🧠

在算法交易中 KOHONEN 神经网络的实际应用第二部分优化和预测·进阶篇

（2/3）·从长报告里挑参数总靠肉眼？自组织映射把稳健区间和走势预判交给算法

含代码示例偏理论第 2/3 篇

优化跑完拿到几百行测试报告，按利润排和按夏普排给出的参数经常是两码事。系统吐出一堆等价结果时，人肉挑设置往往凭直觉而非统计结构。把选择阶段仍留给肉眼，等于让算法交易在最后一公里回到手工。

本章目录

信号组合与风控参数的实盘可调区间
自组织映射跑完后的参数与掩码读数
用特征串驱动自组织映射的 RGB 渲染
用 Kohonen 网络给金叉货币做时序推演
把随机种子和回看窗口一起调出能用的网

「信号组合与风控参数的实盘可调区间」

这套 EA 把 RSI、Envelopes 和 AO 三个指标做了加权合成，再叠加抛物转向追踪止损与固定比例风控。默认输入里，RSI 周期设为 8、Envelopes 均线周期 45、通道偏移 0.15%，挂单过期 4 根柱，属于偏短线的组合。但回测调参时这些默认值常被推翻。实测一组替代参数：RSI 周期拉到 73、Envelopes 周期缩到 20、偏移放宽到 0.5%，开仓阈值 40、平仓阈值 85，抛物转向步长 0.15、最大值 1.59，风险百分比 5.0。外汇与贵金属杠杆高，参数激进度上升后回撤可能显著放大，需用 MT5 策略测试器自行验证。代码里的输入块直接决定了信号权重与止损逻辑，逐行看才能知道每根线在管什么。

MQL5 / C++

class="kw">input class="type">int                Signal_Expiration           =class="num">4;        class=class="str">"cmt">// 挂单的过期时间 (柱数)
class="kw">input class="type">int                Signal_RSI_PeriodRSI        =class="num">8;        class=class="str">"cmt">// 相对强弱指数 RSI(class="num">8,...)的计算周期数
class="kw">input ENUM_APPLIED_PRICE Signal_RSI_Applied          =PRICE_CLOSE; class=class="str">"cmt">// 相对强弱指数 RSI(class="num">8,...) 价格序列
class="kw">input class="type">class="kw">double             Signal_RSI_Weight           =class="num">1.0;       class=class="str">"cmt">// 相对强弱指数 RSI(class="num">8,...) 权重 [class="num">0...class="num">1.0]
class="kw">input class="type">int                Signal_Envelopes_PeriodMA   =class="num">45;        class=class="str">"cmt">// Envelopes(class="num">45,class="num">0,MODE_SMA,...) 平均周期数
class="kw">input class="type">int                Signal_Envelopes_Shift      =class="num">0;         class=class="str">"cmt">// Envelopes(class="num">45,class="num">0,MODE_SMA,...) 时间偏移
class="kw">input ENUM_MA_METHOD     Signal_Envelopes_Method     =MODE_SMA;  class=class="str">"cmt">// Envelopes(class="num">45,class="num">0,MODE_SMA,...) 平均的方法
class="kw">input ENUM_APPLIED_PRICE Signal_Envelopes_Applied    =PRICE_CLOSE;class=class="str">"cmt">// Envelopes(class="num">45,class="num">0,MODE_SMA,...) 价格序列
class="kw">input class="type">class="kw">double             Signal_Envelopes_Deviation  =class="num">0.15;      class=class="str">"cmt">// Envelopes(class="num">45,class="num">0,MODE_SMA,...) 偏移
class="kw">input class="type">class="kw">double             Signal_Envelopes_Weight     =class="num">1.0;       class=class="str">"cmt">// Envelopes(class="num">45,class="num">0,MODE_SMA,...) 权重 [class="num">0...class="num">1.0]
class="kw">input class="type">class="kw">double             Signal_AO_Weight             =class="num">1.0;       class=class="str">"cmt">// AO指标权重 [class="num">0...class="num">1.0]
class=class="str">"cmt">//--- 用于跟踪止损的输入参数
class="kw">input class="type">class="kw">double             Trailing_ParabolicSAR_Step   =class="num">0.02;      class=class="str">"cmt">// 速度增加值
class="kw">input class="type">class="kw">double             Trailing_ParabolicSAR_Maximum=class="num">0.2;       class=class="str">"cmt">// 最大比率
class=class="str">"cmt">//--- 用于资金管理的输入参数
class="kw">input class="type">class="kw">double             Money_FixRisk_Percent=class="num">5.0;                class=class="str">"cmt">// 风险百分比

