact2    dr1    dr2 Lr.rbm Lr.top
class="num">23.0000 class="num">7.0000 class="num">3.0000 class="num">1.0000 class="num">0.3482 class="num">0.4726 class="num">0.0213 class="num">0.5748

◍ DNN四种训练变体的实测指标对比

把超参数优化后的结果喂回测试函数，第一眼就会撞上过度拟合的坑。SRBM+RP 变体在额外优化超参数后跑出来的 Accuracy 反而从 0.756 掉到 0.74，验证集误差大于训练集，典型过配。退回初始超参再用同样函数测，两类 Accuracy 回到 0.756，F1 分别是 0.726 和 0.780，训练历史上红色垂线标出的“最佳返回点”落在验证误差更低的位置。其余三个变体走的是同一套 test 逻辑，只贴分数和历史图。SRBM+BP 结果被原文判为“非常优异”；SRBM+upperLayer+BP 用 F1 均值当优化准则，两类品质一致（类别不平衡下仍持平）；SRBM+upperLayer+RP 同样给出“非常好”的评分。四个变体里，带 RP 微调的两条在验证误差上更克制，泛化倾向略优。外汇与贵金属行情序列非平稳，DNN 这类模型在历史窗表现好不代表实盘概率同级别，拿去 MT5 接真实 tick 前先用尾部 250 根做 walk-forward 复核。下面这段是 SRBM+RP 的测试函数骨架，逐行拆完你能直接改 n1/n2 去压自己的样本。

MQL5 / C++

#---SRBM + RP----------------
  test1.DNN <- function(n1, n2, fact1, fact2, dr1, dr2, Lr.rbm)
  {
    Ln <- c(class="num">0, class="num">2*n1, class="num">2*n2, class="num">0)        class=class="str">"cmt">// 网络层数节点：输入0，隐层1为2*n1，隐层2为2*n2，输出0（由数据维度定）
    #--
    pretrainSRBM(Ln, fact1, fact2, dr1, dr2, Lr.rbm) -> Dnn   class=class="str">"cmt">// 用SRBM做无监督预训练，拿到堆叠受限玻尔兹曼机初值
    fineTuneRP(Ln, fact1, fact2, dr1, dr2, Dnn) -> Dnn.opt    class=class="str">"cmt">// RP方式微调，输出完全训练好的Dnn.opt
    predict(Dnn.opt, newdata = X$test$x %>% tail(class="num">250) , type = "class") -> Ypred  class=class="str">"cmt">// 取测试集最后250根做类别预测
    yTest <- X$test$y[ ,class="num">1] %>% tail(class="num">250)   class=class="str">"cmt">// 对应250根的真实标签
    class="macro">#numIncorrect <- sum(Ypred != yTest)
    class="macro">#Score <- class="num">1 - round(numIncorrect/nrow(xTest), class="num">2)
    Score <- Evaluate(actual = yTest, predicted = Ypred)$Metrics[ ,class="num">2:class="num">5] %>%   class=class="str">"cmt">// 算Accuracy/Precision/Recall/F1
      round(class="num">3)
    class="kw">return(list(Score = Score, Pred = Ypred, Dnn = Dnn, Dnn.opt = Dnn.opt))  class=class="str">"cmt">// 返回分数、预测、两个网络对象
  }

「三层与四层 DNN 结构的回测分数对照」

上面这段脚本把优化后的最佳参数依次灌进 test2、test3、test4 三个深度网络函数，分别跑出二类分类的混淆指标。注意 test2.DNN 只用 8 个参数（无 Lr.top），test3.DNN 补了 Lr.top 共 9 个，test4.DNN 则砍掉 Lr.fine 回到 8 个但保留顶部学习率。实测分数摆出来：test2 总体 Accuracy 0.768，类 1 的 F1 是 0.801；test3 总体 Accuracy 0.772，类 1 的 F1 0.793、类 -1 的 F1 0.747；test4 总体 Accuracy 又落回 0.768，类 1 的 F1 0.799。单看准确率，三层带 top 学习率（test3）略占优，但类 -1 召回从 test2 的 0.647 提到 0.724，说明加 Lr.top 对小概率方向识别有偏多帮助。外汇与贵金属行情里用这类网络做方向判定属于高风险尝试，回测 F1 不到 0.81 意味着实盘漏判概率仍不低。直接把 env$Res3$Score 打印出来对照自己的 OPT_Res3 输出，能确认本地随机种子下是否复现 0.772 这个数。

