在 METATRADER 中使用神經網路

簡介

你們中很多人可能已考慮過在你們的 EA 中使用神經網路的可能性。這個主題非常熱門，尤其是在 2007 年自動交易錦標賽上，Better 以其基於神經網路的系統橫掃對手之後，更是炙手可熱。很多互聯網論壇充斥著與神經網路和外匯交易相關的主題。然而遺憾的是，編寫神經網路的本機 MQL4 實現並不簡單。它要求一些編程技巧，而且結果並不會很有效，尤其是當你想要在測試程序中針對大量數據測試你的最終結果時。

本文中，我將展示如何在你的 MQL4 代碼中使用免費（在 LGPL 下）的著名快速人工神經網路庫 (FANN)，同時避免某些障礙和限制。我進一步假設讀者熟悉人工神經網路 (ann) 和與此主題相關的術語，因此我會側重介紹使用以 MQL4 語言編寫的人工神經網路的具體實現的實踐性環節。

為了充分了解 FANN 實現的可能性，讀者需要熟悉其文檔和最常用的函數。 FANN 的典型用例是創建一個簡單的前饋網路，用一些數據訓練此網路並運行它。然後可將已創建並訓練過的網路保存到文件中，之後可恢復以備進一步使用。要創建一個人工神經網路，用戶必須使用 fann_create_standard() 函數。我們來看看它的語法：

FANN_EXTERNALstructfann *FANN_API fann_create_standard(unsignedintnum_layers,intlNnum, ... )

其中，num_layers代表總層數，包括輸入和輸出層。 lNnum 和以下參數代表各個層（從輸入層開始，以輸出層結束）中的神經元數量。要創建一個包含一個隱藏層且層中有 5 個神經元、10 個輸入和 1 個輸出的網路，用戶必須進行如下調用：

fann_create_standard(3,10,5,1);

一旦創建了人工神經網路，下一步操作就是使用一些輸入和輸出數據對其進行訓練。最簡單的訓練方法是增量訓練，可通過以下函數執行：

FANN_EXTERNALvoidFANN_API fann_train(structfann * ann, fann_type *input, fann_type * desired_output )

此函數將指針指向之前由 fann_create_standard() 返回的struct fann以及輸入數據向量和輸出數據向量。輸入和輸出向量是fann_type類型的數組。該類型事實上是double或float類型，具體取決於 FANN 的編譯方式。在此實現中，輸入和輸出向量都將成為double數組。

一旦人工神經網路訓練完成，下一個期望功能將是運行該網路。函數實現定義如下：

FANN_EXTERNAL fann_type * FANN_API fann_run(structfann * ann, fann_type *input)

此函數將指針指向struct fann，代表之前創建的網路和已定義類型（double數組）的輸入向量。返回的值是一個輸出向量數組。這個事實是非常重要的，對於一個輸出網路，我們始終獲得一個帶輸出值的元素數組，而不是輸出值本身。

遺憾的是，大部分 FANN 函數使用指向struct fann的指針，代表無法直接由不支持結構作為數據類型的 MQL4 處理的人工神經網路為了避免該限制，我們必須用某個方法進行一些包裝，繞開 MQL4。最簡單的方法是創建一個用於保存正確值的struct fann指針數組，並用int變數表示的索引來參考它們。用這種方法，我們可以將不受支持的變數類型替換為受支持類型，並創建一個可以輕鬆與 MQL4 代碼整合的包裝庫。

據我所知，MQL4 不支持帶變數參數列表的函數，所以我們還得解決這個問題。另一方面，如果調用了帶過多參數的 C 函數（變數參數長度）且並未發生任何問題，那麼我們可以假定 MQL4 函數中有固定的最大參數數量被傳遞到 C 庫。結果包裝函數如下所示：

/* Creates a standard fully connected backpropagation neural network.* num_layers - The total number of layers including the input and the output layer.* l1num - number of neurons in 1st layer (inputs)* l2num, l3num, l4num - number of neurons in hidden and output layers (depending on num_layers).* Returns:* handler to ann, -1 on error*/int__stdcall f2M_create_standard(unsignedintnum_layers,intl1num,intl2num,intl3num,intl4num);