自组织映射跑完后的参数与掩码读数

这段输出是某次 EA 参数优化后自组织映射（SOM）降维显示的原始打印。表头先列了 13 个维度：Profit、Profit Factor、Recovery Factor、Sharpe Ratio、Equity DD %、Trades，以及 7 个信号与 trailing 参数，最后一行 Trailing_ParabolicSAR_Maximum 是第 12 号特征。看 N0 [3,2] 这组：净利润 18780.87，盈利因子 1.97233，恢复因子 3.60269，夏普 0.38653，回撤 16.77%，共 63 笔交易；对应信号阈值为开 20、平 66，RSI 周期 24，包络均线 20、偏离 0.5，SAR 步长 0.14、最大值 1.46，FeatureMask=1111110000000 表示前 6 维参与训练后掩码。切到 N0 [14,1] 这组，净利润降到 17806.57，但盈利因子跳到 2.79534、恢复因子 6.78011、夏普 0.48506，回撤压缩到 10.70%，交易数 49.9；此时开仓阈值 40、平仓 86，RSI 周期变成 74，SAR 步长 0.13、最大值 1.29，掩码翻成 0000001111111 且 FeatureMaskAfterTraining=false——说明这组用的是后 7 维原始特征、未做训练后筛选。外汇与贵金属品种下这种参数迁移仅代表历史样本表现，实盘存在显著回撤扩大风险，概率上更优不代表必然稳健。 CSOMDisplayRGB 这个类继承自 CSOMDisplay，内部挂了 indexRGB[]、enabled、showrgb 三个成员，负责把 SOM 节点映射成 RGB 颜色供可视化，你可以直接把这段抄进 MT5 头文件里改自己的显示层。

MQL5 / C++

class CSOMDisplayRGB: class="kw">public CSOMDisplay
{
  class="kw">protected:
    class="type">int indexRGB[];
    class="type">bool enabled;
    class="type">bool showrgb;

◍ 用特征串驱动自组织映射的 RGB 渲染

在 MT5 里做 Kohonen 网络可视化时，可以用一个字符序列直接决定哪些特征维度参与 RGB 着色。代码里的 FeatureDirection 就是这种控制串，例如 FeatureDirection=++,,- 表示前两个特征正向映射、中间两个忽略、最后一个反向映射。核心入口是 EnableRGB()，它接收一个 int 数组 rgbmask，数组长度必须等于特征方向串的长度。下面这段逻辑把字符串每个字符转成偏移量：逗号对应 0（屏蔽），加减号对应正负权重，转换式为 rgbmask[i] = -(StringGetCharacter(FeatureDirection, i) - ',')。实际调用链很直白：先判断 ShowRGBOutput 输入开关且 FeatureDirection 非空，Resize 掩码数组，逐字符填充，然后 EnableRGB → RenderOutput → DisableRGB。DisableRGB 只是把内部 enabled 置 false，开销可忽略。外汇与贵金属市场波动剧烈、杠杆风险高，这类特征映射仅用于辅助观察样本分布，不预示任何价格方向。

