最小二乘支持向量机基础：搞懂 LS-SVM 数学与 MQL 落地前提（基础篇）
📐

最小二乘支持向量机基础：搞懂 LS-SVM 数学与 MQL 落地前提（基础篇）

（1/3）· 多数交易者直接套用预测模型却看不懂内核变换，本文先把 LS-SVM 的回归逻辑和方程拆清楚

含代码示例实战向 第 1/3 篇
把 SVM 当黑箱指标加载进图表的人不少，可一旦预测偏移就完全无从调参。LS-SVM 在 MQL 里尚未原生实现，先理解它的数学骨架，后续写代码才不会盲改 gamma 越改越乱。
本章目录
  1. 用最小二乘支持向量机给行情建模
  2. 从 EMD 到 LS-SVM 的数学门槛
  3. LS-SVM 如何用核技巧把非线性回归压成线性方程组
  4. 把 LS-SVM 塞进一个类里跑回归

◍ 用最小二乘支持向量机给行情建模

最小二乘支持向量机（LS-SVM）把标准 SVM 的不等式约束换成等式约束，求解时直接面对一个线性方程组，而不是凸二次规划。对 MT5 上做日内波段的外汇、贵金属交易者来说，这意味着每次重算模型权重的速度更快，适合在 1H、4H 这类中周期上做滚动预测。 原文给出的基准实现里，SOM-LS-SVM 先用自组织映射（SOM）把输入样本聚类，再在每个簇上单独训练 LS-SVM。作者在 2020 年 6 月发布的回测样本显示，EURUSD 的 H1 收盘价序列用该方法做一步向前预测，样本外均方误差比单一全局 LS-SVM 低约 18%，但贵金属 XAUUSD 同周期只低约 7%，说明聚类收益高度依赖品种波动结构。 外汇与贵金属杠杆高、跳空频繁，任何基于历史拟合的预测都只是概率倾向，实盘前务必在 MT5 策略测试器用近 3 个月数据重跑，确认簇数参数 k 在你盯的品种上不退化成 1。

「从 EMD 到 LS-SVM 的数学门槛」

前一篇已经把经验模式分解（EMD）和时间序列统计分析指标 TSA 跑通了，这一节要把研究对象换到支持向量机，具体是最小二乘支持向量机（LS-SVM）这个变体。 LS-SVM 在 MQL 体系里目前还没有现成实现，意味着你想在 MT5 上验证，得自己写封装。 动手前先补数学底子，核函数映射和凸优化约束是绕不开的两块，否则直接抄代码也调不动惩罚参数。

LS-SVM 如何用核技巧把非线性回归压成线性方程组

最小二乘支持向量机（LS-SVM）把原本的非线性优化问题改写成线性方程组来求解，核心在于“核技巧”：把输入向量映射到潜在无限维的特征空间，再用成对核函数消去系数 w，最终只需求解一个 (N+1)×(N+1) 的线性系统。

对于价格序列 y，取 p 个前置点构成 p 维向量 x，训练目标是在正则化参数 gamma 约束下最小化 w 并惩罚误差。gamma 越大回归越贴近源数据，gamma 越小模型越平滑、偏差冗余越高。径向基高斯核 K(x_i,x_j)=exp(-x_i-x_j²/(2σ²)) 里的 sigma 控制钟形宽度：σ 小则模型只死跟训练点、泛化崩坏，σ 大则更多“相邻”向量参与平滑。

两个实操痛点摆在这儿：gamma 和 sigma 没法解析求，只能穷举二维网格、按测试集误差小于训练集来挑；输入延迟深度 p 建议看部分自相关函数（PACF）。在 EURUSD D1 上，PACF 超出 95% 置信区间的滞后点随样本数变——500 根和 1000 根柱线给出的“小波”完全不同，所以 p 选 20~50 根连续柱线能覆盖基础运行段，且数据一换就得重优化。 复杂度是硬伤：矩阵规模随训练长度 N 二次方增长，上千根柱线会拖垮 MT5 回测。原文提出用 Kohonen 自组织映射先聚类，把 1000 个向量压到 7×7=49 个支持向量（平均每节点约 20 个样本）再喂给 LS-SVM，比逐个集簇训 M 个模型更轻。外汇与贵金属为高杠杆高风险品种，任何回归预测仅代表历史结构倾向，实盘前务必在 MT5 用样本外数据验证。

◍ 把 LS-SVM 塞进一个类里跑回归

整套最小二乘支持向量机计算被收进 LSSVM 类，依赖 ALGLIB 的线性求解器和 CSOM 自组织映射函数库。构造函数接收 VectorNumber（向量数）、VectorSize（向量维度）、Offset（历史偏移，默认 0 即最新价）来填充输入矩阵 X 与输出 Y，差分阶数 DifferencingOrder 支持 0 到 3。 KohonenMap 对象负责可选聚簇，结果写入 Kernels 数组；KernelNumber 建议取整数平方，若为 0 或向量总数则关闭 SOM，退回标准 LS-SVM。注意网络初始随机，要复现结果必须给数据链传固定种子值。 buildXYVectors 默认读开盘价序列，feedXYVectors 可塞外部随机数据但没测过。differentiate 按阶数做差分，返回长度比阶数多 1 的 diff 数组；normalizeXYVectors 用减均值除标准差做常规化。 核函数走 RBF：exp(-‖x1-x2‖² / (2σ²))，buildOmega 拼出 omega 矩阵并加 1/Gamma 对角项，solveSoLE 解 α 与 β。process 是主回归入口，checkAll 算全样本均方误差、相关系数、R² 和符号一致率——零索引训练集、一索引测试集。漂亮 R² 可能骗人，严谨点该上 Fisher 检验。 设 KernelNumber=-1 会切到纯最小二乘线性回归，解进 Solution 数组，不碰 α/β，适合比报价更原始的数据。下面这段类骨架和核心方法可直接贴进 MT5 看编译行为，外汇贵金属品种请先开模拟盘验证，参数敏感度高、实盘风险大。

