从头开始采用 MQL 语言进行深度神经网络编程（基础篇）
在 MT5 里用 MQL 搭深度神经网络
MetaTrader 5 从 build 2940 起原生支持 MQL5 直接调用 OpenCL 与矩阵运算，这让在终端内写深度神经网络不再依赖外部 DLL。2022 年 2 月发布的示例帖在论坛拿到 3379 次查看、55 条讨论，说明手工撸神经网络的刚需一直存在。 外汇与贵金属杠杆交易本身高风险，用神经网络做信号过滤也只是降低噪声概率，不保证胜率。想验证可行性，最直接的就是开 MT5 新建 EA，把矩阵乘法写成原生 MQL5 函数跑一遍前向传播。 下面这段是原文给出的网络前向骨架，用 MQL5 矩阵类型做全连接层计算：
matrix a = matrix::Eye(class="num">3); matrix w = matrix::Rand(class="num">3, class="num">3); matrix z = a.Mul(w); matrix out = z.Tanh();
「用 MQL5 手搓一个深度神经网络」
机器学习热度起来后，很多交易者想用 MQL 语言落地深度学习，但社区里常见的人工神经元实现只到单层激活函数这一步，真正的深度网络一直是空白。 本文直接给出一套 MQL5 实现的深度神经网络：隐藏层用双曲正切（tanh）做激活，输出层用 Softmax 做概率归一。从网络结构定义到前向推理，一步步走完，你能在 MT5 里编译出可运行的EA雏形。 外汇与贵金属杠杆高、滑点跳空频繁，这类模型只解决「信号生成」一端，实盘前务必用历史数据做样本外验证，避免过拟合带来的概率误判。
◍ 人工神经元到底在算什么
做MT5里的神经网络信号之前，得先拆清楚单个神经元在干什么。它本质就是个带权重的数学算子：输入进来，乘上权重，求和，再过一道激活函数，吐出一个数。权重越大，对应输入对输出的拉动越强；训练算法的全部目的，就是找出一组能让任务误差最小的权重集合。 具体看内部五块：输入可以是行情特征（如收盘价、RSI），也能是上一层神经元的输出，离散或实数都行；权重是和每个输入相乘的因子，负责放大或抑制；网络输入函数把「每项输入×权重」全部加总成一个标量；激活函数决定这个标量怎么被压成最终输出，本文盯的是Tan-h和Softmax两类；输出再喂给下一层或被EA直接采样。 Tan-h把结果压到[-1,1]，对正负偏离都敏感，适合抓多空动量；Softmax把一组值转成概率分布，总和恒为1，常放在最后一层做分类。外汇和贵金属波动受消息驱动，用这类模型做预判只是概率倾向，实盘前务必在MT5策略测试器里用历史数据回测，高杠杆品种爆亏风险不低。
用三层网把行情劈成买卖持
神经网络的结构借鉴了生物神经元的信号传递方式：若干层人工神经元前后串联，前一层的输出直接变成下一层的输入，最终汇总到输出层。我们这里不玩无监督聚类，也不做连续回归，只盯一个实用目标——把每一根 K 线之后的状态压成三类：买入、卖出、持有。 下面这段是一个带单隐藏层的极简前馈网定义，隐藏层 10 个神经元，输出层 3 个节点对应三态。外汇与贵金属波动剧烈，用神经网络做状态判别属于高概率辅助，不等于方向必然兑现。 网络能否训出来，关键看输入特征是否含未来函数。若把下一根收盘价直接喂进去，回测漂亮、实盘必死，这是 MT5 里跑 EA 前要先自查的红线。
「三层以上才算深度学习」
深度神经网络和单隐层网络最硬的区别就是层数。技术上，含输入和输出超过三个层、也就是隐藏层不止一个，就够格叫“深度”学习了，这不是营销词，是严格定义。 越往深层走，神经元识别的特征越复杂，因为它们把前一层的输出再做汇聚和重组。这种结构能吞下维度极高的数据集，参数经非线性函数展开后可达数十亿量级，单隐层网络基本没戏。 下图展示的是一个带 3 个隐藏层的深度网络：输入层 → 隐层1 → 隐层2 → 隐层3 → 输出层，每一层都在做特征的抽象升级。MT5 里若用 Python 桥接搭这类网络，先确认隐藏层数 ≥2，否则只是浅层感知机。