MQL5 / C++

class="type">void CalculateRGB(class="kw">const class="type">int ind, class="kw">const class="type">int count, class="type">class="kw">double &sum, class="type">int &col) class="kw">const;

class="kw">public:
  class="type">void EnableRGB(class="kw">const class="type">int &vector[]);
  class="type">void DisableRGB() { enabled = class="kw">false; };
  class="kw">virtual class="type">void RenderOutput() class="kw">override;
  class="kw">virtual class="type">class="kw">string GetNodeAsString(class="kw">const class="type">int node_index, class="kw">const class="type">int plane) class="kw">const class="kw">override;
  class="kw">virtual class="type">void Reset() class="kw">override;
};
class="kw">input class="type">bool ShowRGBOutput = class="kw">false;
CSOMDisplayRGB KohonenMap;
  if(ShowRGBOutput && StringLen(FeatureDirection) > class="num">0)
  {
    class="type">int rgbmask[];
    ArrayResize(rgbmask, StringLen(FeatureDirection));
    for(class="type">int i = class="num">0; i < StringLen(FeatureDirection); i++)
    {
      rgbmask[i] = -(StringGetCharacter(FeatureDirection, i) - &class="macro">#x27;,&class="macro">#x27;);
    }
    KohonenMap.EnableRGB(rgbmask);
    KohonenMap.RenderOutput();
    KohonenMap.DisableRGB();
  }
FeatureDirection=++,,-
FeatureDirection=,+,,-+

「用 Kohonen 网络给金叉货币做时序推演」

Kohonen 自组织映射本职是聚类和降维可视化，但也能直接拿来做时间序列预测。思路是把长度为 n 的 tick 向量前 n-1 个分量当输入、最后一个分量当待估目标；网络权重在训练后收敛到所属类的均值，类越紧凑，对缺失或未来值的还原就越接近教学样本的统计规律。我们选最简单的单网矢量量化方案：训练时喂全向量、算距离只用前 n-1 维、权重全量更新；预测时塞入不完整向量，取最匹配神经元第 n 个突触的权值作为输出。为了绕开报价序列里噪音和基本面突袭，原文挑了日线周期和黄金、白银这类跨货币属性资产。Unity 指标把 EURUSD、XAUUSD 等多品种报价拆成独立“成本”变量，并加单位模约束 EUR²+USD²+XAU²=1 求解各资产相对值；默认输出的是日线增量 y_i = x_i0/x_i1 - 1。这样一组外汇加金属就能合成一个同步变化的 n 维向量，预测其中某一维的次日增量。实操上，Unity 的 Instruments 填 "EURUSD,GBPUSD,USDCHF,USDJPY,AUDUSD,USDCAD,NZDUSD,XAUUSD"（XAUUSD 必须置尾），ShiftLastBuffer=true 会多写一列 forecast，把末资产当天增量顺移一行，形成“今日已知+明日目标”的 csv。SOM-Forecast 设 ForecastMode=true 仅用前 n-1 维算 BMU，ValidationSetPercent=10、ReframeNumber=10 可启 TrainAndReframe 逐步扩容：每维加 2 神经元，验证误升即停，防过拟合丢泛化。静态分析 500 根 D1 的 unity500-noshift.csv 时，Kohonen 图上 GBP 蓝斑与 AUD 黄斑常年对置，说明英镑兑澳元在波动放大段倾向空方主导；XAG 与 CHF 在右上同涨、左下互斥，可作为突破双向挂单的参考。欧元、英镑、瑞郎的聚类体积最大，意味着它们日变动频率高于其它货币，美元反而弱于日元与加元。预测侧建议别把网训太深：MetaQuotes-Demo 上 D1 虽有 2000+ 柱，但 2~3 年甚至 250 根（约 1 年）更可能抓住当下规律，更远历史可能已失效。外汇与贵金属属高风险敞口，上述关联与推演仅代表样本内概率倾向，实盘前请在 MT5 用附码复算并自验。