MQL5 / C++

  fact1 = best.par[class="num">3]; fact2 = best.par[class="num">4]
  dr1 = best.par[class="num">5]; dr2 = best.par[class="num">6]
  Lr.rbm = best.par[class="num">7]; Lr.fine = best.par[class="num">8]
  Ln <- c(class="num">0, class="num">2*n1, class="num">2*n2, class="num">0)
  #----train/test-------
  Res2 <- test2.DNN(n1, n2, fact1, fact2, dr1, dr2, Lr.rbm, Lr.fine)
}, env)
env$Res2$Score
  Accuracy Precision Recall    F1
-class="num">1    class="num">0.768    class="num">0.815  class="num">0.647 class="num">0.721
 class="num">1    class="num">0.768    class="num">0.741  class="num">0.873 class="num">0.801
plot(env$Res2$Dnn.opt, type = "class")
evalq({
  #--BestParams--------------------------
  best.par <- OPT_Res3$Best_Par %>% unname
  # n1, n2, fact1, fact2, dr1, dr2, Lr.rbm , Lr.top, Lr.fine
  n1 = best.par[class="num">1]; n2 = best.par[class="num">2]
  fact1 = best.par[class="num">3]; fact2 = best.par[class="num">4]
  dr1 = best.par[class="num">5]; dr2 = best.par[class="num">6]
  Lr.rbm = best.par[class="num">7]
  Lr.top = best.par[class="num">8]
  Lr.fine = best.par[class="num">9]
  Ln <- c(class="num">0, class="num">2*n1, class="num">2*n2, class="num">0)
  #----train/test-------
  Res3 <- test3.DNN(n1, n2, fact1, fact2, dr1, dr2, Lr.rbm, Lr.top, Lr.fine)
}, env)
env$Res3$Score
  Accuracy Precision Recall    F1
-class="num">1    class="num">0.772    class="num">0.771  class="num">0.724 class="num">0.747
 class="num">1    class="num">0.772    class="num">0.773  class="num">0.813 class="num">0.793
plot(env$Res3$Dnn.opt, type = "class")
evalq({
  #--BestParams--------------------------
  best.par <- OPT_Res4$Best_Par %>% unname
  # n1, n2, fact1, fact2, dr1, dr2, Lr.rbm, Lr.top
  n1 = best.par[class="num">1]; n2 = best.par[class="num">2]
  fact1 = best.par[class="num">3]; fact2 = best.par[class="num">4]
  dr1 = best.par[class="num">5]; dr2 = best.par[class="num">6]
  Lr.rbm = best.par[class="num">7]
  Lr.top = best.par[class="num">8]
  Ln <- c(class="num">0, class="num">2*n1, class="num">2*n2, class="num">0)
  #----train/test-------
  Res4 <- test4.DNN(n1, n2, fact1, fact2, dr1, dr2, Lr.rbm, Lr.top)
}, env)
env$Res4$Score
  Accuracy Precision Recall    F1
-class="num">1    class="num">0.768    class="num">0.802  class="num">0.664 class="num">0.726
 class="num">1    class="num">0.768    class="num">0.747  class="num">0.858 class="num">0.799
plot(env$Res4$Dnn.opt, type = "class")

75% 精度卡在噪声上怎么破

不同超参数变体训练出来的 DNN，训练和测试精度稳定在 75% (±5%)。剩下 25% 的分类误差不随训练方法改变，说明有近四分之一的样本，其数据结构跟目标函数本身就不匹配。在源数据里人工掺入噪声样本时，观察到同样现象：噪声占比也大约 25%，且与预测指标变换方式无关。这其实正常，问题变成——不过拟合的前提下，怎么把预测往上拉。几个可选项：用 4 个变体训出的最优模型做集成；用优化期里每个变体各取最优、凑 10 个模型集成；把训练集噪声样本重标成第 0 类，用三分类（-1/0/1）训 DNN；或把分错的样本重标 0 类再训三分类模型。重标噪声的思路不复杂：拿前文 ORBoostFilter::NoiseFiltersR 函数，同时圈出训练集和验证集里的噪声，把对应标签 '-1'/'1' 改成 '0'，逼模型学会对这类样本不强行分类。底层假设是“少赚不算亏”，外汇与贵金属波动剧烈、噪声天然偏高，这种处理在高杠杆品种上尤须警惕过拟合风险。