我們將先導的fann_更改為f2M_（表示 FANN TO MQL），使用靜態的參數數量（4 層），返回值現在是人工神經網路的內部數組的索引，其中包含 FANN 操作所需的struct fann數據。用這種方法，我們可以輕鬆從 MQL 代碼中調用此類函數。

同樣的方式適用於以下情況：

/* Train one iteration with a set of inputs, and a set of desired outputs.* This training is always incremental training, since only one pattern is presented.* ann - network handler returned by f2M_create_** *input_vector - array of inputs* *output_vector - array of outputs* Returns:* 0 on success and -1 on error*/int__stdcall f2M_train(intann,double*input_vector,double*output_vector);

和

/* Run fann network* ann - network handler returned by f2M_create_** *input_vector - array of inputs* Returns:* 0 on success, negative value on error* Note:* To obtain network output use f2M_get_output().* Any existing output is overwritten*/int__stdcall f2M_run(intann,double*input_vector);

最後一點也非常重要，即你應該通過以下調用清除你曾創建的人工神經網路：

/* Destroy fann network* ann - network handler returned by f2M_** Returns:* 0 on success -1 on error* WARNING: the ann handlers cannot be reused if ann!=(_ann-1)* Other handlers are reusable only after the last ann is destroyed.*/int__stdcall f2M_destroy(intann);

要釋放人工神經網路句柄，你應該以與網路創建順序相反的順序清除網路。或者可以使用以下方式：

/* Destroy all fann networks* Returns:* 0 on success -1 on error*/int__stdcall f2M_destroy_all_anns();

但我很肯定，你們有些人可能更願意保存已訓練過的網路以留待後用，如下所示：

/* Save the entire network to a configuration file.* ann - network handler returned by f2M_create** Returns:* 0 on success and -1 on failure*/int__stdcall f2M_save(intann,char*path);

當然，以後可以通過以下代碼載入（更確切地說是重新創建）保存的網路：

/* Load fann ann from file* path - path to .net file* Returns:* handler to ann, -1 on error*/int__stdcall f2M_create_from_file(char*path);

一旦我們了解了基本函數，我們就可以在我們的 EA 中試著使用它們，但首先我們需要安裝 Fann2MQL 包。

為了便於使用此包，我創建了 msi 安裝程序，內含所有源代碼和預編譯庫以及聲明所有函數的Fann2MQL.mqh 頭文件。

安裝程序相當簡單。首先你會被告知，Fann2MQL 擁有 GPL 許可：

Fann2MQL 安裝步驟 1

然後選擇要安裝此包的文件夾。可以使用默認的Program FilesFann2MQL或直接安裝到你的Meta Traderexperts目錄。後者將把所有文件直接放到它們的位置，否則你必須手動複製它們。

Fann2MQL 安裝步驟 2

安裝程序將文件放到以下文件夾：

include folder

libraries folder

src folder

如果選擇安裝到 Fann2MQL 專用文件夾，請將其include和libraries子文件夾的內容複製到你 Meta Trader 的相應目錄下。

安裝程序還會將 FANN 庫安裝到你的系統庫文件夾內（大部分情況下是 Windowssystem32）。 src文件夾包含 Fann2MQL 的所有源代碼。如果需要了解內部構件的更多信息，可以閱讀源代碼，它是根本性的文檔。如果願意的話，也可改進這些代碼並添加其他功能。如果你實現了什麼有趣的東西，我鼓勵你把你的包發給我。

一旦安裝了 Fann2MQL，你就可以開始編寫你自己的 EA 或指標。神經網路有大量可能的應用。你可用它們預測未來的價格變動，但此類預測的質量以及真正充分利用其優勢的可能性令人存疑。你可試著用強化學習（也稱 Q 學習或類似說法）技巧編寫你自己的策略。你可試著將神經網路用作你探試性 EA 的信號過濾器，或將所有這些技巧組合起來，再加上你真正想要的東西。想像力是你唯一的束縛。

這裡我將介紹一個例子，即將神經網路用作一個簡單過濾器，以過濾 MACD 生成的信號。請勿將其視為有價值的 EA，而應視為 Fann2MQL 的一個示例應用。在說明示例 EA: NeuroMACD.mq4 的工作方式時，我會展示如何在 MQL 中有效利用 Fann2MQL。

