神经网络在交易中的实际应用 Python (第一部分)（基础篇）
在 MT5 里跑通 Python 神经网络的起点
很多交易者以为神经网络必须脱离交易平台单独训，其实从 MetaTrader 5 build 2085 起，终端原生支持 Python 3.8+ 通过 MetaTrader5 包直连，省掉了中间文件转储的麻烦。 一个最基础的验证动作：在 MT5 终端的「工具—选项—Python」里勾选「允许 Python 脚本导入」，再在系统装好对应版本的 MetaTrader5 库，就能用几行代码把 EURUSD 的收盘价拉进 NumPy 数组。 外汇与贵金属带杠杆，神经网络给出的信号只代表历史样本里的统计倾向，实盘前务必用策略测试器跑至少 3 个月 tick 数据复核，爆仓风险始终存在。
◍ 为什么换 Python 和 TensorFlow 重做一遍
上篇用 Matlab 神经网络模块跑了实盘可用的推导，但刻意略过了输入数据准备与网络训练的细节，那部分才是复现的门槛。本文把镜头转回数据侧：用 Python 生态重写，借 Google 的 TensorFlow 做底层计算，再叠 Keras 描述网络结构，思路与上篇 Matlab 版并不一致。 基础篇第 5 段曾简短提过一个变体实现，本系列就接着那个方向落地——交易系统的构建原则变了，不再依赖现成神经网络工具箱，而是从张量流图搭起。外汇与贵金属品种波动受宏观与流动性扰动大，用神经网络拟合属高风险尝试，回测亮眼不等于实盘稳健。 打开 MT5 没用，这套代码跑在 Python 端；你能立刻做的一件事是装好 TensorFlow+Keras，对照基础篇第 5 段把网络骨架先描出来，再回来谈 MT5 信号接入。
「把 EURUSD H1 切成四套神经网络的喂料」
做方向决策时，用两个神经网络分别管一个开仓方向，所以训练数据要按多空拆成两组。第一套网络学出自写指标的值，避免在 EA 里重复计算拖慢终端；第二套网络吃这些指标输出，再生成交易信号。EURUSD H1 上跑这套逻辑，最终系统是四个网络同时跑：买方向 Net1+Net2、卖方向 Net1+Net2。 数据准备靠两个脚本：PythonPrices.mq5 与 PythonIndicators.mq5。样本切法很硬——从工作日开盘到当天第一次触底算一段，到第一次触顶算另一段，依赖 DibMin1-1 和 DibMax1-1 两个指标把极值点标成 -1。在 EURUSD H1 跑完脚本，\Common\files 里会落六个 CSV：价格类两个、指标类两个、Net2 输出类两个。 Net2 的训练目标不是价格本身，而是小时开盘与日开盘（或日收盘与小时开盘）的价差。用「已实现价差」而非「应发生事件」去训网络，逻辑上更稳，因为评估过去比预测未来容易，也平滑了模块误判概率。外汇与贵金属杠杆高，这种数据切分只是概率倾向，实盘前务必在 MT5 用历史数据复跑验证。 下面这段是 PythonPrices.mq5 的头部与启动片段，注意 input 里历史起止写死为 2004.07.01 至 2010.12.31，数组 inB[22] 预留 22 维输入，OnStart 里先抓 H1 总柱数 k，再挂两个 iCustom 句柄把极值指标拷进序列数组，最后开 InputNet1Min.csv 准备写盘。
class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| PythonPrices.mq5 | class=class="str">"cmt">//| Copyright class="num">2020, Andrey Dibrov. | class=class="str">"cmt">//| [MQL5官方文档] | class=class="str">"cmt">//+------------------------------------------------------------------+ class="macro">#class="kw">property copyright "Copyright class="num">2020, Andrey Dibrov." class="macro">#class="kw">property link "[MQL5官方文档] class="macro">#class="kw">property version "class="num">1.00" class="macro">#class="kw">property strict class="macro">#class="kw">property script_show_inputs class="kw">input class="type">class="kw">string Date="class="num">2004.07.class="num">01 class="num">00:class="num">00"; class="kw">input class="type">class="kw">string DateOut="class="num">2010.12.class="num">31 class="num">23:class="num">00"; class="kw">input class="type">int History=class="num">0; class="type">class="kw">double inB[class="num">22]; class="type">class="kw">string Date1; class="type">int HandleInpuNet1Min; class="type">int HandleInpuNet1Max; class="type">class="kw">double DibMin1_1[]; class="type">class="kw">double DibMax1_1 []; class="type">int DibMin1_1Handle; class="type">int DibMax1_1Handle; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Script program start function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void OnStart() { class=class="str">"cmt">//--- class="type">int k=iBars(NULL,PERIOD_H1)-class="num">1; DibMin1_1Handle=iCustom(NULL,PERIOD_H1,"DibMin1-class="num">1",History); CopyBuffer(DibMin1_1Handle,class="num">0,class="num">0,k,DibMin1_1); ArraySetAsSeries(DibMin1_1,true); DibMax1_1Handle=iCustom(NULL,PERIOD_H1,"DibMax1-class="num">1",History); CopyBuffer(DibMax1_1Handle,class="num">0,class="num">0,k,DibMax1_1); ArraySetAsSeries(DibMax1_1,true); HandleInpuNet1Min=FileOpen(Symbol()+"InputNet1Min.csv",FILE_CSV|FILE_WRITE|FILE_SHARE_READ|FILE_ANSI|FILE_COMMON,";");