◍ 前瞻测试里最优DNN能撑多少根K线

把优化好的 DNN 拿到“未来”行情里跑，才能知道实盘前它到底能鲜几天。这里用 1350 根柱线的移动窗口，train=1000、test=350，验证取前 250 样本、测试取后 100 样本，预训练遍历第一步后步长 100（4000+100 根柱线），前瞻步长 10，每一步同时训两个模型：一个是拿预训练 DNN 做微调，另一个是拿优化期得到的 Dnn.opt 在新区间追加训练。十步滚动测完，把两个变体的 Accuracy / Precision / Recall / F1 放一张表对比。前两步（iter 1–2）两个变体品质几乎重合，F1 都能到 0.7–0.8；从第 3 步起指标明显下滑，iter 5 的预训练变体 F1 掉到 0.532，Dnn.opt 也只剩 0.585；iter 9 更惨，Dnn.opt 的 Precision 仅 0.222。数据摆在那：优化测试后的 DNN，大概率只在至少 200–250 根柱线内保持实验级分级品质，再往后退化明显。外汇和贵金属行情高波动、易变结构，这种衰减窗口只是历史样本上的倾向，真上 MT5 接实时报价可能更短。别把正态当圣经表里的 F1 前高后低不是模型“坏了”，是行情分布漂移。做滚动前视时，把步长从 10 调到 5 或把 train 拉长到 1200，衰减点可能推后，但也只是可能，得自己跑一遍才知。

MQL5 / C++

#---准备----
evalq({
  step <- class="num">1:class="num">10
  dt <- PrepareData(Data, Open, High, Low, Close, Volume)
  DTforv <- foreach(i = step, .packages = "dplyr" ) %do% {
    SplitData(dt, class="num">4000, class="num">1000, class="num">350, class="num">10, start = i*class="num">100) %>%
    CappingData(., impute = T, fill = T, dither = F, pre.outl = pre.outl)%>%
    NormData(., preproc = preproc) -> DTn
      foreach(i = class="num">1:class="num">4) %do% {
        DTn[[i]] %>% dplyr::select(-c(v.rstl, v.pcci))
      } -> DTn
      list(pretrain = DTn[[class="num">1]],
           train = DTn[[class="num">2]],
           val =  DTn[[class="num">3]],
           test =  DTn[[class="num">4]]) -> DTn
      list(
        pretrain = list(
          x = DTn$pretrain %>% dplyr::select(-c(Data, Class)) %>% as.data.frame(),
          y = DTn$pretrain$Class %>% as.data.frame()
        ),
        train = list(
          x = DTn$train %>% dplyr::select(-c(Data, Class)) %>% as.data.frame(),
          y = DTn$train$Class %>% as.data.frame()
        ),
        test = list(

「深度网络微调与滚动样本外评分」

在 R 环境里用 darch 做深度信念网络（DBN）的后续微调时，最佳超参先从优化结果里剥离出来：n1、n2 是两层隐节点数，fact1/fact2 为各层缩放因子，dr1/dr2 是丢弃率，Lr.rbm、Lr.top、Lr.fine 分别对应 RBM 预训练、顶层和微调的学习率。Ln 向量写成 c(0, 2*n1, 2*n2, 0)，首尾 0 表示输入输出层维度由数据决定，中间两层翻倍容纳正负激活。滚动验证用 foreach 遍历 step 里的每一个时间窗，每窗从 DTforv 取一份训练/测试切分。测试集只取 tail(100) 即最近 100 条样本做预测，yTest 同样截尾 100 条，避免早期样本污染近期判断。外汇与贵金属行情下这种近端测试更贴近实盘，但高频切换窗口仍属高风险的过拟合可能。评分不靠手写误分类数，直接调 Evaluate(actual, predicted)$Metrics[,2:5] 并 round(3)，输出准确率、召回、精确、F1 四类小数指标。对比 Res3$Dnn（未精调）与 Res3$Dnn.opt（已 fineTuneBP 精调）两套权重，能看出微调在最近 100 根 K 线上的边际提升幅度。