每個 EA 的第一件事都是聲明全局變數，定義和包括部分。以下是包含這些內容的 NeuroMACD 的開頭部分：

// Include Neural Network package#include// Global defines#defineANN_PATH"C:\ANN"// EA Name#defineNAME"NeuroMACD"//---- input parametersexterndoubleLots=0.1;externdoubleStopLoss=180.0;externdoubleTakeProfit=270.0;externintFastMA=18;externintSlowMA=36;externintSignalMA=21;externdoubleDelta=-0.6;externintAnnsNumber=16;externintAnnInputs=30;externboolNeuroFilter=true;externboolSaveAnn=false;externintDebugLevel=2;externdoubleMinimalBalance=100;externboolParallel=true;// Global variables// Path to anns folderstringAnnPath;// Trade magic numberintMagicNumber=65536;// AnnsArray[ann#] - Array of annsintAnnsArray[];// All anns loded properly statusboolAnnsLoaded=true;// AnnOutputs[ann#] - Array of ann returned returneddoubleAnnOutputs[];// InputVector[] - Array of ann input datadoubleInputVector[];// Long position ticketintLongTicket=-1;// Short position ticketintShortTicket=-1;// Remembered long and short network inputsdoubleLongInput[];doubleShortInput[];

包括命令可載入 Fann2MQL.mqh 頭文件，此文件中包含所有 Fann2MQL 函數的聲明。之後，所有 Fann2MQL 包函數都可在腳本中使用。 ANN_PATH常數定義使用已訓練的 FANN 網路存儲和載入文件的路徑。你需要創建該文件夾，即 C:ANN。 NAME常數包含此 EA 的名稱，它將在稍後用於載入和保存網路文件。輸入參數很是明顯，那些不那麼明顯的會在後文中說明，全局變數也同樣如此。

每個 EA 的切入點是其 init() 函數：

intinit() {inti,ann;if(!is_ok_period(PERIOD_M5)) { debug(,"Wrong period!");return(-1); } AnnInputs=(AnnInputs/3)*3;// Make it integer divisible by 3if(AnnInputs

首先，它檢查 EA 是否應用於正確的時間範圍。AnnInputs變數包含神經網路輸入數。由於我們將使用 3 組不同的參數，所以我們希望它能被 3 除盡。計算 AnnPath以反映 EANAME和MagicNumber，它是根據SlowMA、FastMA和SignalMA輸入參數（這些參數稍後將用於 MACD 指標信號）計算得出的。一旦它知道了 AnnPath，EA 會嘗試使用ann_load()函數（下文會介紹此函數）載入神經網路。已載入網路中，一半用於執行多頭倉過濾，另一半執行空頭倉過濾。AnnsLoaded變數用於表明所有網路都執行了正確的初始化。你可能已經注意到，此示例 EA 正在嘗試載入多個網路。我不確定此行為在此應用中是否必要，但我想向你展示 Fann2MQL 的全部潛力，它同時可處理多個網路，並可利用多個核心和 CPU 實現並行處理。為此，Fann2MQL 利用了 Intel? 線程構建模塊技術。函數f2M_parallel_init()用於初始化該介面。

以下是我初始化網路的方式：

intann_load(stringpath) {intann=-1;/* Load the ANN */ann=f2M_create_from_file(path);if(ann!=-1) { debug(1,"ANN: ""+path+"" loaded successfully with handler "+ann); }if(ann==-1) {/* Create ANN */ann= f2M_create_standard(4,AnnInputs,AnnInputs,AnnInputs/2+1,1); f2M_set_act_function_hidden(ann,FANN_SIGMOID_SYMMETRIC_STEPWISE); f2M_set_act_function_output(ann,FANN_SIGMOID_SYMMETRIC_STEPWISE); f2M_randomize_weights(ann,-0.4,0.4); debug(1,"ANN: ""+path+"" created successfully with handler "+ann); }if(ann==-1) { debug(,"INITIALIZING NETWORK!"); }return(ann); }

