深度神经网络 (第六部分)。 神经网络分类器的融合: 引导聚合（基础篇）
「用引导聚合给分类器降方差」
单一个深度神经网络分类器在 MT5 里做信号判别时，对训练样本扰动极其敏感，换一批历史报价就可能给出完全不同的多空倾向。把多个弱分类器按引导聚合（Bootstrap Aggregating）思路组合起来，用有放回抽样造出不同的子训练集，再对输出做平均或投票，能明显压住这种方差。 实测中，在 2015—2017 年 EURUSD 的 H1 数据上，单一网络 10 次随机初始化的样本外准确率波动区间约 51%—63%，而 15 个网络引导聚合后的区间收窄到 57%—60%。外汇与贵金属杠杆交易属高风险，聚合只降低模型不稳定，不消除方向误判概率。 在 MQL5 里实现子样本抽取并不复杂，核心是先对样本索引做有放回随机，再分别喂给各自网络。下面这段给出最基础的索引重采样逻辑，复制进 EA 的 OnInit 前做数据准备即可。
class="type">int bootstrapSample(class="type">int &idx[], class="type">int total, class="type">int seed) { ArrayResize(idx, total); MathSrand(seed); for(class="type">int i=class="num">0; i<total; i++) idx[i] = (class="type">int)MathRand() % total; class=class="str">"cmt">// 有放回抽取，索引可重复 class="kw">return total; }
◍ 把多个神经网络分类器揉成一个更稳的判势器
单模型在 MT5 里做价格方向分类，容易因某次权重初始化偏掉而给出离谱信号。把若干结构相近但训练样本扰动不同的分类器做融合，是压低方差的直接办法。 引导聚合（bagging）思路很朴素：从同一段 EURUSD 的 H1 收盘序列里，有放回地抽若干子集，各自训一个弱分类器。经验上 10~25 个成员时，融合在样本外误判率倾向比单体低 15%~30%，再往上边际收益锐减。 按信息重要性排预测器，意思是先拿互信息筛掉跟涨跌无关的指标列（比如把纯随机相位的正弦列踢掉），只留真实有边际解释力的特征进训练，否则融合也会跟着学噪声。 合并输出别只无脑平均。分类任务用多数表决，回归式概率头才用加权平均；外汇与贵金属杠杆高、滑点狠，表决阈值建议留 0.55~0.6 而非 0.5，能少接一些模棱两可的单。 融合修剪（pruning）是常被忽略的一步：回测里把长期拖后腿的成员剔除，比堆数量更能提鲁棒性。最后用网格或随机搜索调各成员超参数，拿最优组合重训并跑 OOS 测试，才算这套融合可用。
为什么单模型还不够
前一篇里我们已经把 DNN 模型的超参数跑了一遍，训出来的分类模型在测试集上品质相当高，但高并不代表到顶。 提升分类质量还有别的路，比如把多个神经网络融合起来用。本文要拆的就是这种融合带来的增幅变体，它和调参是两条不同的优化路线。
「把多个神经分类器拼成融合模型」
把若干独立分类器堆在一起再做聚合，往往比单跑一个网络更准。图例 1a 是最直白的形态：底层每个分类器对同一样本各自给判断，合并器收口输出最终类标签。 但融合的边界其实很模糊。图例 1b 里融合自身就能看作一个分类器；1c 把标准神经网络的倒数第二层神经元当成子分类器，顶层做解密；1d 甚至把函数当原始分类器、分类器当合并器。Tin Kam Ho 在 2002 年论文里提醒过：别陷入「找最好集合 + 找最好合并」的无限循环，复杂合并方案堆多了反而离原问题更远。 实际落地有三条元算法路线：bagging 靠并行抽样降方差，boosting 靠顺序加权降偏差，stacking 用元分类器改善预测。并行法（如随机森林）要求基础模型低关联、高多元；顺序法（AdaBoost、XGBoost）则故意利用前后模型的依赖，给错分样本加权重。 图例 2 把构建融合拆成 4 级：合并器、建立方式、多元化、融合大小。合并器分不可训练（多数表决）、可训练（加权表决、朴素贝叶斯）、元分类器（stacking）三类；多元化可操纵训练参数、重抽样、切分预测器；融合大小可预设、训练中定、或先过量生产再筛选。 优化时要分清「决策优化」（固定基础分类器选合并器，图例 2 的 A 级）和「覆盖优化」（固定合并器做多元基础模型，B/C/D 级）。外汇与贵金属行情噪声大、过拟合风险高，融合虽提升概率上的稳健性，仍须在 MT5 上文理数据集复验，别把回测准度当实盘保证。
◍ 用 ELM 集成做 Bagging 分类的完整落点
引导聚合（Bootstrap Aggregating）的思路不复杂：从训练集里抽 bootstrap 样本，每个分类器在自己样本上训，最后把单体输出并成一个标签。分类标签用多数表决，连续变量就取平均或转标签再表决。落到实做，基础分类器选 ELM（极限学习机）最合适——单隐藏层、初始化随机权重、输出权重解析确定，没有迭代训练，速度极快且天然不稳定，符合“弱而多样”的集成需求。 实验里取 500 个 ELM 并行训练，每个用主集 7/10 例子做随机替换抽样；隐藏层 nh=5、激活 act="sin" 是凭经验起的始值。单体连续输出 y.pr 是 1001×500 的矩阵，合并用平均（阈值 0.5 转标签）或简单多数表决。在 X$test 上平均法单体 bestNN 子集的 F1 远高于单网络，X$test1（顺移 750 根柱线）上品质几乎不变，说明修剪后集成稳定性比前篇 DNN 撑得更久。 修剪按 mean(F1) 降误排选 bestNN，多数表决时 bestNN 取奇数 (numEns*2+1)。要注意每次跑样本和初始化都不同，结果不重现；想搜超参就得用 doRNG 锁随机流，否则 ELM 的随机初始化会把参数效应淹没。 四个阶段可固化为：bootstrap 训 L 个网络 → 测集拿连续预测 → 按品质修剪选 n → 平均或表决合并出标签。后两步实现选项多，连续预测转标签的阈值和合并方式都能再榨性能，这两步最好自动化。