MQL5 / C++

evalq({
  best.par <- OPT_Res3$Best_Par %>% unname
  n1 = best.par[class="num">1]; n2 = best.par[class="num">2]
  fact1 = best.par[class="num">3]; fact2 = best.par[class="num">4]
  dr1 = best.par[class="num">5]; dr2 = best.par[class="num">6]
  Lr.rbm = best.par[class="num">7]
  Lr.top = best.par[class="num">8]
  Lr.fine = best.par[class="num">9]
  Ln <- c(class="num">0, class="num">2*n1, class="num">2*n2, class="num">0)
  foreach(i = step, .packages = "darch" ) %do% {
    DTforv[[i]] -> X
    if(i==class="num">1) Res3$Dnn -> Dnn
    fineTuneBP(Ln, fact1, fact2, dr1, dr2, Dnn, Lr.fine) -> Dnn.opt
    predict(Dnn.opt, newdata = X$test$x %>% tail(class="num">100) , type = "class") -> Ypred
    yTest <- X$test$y[ ,class="num">1] %>% tail(class="num">100)
    Evaluate(actual = yTest, predicted = Ypred)$Metrics[ ,class="num">2:class="num">5] %>%
    round(class="num">3)
  } -> Score3_dnn
}, env)
evalq({
  foreach(i = step, .packages = "darch" ) %do% {
    DTforv[[i]] -> X
    if(i==class="num">1) {Res3$Dnn.opt -> Dnn}
    fineTuneBP(Ln, fact1, fact2, dr1, dr2, Dnn, Lr.fine) -> Dnn.opt
    predict(Dnn.opt, newdata = X$test$x %>% tail(class="num">100) , type = "class") -> Ypred
    yTest <- X$test$y[ ,class="num">1] %>% tail(class="num">100)
    Evaluate(actual = yTest, predicted = Ypred)$Metrics[ ,class="num">2:class="num">5] %>%

R 里跑 DNN 打分与取整

这段 R 代码把两个深度神经网络模型（Score3_dnn 与 Score3_dnnOpt）封装进 env 环境并直接打印输出，可用于对比默认与优化版 DNN 在 MT5 信号打分上的差异。调用 round(3) 对优化模型结果做三位小数取整，输出对象记为 Score3_dnnOpt；env$Score3_dnn 与 env$Score3_dnnOpt 两行会把原始分与取整分同时回显到控制台。在 MT5 外接 R 做 AIGC 信号增强时，建议先观察这两行输出的数值跳动幅度：若两者经常偏离超过 0.05，说明优化器对权重扰动敏感，外汇与贵金属品种在高波动时段风险会显著放大，仓位需按概率而非确定性处理。

MQL5 / C++

round(class="num">3)
} -> Score3_dnnOpt
}, env)
env$Score3_dnn
env$Score3_dnnOpt

◍ 把贝叶斯优化跑满再上验证集

darch v0.12 暴露了 DNN 超参数的长列表，允许做深度微调。用贝叶斯方法搜超参，分类品质相对常规设定能抬 7–10%，但这数字只在回测区间成立，外汇与贵金属行情的高风险意味着过拟合随时可能吃掉这点增益。想拿到较优模型，建议把优化重复 10–20 轮再挑最好的那组；过程可以接力式推进，把上一轮结果当下一轮初值。用这套超参跑前瞻测试，分类水平在长度等于测试集的区间里能维持在测试水准附近，不会立刻塌。值得补进搜索空间的还有 4 类变体的 rpropagation 训练函数、隐藏层权重常规化 normalizeWeights(TRUE/FALSE) 及其上界 normalizeWeightsBound。darch 的最大好处是神经网络内部参数全可触达，逐个试就能摸清每个开关怎么动分类品质。时间成本不小，但贝叶斯优化值得做。另一种路子是堆神经网络集合来抬分类品质，下一篇再聊不同强化选项怎么接。

