MQL5算法交易的神经网络-006感知机模型

输入参数

指定包含训练数据集的文件StudyFileName。

指定用于保存训练误差的文件OutputFileName。

每个样本包含多少根K线BarsToLine。

每根K线对应的神经元/特征数量NeuronsToBar。

是否启用OpenCL加速计算UseOpenCL。

指定每次更新权重矩阵时使用的批量大小BatchSize。

指定学习率LearningRate。

指定隐藏层数量HiddenLayers。

指定每个隐藏层的神经元数量HiddenLayer。

指定权重矩阵更新的迭代次数Epochs。

创建神经网络

创建输入层，先创建CLayerDescription指针，然后初始化参数。由于每根K线有NeuronsToBar个特征，每个样本包含BarsToLine根K线，因此输入层神经元数量是NeuronsToBar * BarsToLine，其他参数为空或0。

创建隐藏层，隐藏层神经元数量HiddenLayer根据经验定义，并定义激活函数和优化器。

创建输出层，输出层神经元数量为2。

加载训练数据

创建CBufferType类型指针pattern保存特征值。

创建CBufferType类型指针target保存目标值。

循环读取训练集文件数据，pattern初始化维度（1，NeuronsToBar * BarsToLine），target初始化维度（1，2）。

每行数据读取完毕后将特征和目标值数据分别保存到传入的data和targets中。

训练模型（SGD）

嵌套遍历Epochs和BatchSize。

在每个BatchSize中随机选择一个样本，然后输入特征值进行前向传播，输入目标值进行反向传播。

每个BatchSize结束后更新权重，并保存误差值。

保存模型

保存训练误差值历史数据到对应文件。

保存模型到“Study.net”文件中。

实际操作结果

使用XAU5分钟数据，时间长度为1年的数据无法收敛，时间长度3年的数据出现梯度爆炸无法训练。

由于原始数据没有对target2进行归一化，导致目标值和特征值差异较大，尝试对target2归一化之后重新训练数据。

使用1年的数据误差逐渐收敛，但是3年的数据仍然存在梯度爆炸问题。