神经网络变得轻松（第六部分）：神经网络学习率实验·进阶篇
「固定权重矩阵后重跑训练」
第一个实验里神经网络权重是随机初始化的，三个 EA 起点各不相同，随机性会干扰对比。这次直接把上一轮学习率 0.01 的 EA 权重矩阵导出来，灌进全部三个 EA，再接着训 30 个迭代，把随机因素压掉。 复跑结果和之前对得上：三个 EA 的平均误差都在 0.42 附近，最低学习率 0.001 的那个依旧误差最小，领先幅度还是 0.0018。所谓学习率递减策略，实测对误差的边际影响基本为 0。 漏分形比例也复现了老结论——学习因子 0.001 的 EA 在前 10 个迭代里漏掉接近 100%，等于根本认不出分形；另外两个 EA 漏报率 97.6%，学习率递减同样没带来改变。 唯一有趋势的是 0.001 学习率 EA 的“命中”百分比在持续往上走，而且递减学习率对它这个指标毫无干扰。外汇与贵金属模型训练属高风险实验，过拟合与样本外失效概率偏高，MT5 上复现前建议先锁定品种与周期。
用 0.5 补偿样本偏斜后分形捕获率回升
前两个实验跑下来，我发现一个怪现象：神经网络训练时“不存在分形”的概率一直在 60%–70% 晃，很少跌破 50%；而买、卖分形各自只有约 20%–30% 的出现机会。根子在于图表里分形烛条远比趋势内烛条少，样本天然不均，网络被带偏，几乎 100% 的分形都被漏掉，只抓到极少数。 直接在训练标签上动手：参考值里缺分形的位置，不再标 1，而是标 0.5，人为补一点权重。改动很小，但方向对了。 拿 0.01 学习率、沿用之前实验的权重矩阵跑 EA，5 次训练迭代后稳定误差约 0.34。分形遗漏率从接近满额降到 51%，命中率爬到 9.88%。图表上 EA 信号是成簇出现的，指向某些特定区域——说明这套补偿思路值得继续拆。外汇与贵金属市场高杠杆、高波动，任何信号都只是概率倾向，实盘前请用 MT5 策略测试器复跑确认。 下面三行就是补偿逻辑的核心：把 buy、sell 原始值入列，若两者皆非则压入 0.5 而非 0，让网络在“无分形”样本上少用力。
TempData.Add((class="type">class="kw">double)buy); TempData.Add((class="type">class="kw">double)sell); TempData.Add((class="type">class="kw">double)((!buy && !sell) ? class="num">0.5 : class="num">0));
◍ 学习率没有标准答案
三个实验里，前两个都指向同一个事实：神经网络学习率直接决定训练结果走向，但至今没有一套明确规则能告诉你该取多少。 这种不确定性意味着，开 MT5 跑自己的训练任务时，只能靠反复试错去锁定合适区间，照搬别人的参数大概率水土不服。 第三个实验给出了另一层提示：用非标准思路处理问题有时能改善结果，不过每一种另类方案都必须用实验数据确认，不能凭直觉上生产。
「顺着四篇进阶读下去」
想真正把 MQL5 里的神经网络跑通，光看一篇不够。官方那组《神经网络变得轻松》从第二部分起就拆开了训练与测试流程，第三部分讲卷积网络，第四部分讲循环网络，第五部分直接上 OpenCL 做多线程计算。 这五篇是连续体：第二部分教你喂数据、算误差、反向调权；第三部分用卷积抓局部特征，适合处理 K 线图像化后的形态；第四部分用循环结构记时间序列依赖，对择时更有用；第五部分把重计算丢给 GPU，MT5 里开 OpenCL 后回测速度可能提升数倍。 打开 MT5 终端，在 MetaEditor 里搜系列标题就能按序读源码。外汇和贵金属杠杆高、滑点随机，实盘前务必用历史数据多周期验证，神经网络过拟合概率不低。
别急着下结论
这套基于分形特征的分类神经网络 EA 一共给了四个可跑的 mq5：Fractal_OCL1 到 3 分别把学习率钉在 0.1、0.01、0.001，Fractal_OCL_step 则从 0.01 起每 10 次迭代降 10 倍，输出层都是 3 个神经元，靠 NeuroNet.mqh 与 NeuroNet.cl 在 OpenCL 侧跑矩阵。 作者在讨论区点过一处关键细节：训练时把“无分形”参考值设为 0.5 而非 1，是因为该类样本远多于出现分形，人为压低权重让三类事件的最大概率大致拉平——这属于针对样本失衡的权宜调参，不是通用法则。 数据归一化当时没做，作者只说“稍后讨论”，所以你直接挂上 RSI/CCI/ATR 原始值进网，前几版结果大概率受量纲支配。外汇与贵金属杠杆高、滑点跳空频繁，这类实验性 EA 只该在策略测试器里用小资金模拟验证，别拿实盘当训练场。 真要复现，先开 MT5 把 ZIP 里 1582.99 KB 的源码拖进对应目录，重点比一步降率和阶梯降率在两个学习率上的回测曲线差异，再决定调参方向。