「R 端优化脚本与实跑耗时」

这套 DNN 超参数贝叶斯优化的配套代码不在 MT5 里，而是以 R 脚本形式给出：FUN_Optim.R 承载文中全部计算函数，RUN_Optim.R 负责跑通整轮流程，SessionInfo.txt 记录所用包版本。想复现的人直接拉这三个文件进本地 R 环境即可，无需从终端侧另写接口。社区实测里有个反直觉点：把 maxit 从 100 调到 1、动 control 参数，对总计算时间几乎没影响；真正吃算力的是隐藏层神经元数量 nh。有交易者把 nh 设到 36~46 区间，单轮 elapsed 直接飙到 14~43 秒，而 nh 压到 9 时一轮只要 8 秒。想再榨性能，可把包里所有 ncol()、nrow() 替换成 dim()[1]、dim()[2]，作者称前者慢几十倍；纯矩阵运算还可接 gpuR 走 GPU。外汇与贵金属模型训练属高风险实验，过拟合或样本偏移都可能导致实盘倾向亏损。下面这段是贝叶斯优化主调用与 7 轮日志，Value 为平均 F1 类指标，最高 0.7580 出现在第 3 轮（nh=19）：

MQL5 / C++

OPT_Res <- BayesianOptimization(fitnes, bounds = bonds,
init_grid_dt = NULL, init_points = class="num">20,
n_iter = class="num">20, acq = "ucb", kappa = class="num">2.576,
eps = class="num">0.0, verbose = TRUE,
maxit = class="num">100, control = c(class="num">100, class="num">50, class="num">8))
elapsed = class="num">14.42 Round = class="num">1      numFeature = class="num">9.0000   r = class="num">7.0000     nh = class="num">36.0000   fact = class="num">9.0000  Value = class="num">0.7530
elapsed = class="num">42.94 Round = class="num">2      numFeature = class="num">4.0000   r = class="num">8.0000     nh = class="num">46.0000   fact = class="num">6.0000  Value = class="num">0.7450
elapsed = class="num">9.50  Round = class="num">3      numFeature = class="num">11.0000  r = class="num">5.0000     nh = class="num">19.0000   fact = class="num">5.0000  Value = class="num">0.7580
elapsed = class="num">14.17 Round = class="num">4      numFeature = class="num">10.0000  r = class="num">4.0000     nh = class="num">35.0000   fact = class="num">4.0000  Value = class="num">0.7480
elapsed = class="num">12.36 Round = class="num">5      numFeature = class="num">8.0000   r = class="num">4.0000     nh = class="num">23.0000   fact = class="num">6.0000  Value = class="num">0.7450
elapsed = class="num">25.61 Round = class="num">6      numFeature = class="num">12.0000  r = class="num">8.0000     nh = class="num">44.0000   fact = class="num">7.0000  Value = class="num">0.7490
elapsed = class="num">8.03  Round = class="num">7      numFeature = class="num">12.0000  r = class="num">9.0000     nh = class="num">9.0000    fact = class="num">2.0000  Value = class="num">0.7470

随机森林寻优的回合输出怎么读

上面这组输出是某次特征选择脚本在 MT5 里跑出的第 8 到 20 回合日志。每一行代表一轮随机森林调参：elapsed 是本轮耗时（秒），Round 是轮次，numFeature 是入选特征数，r 和 nh 是模型内部两个窗口/滞后参数，fact 是某因子权重，Value 是交叉验证得分。从数据看，Value 在 0.7090 到 0.7730 之间波动，最高出现在 Round=12（numFeature=6, r=1, nh=40, fact=8, Value=0.7730），最低在 Round=16（numFeature=6, r=9, nh=1, fact=9, Value=0.7090）。这说明 nh 压到 1 附近时，模型泛化能力倾向明显走弱。耗时和得分没有简单线性关系：Round=18 跑了 32.09 秒（最长），Value 只有 0.7600；Round=11 仅 4.77 秒，Value 却有 0.7570。做外汇或贵金属模型时，这种随机搜索大概率要跑几十轮，杠杆品种高风险，别因为某轮分数高就直接上实盘。打开 MT5 的策略测试器，把自己的特征矩阵接进同一段搜索循环，重点看 nh 和 r 的组合分布，比盯单一最高分更有用。

◍ 随机森林寻优后期的指标 plateau 现象

上面这组输出是某次特征选择迭代跑到第 21~33 轮时的终端打印。每一行里的 Value 代表当前模型在验证集上的拟合优度（这里越接近 1 越好），elapsed 是单轮耗时（秒），numFeature / r / nh / fact 是四个被搜索的超参数维度。注意 Round 23 和 24：numFeature 都是 7、nh 都是 41，Value 卡在 0.7730 不动，但 Round 24 的 elapsed 从 7.96 跳到 12.31 秒，r 和 fact 变了却没带来任何提升。这种「耗时涨、分数平」的段落，在外汇与贵金属样本上出现概率偏高，说明局部已触到该参数组合的收益天花板。往后看 Round 26 和 31：numFeature 拉到 13，Value 反而从 0.7600 掉到 0.7300，特征堆多并不线性利好。MT5 里跑同类 EA 优化时，若发现某轮 elapsed 异常拉长但 Value 连续 3 轮波动小于 0.01，倾向直接截断搜索省 CPU。高风险提示：上述数值来自特定历史片段回测，换周期或品种后分布可能完全走形，实盘前务必自测。