把随机种子和回看窗口一起调出能用的网

Kohonen 网络不是设一次参数就完事。RandomSeed 决定初始权重随机发生器，换一个种子就是一张新脸孔的网络，在其它条件完全相同下，泛化表现可能更好也可能更糟。所以网络尺寸、教学样本量这些都不是拍脑袋定死的，得靠大量试错——原文里就是从 26*26 缩到 15*15，再配合缩减教学集来逼近可用配置。教学前必须把源数据劈成两份。用 unity500xau.csv 举例，复制出 50 个向量进 unity500xau-validation.csv 做验证，其余留着训网。若在训网同源数据上验，正确率高只是自欺，日志里看一眼就知道。先拿 24*24、ValidationSetPercent=0、ForecastMode=true 训完，图上只是视觉确认网「学了点东西」。真正验要把训好的 .som 塞进 NetFileName，DataFileName 改指 validation 集，跑完日志显示预测精度在随机猜级别——简单输入深度随手选，显然出不了圣杯。往输入里加上下文才有戏。指标 Unity 加了 BarLookback 参数，默认 1；填 5 就把一周内 9 项资产（8 外汇 + 黄金）的 tic 标记全卷进向量，单行塞 46 个值，算得慢、图难看。演示用 3 天回看 + 15*15 网，unity1000xau3 两文件训验下来拿到 58% 精确预测——但随机性仍在，换初始化可能掉队，实际要养多个实例挑最好的，或投票用委员会。 Unity-Forecast 指标走 CSOM 类不渲染图。载入用 NetFileName，随训则搬 CellsX/Y、EpochNumber、RandomSeed 等；删了 AbsoluteValues 和存 csv，加 SaveTrainedNetworks 存网备看。BarLimit 管起始柱与训网柱数，RetrainingBars 定重训间隔。 [CODE]            datetime;      EUR;     USD;      GBP;      CHF;      JPY;      AUD;      CAD;      NZD;      XAU; FORECAST 2016.12.20 00:00:00; 0.001825;0.000447;-0.000373; 0.000676;-0.004644; 0.003858; 0.004793; 0.000118;-0.004105; 0.000105 2016.12.21 00:00:00; 0.000228;0.003705;-0.001081; 0.002079; 0.002790;-0.002885;-0.003052;-0.002577; 0.000105;-0.000854 2016.12.22 00:00:00; 0.002147;0.003368;-0.003467; 0.003427; 0.002403;-0.000677;-0.002715; 0.002757;-0.000854; 0.004919 2016.12.23 00:00:00; 0.000317;0.003624;-0.002207; 0.000600; 0.002929;-0.007931;-0.003225;-0.003350; 0.004919; 0.004579 上面这段是训练/验证 csv 的切片：首列 datetime 为日线开盘时刻，EUR 到 XAU 是各品种当日 tic 标记，末列 FORECAST 是黄金方向标签。直接照这格式攒自己的 csv，就能喂进 SOM-Forecast 复现流程。测白银时把品种集扩到 EURUSD、GBPUSD、USDCHF、USDJPY、AUDUSD、USDCAD、NZDUSD、XAUUSD、XAGUSD，用外汇+黄金簇预测银。2018.7.1–12.1 测试器里指标逐日训、每 20 天重训，准确率 60%。外汇与贵金属杠杆高、跳空频繁，这套概率优势不代表实盘能躺赢，重训阻塞指标的问题也别在实盘指标里干，交给 EA 按计划生成网更稳。想再抬精度，往输入塞周/日序号类外部因子，或叠多个 Kohonen 混别的网络类型，都是可落手的改法。