把日线波动塞进小时线训练集
做外汇或贵金属的 EA 训练数据，常遇到一个尴尬：神经网络输入维度要固定，但跨周期特征得自己拼。下面这段逻辑就是把 D1 的实体、影线信息折算后，写进以当前品种命名的 CSV，供后续 Net1 训练用。 代码先以 FILE_COMMON 共享模式打开两个文件句柄（Min/Max 各一），并把写指针 Seek 到末尾，避免覆盖历史样本。注意 Symbol() 直接拼文件名，多品种跑的时候文件会自然隔离。 核心循环遍历 H1 的全部 K 线（iBars(NULL,PERIOD_H1)-1 到 0）。当 DibMin1_1 与 DibMax1_1 满足特定转向组合（例如前一根为 1 后一根为 -1 且最大值标记成立），才提取特征：把 inB[5..19] 整体前移 5 位，再把当日 Open 与 Low 差乘 100000 填入 inB[15]，High-Open 乘 100000 填 inB[16]，其余两个日线幅度分别乘 10000 填 inB[17]、inB[18]。 这种乘 10 万/1 万的做法，本质是把价格差归一化到整数域，减少浮点传递误差。外汇和贵金属杠杆高、跳空频繁，直接拿原始价差进网络可能让梯度发散，手动缩放是务实手段。开 MT5 把这段塞进 OnStart，跑完用 Excel 打开 InputNet1Min.csv，看 inB[15] 列是否集中在几万到十几万区间，就能验证缩放有没有写错。
HandleInpuNet1Max=FileOpen(Symbol()+"InputNet1Max.csv",FILE_CSV|FILE_WRITE|FILE_SHARE_READ|FILE_ANSI|FILE_COMMON,";"); FileSeek(HandleInpuNet1Min,class="num">0,SEEK_END); FileSeek(HandleInpuNet1Max,class="num">0,SEEK_END); if(HandleInpuNet1Min>class="num">0) { Alert("Writing to the file InputNet1Min"); for(class="type">int i=iBars(NULL,PERIOD_H1)-class="num">1; i>=class="num">0; i--) { Date1=TimeToString(iTime(NULL,PERIOD_H1,i)); if(DateOut>=Date1 && Date<=Date1) { if((DibMin1_1[i]==-class="num">1 && DibMin1_1[i+class="num">1]==class="num">1 && DibMax1_1[i]==class="num">1) || (DibMin1_1[i]==class="num">1 && DibMax1_1[i]==class="num">1)) { for(class="type">int m=class="num">0; m<=class="num">14; m++) { inB[m]=inB[m+class="num">5]; } inB[class="num">15]=(iOpen(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*class="num">100000; inB[class="num">16]=(iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iOpen(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*class="num">100000; inB[class="num">17]=(iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*class="num">10000; inB[class="num">18]=(iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iOpen(NULL,PERIOD_H1,i+class="num">1))*class="num">10000;
◍ 把日线边界折算进小时特征向量
这段逻辑在给训练样本补最后几个输入维度：用 H1 开盘价相对 D1 最低价、D1 最高价的差值乘 10000，把跨周期空间压缩成整数点差特征。inB[19] 到 inB[21] 只算三个值，但决定了样本里「日内相对日波幅的位置」是否被神经网络看到。 代码里 iBarShift 配合 iTime 把 H1 柱对齐到所属 D1 柱，避免直接用 D1 序列下标导致的错位。乘 10000 是多数外汇品种把小数价转点的习惯做法，XAUUSD 这类三位数报价若直接复用，数值会偏大一个量级，需要单独处理。 FileWrite 一次性吐出 inB[0]~inB[21] 共 22 列，后面 InputNet1Max 分支用 DibMax1_1 / DibMin1_1 的拐点组合（-1 翻 1 且 Min 为 1，或双 1）来筛「极值附近」样本。开 MT5 把这段贴进 EA，改 DateOut/Date 区间跑一遍，能直接看 csv 里第 20~22 列是否按日线边界跳动。