如你所見，如果f2M_create_from_file()失敗（即返回值為負值），則使用f2M_create_standard()函數創建網路，並用參數指示所創建的網路應有 4 個層（包括輸入和輸出層）、AnnInput 輸入、第一個隱藏層中的 AnnInput 神經元、第二個隱藏層中的 AnnInput/2+1 神經元和輸出層中的 1 個神經元。f2M_set_act_function_hidden()用於將隱藏層的激活函數設置為 SIGMOID_SYMMETRIC_STEPWISE（請參考 fann_activationfunc_enum 的 FANN 文檔），並對輸出層執行同樣的操作。然後調用f2m_randomize_weights()，用於初始化網路中的神經元連接權值。這裡我用了的範圍，但你可根據具體應用使用任何其他範圍。

這時你可能已經發現我用了好幾次debug()函數。要改變你 EA 的詳細級別，這是最簡單的方法之一。你可將此函數與輸入參數DebugLevel配合使用，調整你代碼生成調試輸出的方式。

voiddebug(intlevel,stringtext) {if(DebugLevel>=level) {if(level==) text="ERROR: "+text;Print(text); } }

如果debug()函數的第一個參數調試level高於DebugLevel，則此函數不生成任何輸出。如果是低於或等於，則將列印出text字元串。如果調試級別為 0，則會在開頭添加字元串「ERROR: 」。這樣你就可以將你代碼生成的調試劃分為多個級別。最重要的是可能發生的錯誤，因此它們被分配到級別 0。它們會被列印出來，除非你將你的DebugLevel降至 0 以下（不建議這麼做）。 1 級時會列印一些重要信息，例如網路成功載入或創建的確認信息。 2 級或以上時，列印內容的重要性會逐漸降低。

在詳細說明start()函數之前（篇幅會較長），我需要介紹另外一些函數，用於準備網路輸入和運行實際網路：

voidann_prepare_input() {inti;for(i=;i

函數ann_prepare_input()用於準備網路的輸入名稱（故此而得名）。其用途很簡單，但有一點必須注意，即輸入數據必須進行正確的標準化。這種情況下的標準化並不複雜，我只用了 MACD 主要值和信號值，這些值絕不會超出相關數據的所需範圍。在真實案例中，你也許應該更加關注這個問題。你可能已經猜到過，選擇網路輸入的正確輸入參數、進行編碼、分解以及標準化正是神經網路處理的最重要因素之一。

正如前面所說，Fann2MQL 能夠擴展 MetaTrader 的正常功能，即神經網路的並行多線程處理。全局參數Parallel控制此行為。 run_anns()函數運行所有已初始化的網路，並獲取它們的輸出，然後存儲到 AnnOutput[] 數組中。AnnOutput[]數組。anns_run_parallel函數負責以多線程方式處理任務。它調用f2m_run_parallel()，此函數將待處理網路數量視為第一個參數，第二個參數是一個包含要運行的所有網路的句柄的數組，並提供輸入向量作為第三個參數。所有網路必須針對相同的輸入數據運行。通過多次調用f2m_get_output() 從網路中獲取輸出。