MQL5 / C++

    <span class="keyword">class="type">class="kw">datetime</span>;      EUR;      USD;      GBP;      CHF;      JPY;      AUD;      CAD;      NZD;      XAU; FORECAST
<span class="number">class="num">2016.12</span>.<span class="number">class="num">20</span> <span class="number">class="num">00</span>:<span class="number">class="num">00</span>:<span class="number">class="num">00</span>; <span class="number">class="num">0.001825</span>;<span class="number">class="num">0.000447</span>;-<span class="number">class="num">0.000373</span>; <span class="number">class="num">0.000676</span>;-<span class="number">class="num">0.004644</span>; <span class="number">class="num">0.003858</span>; <span class="number">class="num">0.004793</span>; <span class="number">class="num">0.000118</span>;-<span class="number">class="num">0.004105</span>; <span class="number">class="num">0.000105</span>
<span class="number">class="num">2016.12</span>.<span class="number">class="num">21</span> <span class="number">class="num">00</span>:<span class="number">class="num">00</span>:<span class="number">class="num">00</span>; <span class="number">class="num">0.000228</span>;<span class="number">class="num">0.003705</span>;-<span class="number">class="num">0.001081</span>; <span class="number">class="num">0.002079</span>; <span class="number">class="num">0.002790</span>;-<span class="number">class="num">0.002885</span>;-<span class="number">class="num">0.003052</span>;-<span class="number">class="num">0.002577</span>; <span class="number">class="num">0.000105</span>;-<span class="number">class="num">0.000854</span>
<span class="number">class="num">2016.12</span>.<span class="number">class="num">22</span> <span class="number">class="num">00</span>:<span class="number">class="num">00</span>:<span class="number">class="num">00</span>; <span class="number">class="num">0.002147</span>;<span class="number">class="num">0.003368</span>;-<span class="number">class="num">0.003467</span>; <span class="number">class="num">0.003427</span>; <span class="number">class="num">0.002403</span>;-<span class="number">class="num">0.000677</span>;-<span class="number">class="num">0.002715</span>; <span class="number">class="num">0.002757</span>;-<span class="number">class="num">0.000854</span>; <span class="number">class="num">0.004919</span>
<span class="number">class="num">2016.12</span>.<span class="number">class="num">23</span> <span class="number">class="num">00</span>:<span class="number">class="num">00</span>:<span class="number">class="num">00</span>; <span class="number">class="num">0.000317</span>;<span class="number">class="num">0.003624</span>;-<span class="number">class="num">0.002207</span>; <span class="number">class="num">0.000600</span>; <span class="number">class="num">0.002929</span>;-<span class="number">class="num">0.007931</span>;-<span class="number">class="num">0.003225</span>;-<span class="number">class="num">0.003350</span>; <span class="number">class="num">0.004919</span>; <span class="number">class="num">0.004579</span>

把参数扫描交给小布盯盘

这些聚类与高原诊断小布盯盘的 AIGC 已内置，打开对应品种页即可看到，你只需在候选区间里做最终决策。

←

在算法交易中 KOHONEN 神经网络的实际应用第二部分优化和预测（基础篇）

→

在算法交易中 KOHONEN 神经网络的实际应用第二部分优化和预测·综合运用

常见问题

高原水平近似平均盈利能力，长度近似系统稳健性，单点最大值容易是过拟合噪声，实盘外汇贵金属高风险下更易失效。

过多集群变小且显重学痕迹难概括；过少则训练不足吞下差异样本，具体阈值依任务与数据结构实验确定。

一般需窗口切片、归一化与拓扑初始化，本篇后续节会给出代码级说明，偏理论部分解释映射机理。

可以，AIGC模块已封装参数扫描与聚类可视化，你导入EA回测报告就能拿到候选高原区间，省去手写神经网络类。

在搜索最优EA参数与时间序列预测两节直接复用，关于类修正的完整讨论见《在算法交易中Kohonen神经网络的实际应用·基础篇》。

在算法交易中 KOHONEN 神经网络的实际应用 第二部分优化和预测·进阶篇

「信号组合与风控参数的实盘可调区间」

自组织映射跑完后的参数与掩码读数

◍ 用特征串驱动自组织映射的 RGB 渲染

「用 Kohonen 网络给金叉货币做时序推演」

把随机种子和回看窗口一起调出能用的网

常见问题

相关阅读

在算法交易中 KOHONEN 神经网络的实际应用第二部分优化和预测·进阶篇