inB[class="num">19]=(iOpen(NULL,PERIOD_H1,i+class="num">1)-iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*class="num">10000; inB[class="num">20]=(iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iOpen(NULL,PERIOD_H1,i))*class="num">10000; inB[class="num">21]=(iOpen(NULL,PERIOD_H1,i)-iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*class="num">10000; FileWrite(HandleInpuNet1Min, inB[class="num">0],inB[class="num">1],inB[class="num">2],inB[class="num">3],inB[class="num">4],inB[class="num">5],inB[class="num">6],inB[class="num">7],inB[class="num">8],inB[class="num">9],inB[class="num">10],inB[class="num">11],inB[class="num">12],inB[class="num">13],inB[class="num">14],inB[class="num">15], inB[class="num">16],inB[class="num">17],inB[class="num">18],inB[class="num">19],inB[class="num">20],inB[class="num">21]); } } } FileClose(HandleInpuNet1Min); } class=class="str">"cmt">//------------------------------------------------------------------------------------------------------------------------------------------------ if(HandleInpuNet1Max>class="num">0) { Alert("Writing the file InputNet1Max"); for(class="type">int i=iBars(NULL,PERIOD_H1)-class="num">1; i>=class="num">0; i--) { Date1=TimeToString(iTime(NULL,PERIOD_H1,i)); if(DateOut>=Date1 && Date<=Date1) { if((DibMax1_1[i]==-class="num">1 && DibMax1_1[i+class="num">1]==class="num">1 && DibMin1_1[i]==class="num">1)|| (DibMin1_1[i]==class="num">1 && DibMax1_1[i]==class="num">1)) { for(class="type">int m=class="num">0; m<=class="num">14; m++) { inB[m]=inB[m+class="num">5]; }
「把日线结构压进小时线特征向量」
上面几行在做一件事：把当前 H1 棒对应的 D1 开盘、最高、最低价，按相对位置换算成整数特征，塞进 inB[15]~inB[21] 这段数组。乘 100000 或 10000 是为了把小数价差拉成整数，方便后面写文件喂给模型，EURUSD 这种五位数报价对直接乘 100000 就得到点值整数。 注意 inB[18] 和 inB[20] 用了 iOpen(NULL,PERIOD_H1,i+1)、i+1 是下一根 H1 开盘，而 inB[15] 用的是 D1 开盘减 D1 最低，两者量纲一致但参照系不同，混用时得清楚自己是在比跨周期还是跨棒。 最后 FileWrite 把 inB[0] 到 inB[15] 先落盘，特征拼接顺序错了模型输入维度就会偏移，建议在 MT5 里先 Print 前 22 个值对照日线窗口手算一遍。外汇与贵金属杠杆高，这类特征仅用于辅助概率判断，不构成方向保证。
inB[class="num">15]=(iOpen(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*class="num">100000; inB[class="num">16]=(iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iOpen(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*class="num">100000; inB[class="num">17]=(iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*class="num">10000; inB[class="num">18]=(iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iOpen(NULL,PERIOD_H1,i+class="num">1))*class="num">10000; inB[class="num">19]=(iOpen(NULL,PERIOD_H1,i+class="num">1)-iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*class="num">10000; inB[class="num">20]=(iHigh(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i)))-iOpen(NULL,PERIOD_H1,i))*class="num">10000; inB[class="num">21]=(iOpen(NULL,PERIOD_H1,i)-iLow(NULL,PERIOD_D1,iBarShift(NULL,PERIOD_D1,iTime(NULL,PERIOD_H1,i))))*class="num">10000; FileWrite(HandleInpuNet1Max, inB[class="num">0],inB[class="num">1],inB[class="num">2],inB[class="num">3],inB[class="num">4],inB[class="num">5],inB[class="num">6],inB[class="num">7],inB[class="num">8],inB[class="num">9],inB[class="num">10],inB[class="num">11],inB[class="num">12],inB[class="num">13],inB[class="num">14],inB[class="num">15],