現在讓我們看一看start()函數：

intstart() {inti;boolBuySignal=false;boolSellSignal=false;doubletrain_output[1];/* Is trade allowed? */if(!trade_allowed()) {return(-1); }/* Prepare and run neural networks */ann_prepare_input(); run_anns();/* Calulate last and previous MACD values.* Lag one bar as current bar is building up*/doubleMacdLast=iMACD(NULL,,FastMA,SlowMA,SignalMA,PRICE_CLOSE,MODE_MAIN,1);doubleMacdPrev=iMACD(NULL,,FastMA,SlowMA,SignalMA,PRICE_CLOSE,MODE_MAIN,2);doubleSignalLast=iMACD(NULL,,FastMA,SlowMA,SignalMA,PRICE_CLOSE,MODE_SIGNAL,1);doubleSignalPrev=iMACD(NULL,,FastMA,SlowMA,SignalMA,PRICE_CLOSE,MODE_SIGNAL,2);/* BUY signal */if(MacdLast>SignalLast && MacdPrevSignalPrev) { SellSignal=true; }/* No Long position */if(LongTicket==-1) {/* BUY signal */if(BuySignal) {/* If NeuroFilter is set use ann wise to decide */if(!NeuroFilter || ann_wise_long()>Delta) { LongTicket=OrderSend(Symbol(),OP_BUY,Lots,Ask,3,Bid-StopLoss*Point,Ask+TakeProfit*Point, NAME+"-"+"L ",MagicNumber,,Blue); }/* Remember network input */for(i=;i) {OrderClose(LongTicket,Lots,Bid,3); } }if(OrderCloseTime()!=) {// Order is closedLongTicket=-1;if(OrderProfit()>=) { train_output[]=1; }else{ train_output[]=-1; }for(i=;iDelta) { ShortTicket=OrderSend(Symbol(),OP_SELL,Lots,Bid,3,Ask+StopLoss*Point,Bid-TakeProfit*Point,NAME+"-"+"S ", MagicNumber,,Red); }/* Remember network input */for(i=;i) {OrderClose(LongTicket,Lots,Bid,3); } }if(OrderCloseTime()!=) {// Order is closedShortTicket=-1;if(OrderProfit()>=) { train_output[]=1; }else{ train_output[]=-1; }for(i=1;i

我只簡單的介紹一下，因為注釋里已經有很詳盡的說明了。 run_anns()()檢查是否允許交易。基本上，它檢查 AnnsLoaded變數指示所有人工神經網路都正確進行了初始化，然後檢查正確的時間範圍周期最小帳戶餘額，最後允許僅在新條柱上第一次價格變動時進行交易。接下來的兩個函數用於準備網路輸入和執行網路處理，上面幾行中已有說明。下一步，我們計算和放入變數，以對最後一個形成的條柱及其前一個條柱的信號和主線的 MACD 值進行後續處理。忽略當前條柱，因為它尚未形成，可能會重新繪製。 run_anns()MACD 信號和主線交叉信號來計算SellSignal 和 BuySignal。這兩個信號用於對稱的多頭倉和空頭倉處理，因此我將僅說明多頭倉的情況。

run_anns()變數包含當前已建倉位的編號數。如果它等於 -1，則不建倉，因此如果設置了主線交叉信號，可能就表示有建多頭倉的好機會。如果變數NeuroFilter未設置，則建立多頭倉，並且這種情況下神經網路不對信號進行過濾 -- 發送的訂單是買入訂單。此時，LongInput變數會記住ann_prepare_input()準備的InputVector，以備後用。

如果LongTicekt變數包含有效編號數，EA 會檢查訂單是仍處於未結狀態還是已被 StopLoss 或 TakeProfit 平倉。如果訂單仍未結，什麼都不會發生，但如果已平倉，則將計算僅有一個輸出的train_output[]向量，如果是虧損平倉，輸出值為 -1，如果是獲利平倉，輸出值為 1。然後將該值傳遞給ann_train()函數，所有負責處理多頭倉的網路都將用它進行訓練。變數LongInput用作輸入向量，它包含ann_prepare_input()InputVector。通知這種方式告知網路哪個信號可實現獲利，哪個信號不行。

一旦你將已訓練的網路從NeuroFilter切換到true，則啟用網路過濾。 run_anns()ann_wise_long()，所得值為所有用於處理多頭倉的網路返回的值的平均值。 run_anns()參數作為一個閾值，指示過濾信號是否有效。像很多其他值一樣，此閾值也是通過優化流程獲取的。

現在，一旦我們了解了它的工作原理，我會向你展示它的應用。測試貨幣對當然是 EURUSD。我用的是來自 Alpari 的數據，轉換至 M5 時間範圍。用於訓練/優化的周期為 2007.12.31 至 2009.01.01，用於測試目的的周期為 2009.01.01 至 2009.03.22。第一次運行時，我嘗試獲取 StopLoss、TakeProfit、SlowMA、FastMA 和 SignalMA 參數的最具盈利能力的值，然後用代碼編寫到 NeuroMACD.mq4 文件中。 NeuroFIlter和SaveAnn都被禁用，AnnsNumber則設置為 0 以避開神經網路處理。我使用了遺傳演算法進行優化。獲取值後，所獲報告如下：