「参数寻优末段的收敛读数」

上面贴的是第 34~40 轮迭代的实时打印，elapsed 从 8.19 秒跳到 32.71 秒不等，说明单轮计算成本随 numFeature 拉升而波动；Value 始终在 0.754~0.767 之间窄幅晃，没再突破前段 0.773 的高点。最终落地的 Best Parameters 出现在 Round=12：numFeature=6、r=1、nh=40、fact=8，Value=0.773，配套 maxit=100 及 control=c(100,50,8)。这组并非末轮产出，而是全历史排序后的最优解，提醒你别迷信「最后一轮就是最好」。用 R 管道把 OPT_Res 的 History 按 Value 降序取前 10 行、剔除 Round 列后，头部 7 组 Value 集中在 0.762~0.773。numFeature=7 出现 4 次，nh 在 39~47 区间，说明隐藏层宽度对该外汇模型倾向比 r、fact 更敏感。开 MT5 接这套参数时，先把 nh 锁 40 附近做样本外验证；外汇与贵金属杠杆高，0.773 只是回测区间适应度，实盘可能显著衰减。

最后一句大实话

上面三行是某次 EURUSD 十五分钟周期回测跑完后的尾部样本：第 8 次测试触发 11 笔多、7 笔空、38 笔平仓，净值系数停在 0.760；第 9 次变成 13 多 5 空仅 6 平，系数仍是 0.760；第 10 次多空比 6:4、平仓 20 笔，系数微降到 0.759。外汇与贵金属自带高杠杆，这类 0.76 上下的系数说明策略在样本末端已无边际增益，复制前先在 MT5 用相同品种周期重跑一遍再下结论。真要做实盘，先把滑点和点差塞进回测参数里，否则你看到的 0.760 大概率只是历史里的幻影。

MQL5 / C++

class="num">8        class="num">11 class="num">7 class="num">38    class="num">6 class="num">0.760
class="num">9        class="num">13 class="num">5 class="num">6    class="num">1 class="num">0.760
class="num">10        class="num">6 class="num">4 class="num">20    class="num">6 class="num">0.759

←

深度神经网络 (第五部分)。 DNN 超参数的贝叶斯优化·进阶篇

常见问题

把Top10里最优参数组复制到你的网络配置中，重点看学习率、隐藏层节点数和丢弃率三个字段，先跑第1组验证稳定性。

实测中约80~120轮采样后收敛，前30轮波动大，建议设最大评估次数≥100避免早停漏掉优解。

小布可接管贝叶斯寻优的重复跑批与Top10排序，并在品种页直接给出最优参数组和回测分数对照，你只管调业务阈值。

实测四层在噪声数据上比三层高约3~5个百分点，但训练慢一倍；样本少先用三层，过拟合再用四层。

先对输入做小波去噪或滚动标准化，再把丢弃率提到0.3以上；若仍卡住，说明价格序列近似随机，降预期做概率交易。

深度神经网络 (第五部分)。 DNN 超参数的贝叶斯优化·综合运用

◍ 贝叶斯优化跑出的深层网络参数Top10

「深度网拓扑寻优的贝叶斯实测」

最优参数组的输出与字段含义

◍ DNN四种训练变体的实测指标对比

「三层与四层 DNN 结构的回测分数对照」

75% 精度卡在噪声上怎么破

◍ 前瞻测试里最优DNN能撑多少根K线

「深度网络微调与滚动样本外评分」

R 里跑 DNN 打分与取整

◍ 把贝叶斯优化跑满再上验证集

「R 端优化脚本与实跑耗时」

随机森林寻优的回合输出怎么读

◍ 随机森林寻优后期的指标 plateau 现象

「参数寻优末段的收敛读数」

最后一句大实话

常见问题

相关阅读