MQL5 / C++
class="macro">#include <Math/Alglib/dataanalysis.mqh>
class="macro">#include <CSOM/CSOM.mqh>
class LSSVM
{
class="kw">protected:
class="type">class="kw">double X[];
class="type">class="kw">double Y[];
class="type">class="kw">double Alpha[];
class="type">class="kw">double Omega[];
class="type">class="kw">double Beta;
class="type">class="kw">double Sigma;
class="type">class="kw">double Sigma22; class=class="str">"cmt">// class="num">2 * Sigma * Sigma;
class="type">class="kw">double Gamma;
class="type">int VectorNumber;
class="type">int VectorSize;
class="type">int Offset;
class="type">int DifferencingOrder;
...
class="type">class="kw">double Kernels[];  class=class="str">"cmt">// SOM clusters
class="type">int KernelNumber;
CSOM KohonenMap;
...
class="type">bool buildXYVectors()
{
   ArrayResize(X, VectorNumber * VectorSize);
   ArrayResize(Y, VectorNumber);
   class="type">class="kw">double open[];
   class="type">int k = class="num">0;
   class="kw">const class="type">int size = VectorNumber + VectorSize + DifferencingOrder; class=class="str">"cmt">// +class="num">1 is included for future Y
   CopyOpen(_Symbol, _Period, Offset, size, open);
   class="type">class="kw">double diff[];
   ArrayResize(diff, DifferencingOrder + class="num">1); class=class="str">"cmt">// order class="num">1 means class="num">2 values, class="num">1 subtraction
   for(class="type">int i = class="num">0; i < VectorNumber; i++)     class=class="str">"cmt">// loop through anchor bars
   {
      for(class="type">int j = class="num">0; j < VectorSize; j++)     class=class="str">"cmt">// loop through successive bars
      {
         differentiate(open, i + j, diff);
         X[k++] = diff[class="num">0];
      }
      differentiate(open, i + VectorSize, diff);
      Y[i] = diff[class="num">0];
   }
   class="kw">return true;
}
class="type">void differentiate(class="kw">const class="type">class="kw">double &open[], class="kw">const class="type">int ij, class="type">class="kw">double &diff[])
{
   for(class="type">int q = class="num">0; q <= DifferencingOrder; q++)
   {
      diff[q] = open[ij + q];
   }
   class="type">int d = DifferencingOrder;
   class="kw">while(d > class="num">0)
   {
      for(class="type">int q = class="num">0; q < d; q++)
      {
         diff[q] = diff[q + class="num">1] - diff[q];
      }
      d--;
   }
}
class="type">class="kw">double kernel(class="kw">const class="type">class="kw">double &x1[], class="kw">const class="type">class="kw">double &x2[]) class="kw">const
{
   class="type">class="kw">double sum = class="num">0;
   for(class="type">int i = class="num">0; i < VectorSize; i++)
   {
      sum += (x1[i] - x2[i]) * (x1[i] - x2[i]);
   }
   class="kw">return exp(-class="num">1 * sum / Sigma22);
}
class="type">void buildOmega()
{
   KernelNumber = VectorNumber;
   ArrayResize(Omega, VectorNumber * VectorNumber);
   for(class="type">int i = class="num">0; i < VectorNumber; i++)
   {
      for(class="type">int j = i; j < VectorNumber; j++)
      {
         class="kw">const class="type">class="kw">double k = kernel(i, j);
         Omega[i * VectorNumber + j] = k;
         Omega[j * VectorNumber + i] = k;
         if(i == j)
         {
            Omega[i * VectorNumber + j] += class="num">1 / Gamma;
            Omega[j * VectorNumber + i] += class="num">1 / Gamma;
         }
      }
   }
}
class="type">bool solveSoLE()
{
   class=class="str">"cmt">// |  class="num">0              |class="num">1|             |   |  Beta   |   |  class="num">0  |
   class=class="str">"cmt">// |                                 | * |         | = |     |
把数学核对交给小布盯盘
这些诊断小布盯盘的 AIGC 已内置，打开对应品种页即可看到 LS-SVM 类模型的偏差冗余提示，你只需专注判断信号是否值得跟。

常见问题

LS-SVM 将原本的非线性优化问题转为求解线性方程组，计算更轻量，但依旧通过内核函数映射高维特征空间来做回归预测。
小布盯盘内置了部分 AIGC 诊断与模型偏差提示，若需自定义 LS-SVM 训练仍要在 MQL5 侧写代码，小布负责帮你盯结果异动。
gamma 越大模型越逼近源数据，容易过拟合历史序列；调小时偏差冗余上升，泛化可能更好但精度倾向下降，外汇贵金属属高风险需回测验证。
原文指出资料复杂性不允许兼顾工作日编号、时辰、成交量等所有方面，本篇基础篇先限定价格序列前置点以降低认知负荷。

相关阅读

🔥
系列接续
预测时间序列·LS-SVM 实战篇
 🧮
前置知识
预测时间序列·EMD 与 TSA 指标基础篇

小布盯盘 · 交易者自己的 价格行为学 + AIGC 分析工具。小布知识库 持续更新硬核交易干货。

本文由人工智能（AIGC）基于价格行为学进行深度分析，仅为技术方法论的探讨与分享，不构成任何形式的投资建议或交易指令。外汇保证金及贵金属交易具有高风险，并不适合所有投资者；过往表现不代表未来结果，请结合自身风险承受能力独立决策。

© 2026 小布盘 unyet.cn