基本參數優化後的訓練數據報告。

正如你所見，我在迷你帳戶上運行了這個 EA，使用的是 0.01 手數和 200 的初始餘額。當然你也可以根據自己的帳戶設置或偏好調整這些參數。

此時我們已有足夠的獲利和虧損交易數，所以我們可以啟用 SaveAnn，都被並將AnnsNumber設為 30。= 30。做完這些，我再次運行了測試程序。結果除了一點以外，其他完全相同，這一點不同之處就是流程慢了不少（使用了神經網路處理的緣故），並且文件夾 C:ANN 中滿是已訓練的網路，如下圖中所示。運行此流程之前，確保 C:ANN 文件夾是存在的！

C:\ANN\ 文件夾。

訓練了網路之後，就到了測試其表現的時候了。首先我們將用訓練數據來做一下測試。將NeuroFilter切換到true，並將SaveAnn更改為false，然後啟動測試程序。所得結果顯示在下方。注意，你的測試結果可能會有少許不同，因為網路初始化過程中提供的神經元連接權值有一點隨機性（此例中我明確調用了ann_load()內的2M_randomize_weights()) 。

啟用信號神經過濾時在訓練數據上所獲的結果。

凈利潤略有增長 (20.03 vs 16.92)，但獲利因子高了很多 (1.25 vs 1.1)。交易數少了很多 (83 vs 1188)，平均連續虧損數從 7 降至 2。但這僅僅表明神經信號過濾正在發揮作用，卻隻字未提它對訓練期間未使用的數據做了什麼。以下是從測試周期 (2009.01.01 - 2009.30.28) 中獲取的結果：

啟用神經過濾後從測試數據中獲得的結果。

執行的交易數相當少，很難說這個策略的質量到底如何，但我並不是要教你如何編寫最具盈利能力的 EA，而是說明如何在你的 MQL4 代碼中使用神經網路。這種情況下，要看到使用神經網路的實際效果，只有將啟用和禁用NeuroFilter時 EA 在測試數據上所得的結果進行比較。以下是未採用神經信號過濾時從測試數據周期中獲得的結果：

無神經過濾時測試數據所得結果

差異相當明顯。可以看到，神經信號過濾將虧損 EA 轉變成了獲利 EA！

我希望你從本文中學會了如何在 MetaTrader 中使用神經網路。藉助簡單的免費開源包 Fann2MQL，你可把神經網路層添加到幾乎任何 Expert Advisor 中，或開始嘗試編寫自己的完全或部分基於神經網路的 Expert Advisor。獨有的多線程功能可以大大加快你的處理速度（尤其是在優化某些參數時），具體取決於你的 CPU 內核數量。在一個案例中，它縮短了我的強化學習的優化時間，以 4 核 Intel CPU 為基礎，將 EA 處理時間從 4 天左右縮短至「僅」28 小時。

請注意，本文僅介紹 Fann2MQL 的一些非常基本的用法。因為此軟體包並不比 FANN 複雜多少，你可使用所有用於管理 FANN 網路的工具，例如：

Fanntool： http://code.google.com/p/fanntool/

FannExplorer： http://leenissen.dk/fann/index.php?p=gui.php

Fann Matlab bindings： http://www.sumowiki.intec.ugent.be/index.php/FANN_Bindings

快速人工神經網路庫的主頁上還有更多有關 FANN 的工具： http://leenissen.dk/fann/!

寫下這篇文章後，我找到了 NeuroMACD.mq4 的一個小錯誤。用於空頭倉的 OrderClose() 函數使用的是多頭倉編號。這導致策略發生傾斜，更可能在空頭時保留倉位，而在多頭時平倉：

/* Maintain short position */OrderSelect(ShortTicket,SELECT_BY_TICKET);if(OrderCloseTime()==) {// Order is openedif(BuySignal &&OrderProfit()>) {OrderClose(LongTicket,Lots,Bid,3); } }

在此腳本的正確版本中，我已經修復了這個問題，並完全移除了 OrderClose() 策略。這不會改變神經過濾對 EA 的整體影響，但餘額曲線形狀會大有不同。本文隨附了此 EA 的這兩個版本。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！