多层感知机与反向传播算法（基础篇）
在MT5里搭一个能反向传播的多层感知机
MetaTrader 5 的 MQL5 环境本身没有现成的神经网络库，但用结构体加数组就能手搓一个多层感知机（MLP），核心是靠反向传播（backpropagation）在线更新权重。
- 年 3 月 23 日那篇社区示例贴被查看了 3439 次、收到 11 条讨论，说明用 MQL5 写原生 NN 的需求一直有人在碰，只是官方没封装。
反向传播的本质是：前向算输出误差，再沿层反向把误差按权重比例摊给前一层，用学习率步进修正。下面这段是 MLP 权重初始化的骨架，跑之前先把层宽和层数定死，否则数组越界会直接崩 EA。 外汇与贵金属行情具有高杠杆与跳空风险，这类模型只适合做离线特征实验或信号过滤，实盘前务必在策略测试器用真实点差回测。
class="kw">struct Neuron { class="type">class="kw">double value; class="type">class="kw">double bias; class="type">class="kw">double delta; }; class="kw">struct Layer { Neuron neurons[]; class="type">class="kw">double weights[][]; }; Layer net[]; class="type">void InitNet(class="type">int layers[], class="type">int count) { ArrayResize(net, count); for(class="type">int i=class="num">0;i<count;i++) { ArrayResize(net[i].neurons, layers[i]); if(i>class="num">0) ArrayResize(net[i].weights, layers[i], layers[i-class="num">1]); } }
「从零造一个能看懂的神经网络」
现成库把训练集丢进去就吐出网络，但黑箱化让交易者很难弄清优化到底怎么发生。Matlab、R、Python、C++ 里这类封装早已泛滥，可一旦依赖现成方案，你对模型底层假设的掌控力就归零。 本文不堆复杂架构，只搭一个极简神经网络结构，把单神经元感知机和多层感知机的运转逻辑拆开看。梯度下降与反向传播是这类网络的训练内核，现有复杂模型多是从这种简单基底长出来的。 对外汇、贵金属量化而言，搞懂基底比直接调库更重要：前者让你在 MT5 上改一行激活函数就能试新逻辑，后者只能祈祷别人写的网络别在极端行情崩。
◍ 从电路神经元到多层网络
- 年，Warren McCulloch 与 Walter Pitts 用电路搭出了第一个可被计算的神经元模型，这篇论文把「神经元如何工作」第一次落成了数学与电路结构，而不是哲学描述。
- 年 Kunihiko Fukushima 做出第一个真正的多层神经网络，距离麦卡洛赫—皮茨模型隔了 37 年，说明单层线性阈值模型在很长一段时间里卡住了工程化进度。
早期神经网络的目标只是模仿人脑解通用问题，后来研究重心转向特定任务：如今 MT5 使用者更熟悉的是时间序列预测、图像与文本识别、社交媒体过滤这类垂直应用，而非通用推理。 计算机里的神经元基础单元叫感知机（perceptron），它是后续多层网络反向传播的唯一积木；在 MQL5 里做信号模型时，理解感知机的加权求和—激活结构，比背网络名词更实用。
单神经元分类器的输入输出链路
感知机本质是一个只有单个神经元的二分类模型，靠线性方程把两类样本劈开。它接收一组已加权的输入向量 x=[x1,x2,…,xN]，这些分量可以是价格序列、技术指标或者图像像素；每个输入乘上对应突触权重 w_i，再叠一个不受输入约束的偏置 b，得到激活电位 z = Σ(w_i·x_i) + b。 z 随后送进激活函数 σ 压到特定区间，输出神经元最终值。常用 σ 有阶跃、sigmoid、tanh、softmax、ReLU；最原始的 perceptron 用阶跃：z≥0 输出 1.0，否则 0.0，因此只能做二元判定。这与线性回归、逻辑回归同宗，都是输入的加权和映射。 权重的求解不靠解析解，而用随机梯度下降在训练集上迭代估计。若只取两个输入 {x1,x2} 观察，算法会持续调整 w、b 直到两类线性可分并收敛到稳定边界；外汇与贵金属行情里这类线性可分往往只是局部窗口现象，实盘高杠杆下误分风险极大。
「感知机里的随机梯度怎么落到 MT5 代码」
随机梯度下降在感知机里就是每次喂一条样本、算误差、按 w(t+1)=w(t)+learning_rate*(expected-predicted)*x(t) 更新权重，偏差则去掉输入项单独走 bias(t+1)=bias(t)+learning_rate*(expected-predicted)。学习率限制单步修正幅度，epoch 控制全量数据刷几遍，这两者和训练集一起进函数，里面套三层循环：epoch 层、样本层、权重层。 MQL5 的多维数组只有第一维能动态，其余维度得在声明时定死，所以例子里用 #define nINPUT 3 把输入列数锁住。predict 函数把首权重当偏差（不乘输入），其余权重和 X 的对应列做点积后送 activation：大于等于 0 返回 1，否则 0，这就是最原始的神经元输出门。 数组不能按值返回，只能引用传参，train_weights 里直接改原数组，每个 epoch 累加平方误差看下降曲线。下面这段脚本用手写权重 {-0.1, 0.2065, -0.2342} 在 5 行小数据集上跑，学习率 0.1、仅 5 个 epoch 就能看到误差平方和逐轮缩小，说明收敛很快。开 MT5 把代码贴进脚本，改 random.seed(42) 之后的数据集，就能复现这套感知机预测。 外汇与贵金属行情受杠杆与跳空影响，用此类线性分类器做信号前务必在模拟盘验证，过拟合概率不低。
class="macro">#define nINPUT class="num">3 class=class="str">"cmt">// Make a prediction with weights class="kw">template <class="kw">typename Array> class="type">class="kw">double predict(class="kw">const Array &X[][nINPUT], class="kw">const Array &weights[], class="kw">const class="type">int row=class="num">0) { class="type">class="kw">double z = weights[class="num">0]; for(class="type">int i=class="num">0; i<ArrayRange(X, class="num">1)-class="num">1; i++) { z+=weights[i+class="num">1]*X[row][i]; } class="kw">return activation(z); } class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Transfer neuron activation | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">class="kw">double activation(class="kw">const class="type">class="kw">double activation) class=class="str">"cmt">//# { class="kw">return activation>=class="num">0.0?class="num">1.0:class="num">0.0; } class="type">class="kw">double weights[] = {-class="num">0.1, class="num">0.20653640140000007, -class="num">0.23418117710000003}; class="macro">#define nINPUT class="num">3 class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Script program start function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void OnStart() { class=class="str">"cmt">//--- random.seed(class="num">42); class="type">class="kw">double dataset[][nINPUT] = { class=class="str">"cmt">//X1 //X2 //Y {class="num">2.7810836,class="num">2.550537003,class="num">0}, {class="num">1.465489372,class="num">2.362125076,class="num">0}, {class="num">3.396561688,class="num">4.400293529,class="num">0},