神经网络轻松制作（基础篇）
用 MT5 跑通一个神经网络原型
在 MetaTrader 5 里搭神经网络，不一定需要外部 Python 环境。平台自带的 MQL5 矩阵与向量类，配合定时调用，就能在 EA 里做轻量前向推理。 Dmitriy Gizlyk 在 2020 年 3 月 16 日发布的示例，截至统计时获得 10 237 次查看与 88 条互动，说明社区对原生 NN 方案有真实需求。 想验证可行性，直接开 MT5 新建 EA，把下面这段前向计算抄进去，用 EURUSD 的 H1 收盘价序列喂入，观察输出矩阵维度是否符合预期。外汇与贵金属波动剧烈，这类原型仅用于逻辑验证，实盘存在高回撤风险。
◍ 先看清这篇要拆哪几块
这篇系列文把神经网络在 MQL5 里的落地拆成了几条主线：先讲 AI 网络建设的基本原理，再落到人工神经元的结构，接着是网络训练的数学过程，最后用 MQL 亲手搭一套可运行的神经网络。 其中 MQL 实现又细分为连接、神经元、神经网络三层封装，读者开 MT5 后能直接对照代码逐级验证。 文末附了结束语、参考与本文用到的程序清单，但核心可操作部分集中在前四节，建议优先把 4.1–4.3 的代码跑通再回头看训练逻辑。
「家用电脑也能跑神经网络」
人工智能在交易圈的讨论热度持续走高，但很多资料把它讲得像只有实验室科学家才能碰的玄学。实际上，用一台普通家用 PC 搭建并训练一个基础神经网络并不困难。 我们这套内容要拆掉「神经网络 = 超自然」的滤镜，直接看它在 MT5 里怎么落地：它本质是一个靠数据调权重的函数近似器，输入价格特征、输出买卖倾向。外汇与贵金属波动剧烈，任何模型信号都只是概率倾向，实盘前务必在策略测试器里跑历史数据验证。
搞懂神经网络的分层与信号流
人工神经网络本质是大量相同计算单元（神经元）按层组织的集合，灵感来自生物脑的耦合方式。每层神经元只做一件事：吃进上一层传来的信号，处理完吐给下一层，直到输出层给出“是/否”这类逻辑结论。放到交易里，这个输出就能直接当方向信号用。 一个最直白的规模约束：要喂给网络 10 个元素的数组，输入层就正好放 10 个神经元，多一个都是冗余。输出侧同理，一个无歧义答案配一个输出神经元；想同时回答 3 个问题就开 3 个输出神经元。 隐藏层才是真正的分析中心，其神经元数量取决于前一层数据的可变性——每个隐藏神经元可理解为一个“事件假设”。隐藏层数则由因果链深度决定，比如做“5 个为什么”的归因模型，逻辑上用 4 个隐藏层配合输出层去拆源数据。 外汇与贵金属市场高风险，这类信号仅作概率参考，实盘前务必在 MT5 用历史数据验证层数与神经元规模是否过拟合。
◍ 神经元里到底算了什么
人工神经元把外部传来的多路输入各自乘上连接权重再求和，权重决定某一路输入对最终输出的话语权。同一套输入和公式之所以能跑出不同策略，本质就是调这些权重系数，而不是换算式。 求和之后的数值要过一道激活函数才出结果。常用两种：Sigmoid 把输出压到 0~1 之间；双曲正切（tanh）把输出压到 -1~1 之间。选哪个看问题性质，要逻辑是非就偏 Sigmoid。 做外汇和贵金属这类高风险品种，我更惯用双曲正切：-1 直接对应卖出倾向，1 对应买入倾向，中间值就是信号模糊区。你开 MT5 接个简单神经元试 tanh，能直观看到信号在 [-1,1] 里摆动，比硬看 0/1 更有缓冲感。