可行性分析：如何在 MT4/MT5 中实现“真·学习”？ 新评论 nainai 2025.12.19 11:29 由于 MT4/MT5 本身无法运行复杂的训练模型（比如 PPO 或 LSTM ），我们必须采用 “ 云端记忆 + 本地检索 ” 的混合架构。 方案一： RAG （检索增强生成） —— 最具性价比 原理 1. 记录：每次交易结束后（无论止盈还是止损）， EA 会把当时的行情特征（ ATR 、 RSI 、 ADX 、时间点）和交易结果（盈亏）整理成一段文本，存入本地文件（比如 Memory.csv ）。 2. 检索：在做出新的交易决策前， EA 先去 Memory.csv 里查找 —— 之前有没有遇到过类似现在这种 ADX>50 且 RSI<20 的情况？ 3. 投喂：找到 3-5 个最相似的历史案例，连同当前的行情数据一起发给 DeepSeek 。 4. 提示词：参考这样的表述： “ 看看这些过往案例。在类似行情下，买入操作最终亏损。请据此调整策略。 ” 优点 • 无需训练：不用投入成本租用昂贵的 GPU 来训练模型。 • 即时生效：今天亏损的交易，明天就能作为反面案例发挥作用。 • 成本低：全程可以在 MT4 本地完成，最多只需简单的 API 交互。 缺点 • 上下文限制： DeepSeek 的对话窗口有容量限制，没法把几千条历史记录都发过去，必须做 “ 相似度搜索 ”—— 这部分在 MT4 里编写代码会有点复杂，但技术上是可行的。 方案二：云端微调 —— 机构级玩法 原理 5. EA 只负责数据采集，每天把行情数据和交易记录上传到云端数据库。 6. 每周利用云端资源，用这些积累的数据对 DeepSeek （或者更小的 Llama 模型）进行微调。 7. 到了下周， EA 调用的就是经过定制的模型 —— 这个模型已经学习过你的历史交易数据，是专属版本。 优点 • 真正的内化： AI 不需要额外的提示词就能凭经验做出反应，因为相关的市场认知已经通过训练融入模型了。 • 能力持续提升：用得越久，模型越强，市场经验会直接体现在模型权重里。 缺点 • 成本极高：需要租用服务器、维护云端数据库，还要支付模型微调的费用。对于单个用户使用的 EA 来说，性价比特别低。 EA 下一步进化方向（ V4.0 建议） 结合成本预算和 MT4 的功能限制，我建议采用方案一的改良版 ——“ 关键帧记忆法 ” 。 具体实现逻辑 8. 建立 “ 错题本 ” EA 只记录亏损单或者大回撤单的发生场景，比如记录格式可以是： Time=NonFarm, ADX=60, RSI=15, Action=BUY, Result=BIG_LOSS 。这个 “ 错题本 ” 文件保存在本地 MQL4/Files/Mistakes.csv 路径下。 9. 动态投喂 每次向 AI 发送请求时， EA 先读取 Mistakes.csv 里的记录。通过简单的规则匹配，如果当前行情的 ADX 和 RSI 数据，和 “ 错题本 ” 里某笔亏损交易的情况很接近，就在提示词里加上一句警告：警告：此前出现过极为相似的行情（ ADX=60, RSI=15 ），当时执行买入操作后发生大额亏损。请务必极度谨慎！ 10. 预期效果 AI 会立刻意识到：这种行情之前亏过钱，这次应该选择观望或者反向操作。这就是最直观的 “ 吃一堑长一智 ” 的效果。 将您自己的 LLM 集成到 EA 中（第 5 部分）：使用 LLM 开发和测试交易策略（四） 测试交易策略 使用 Python 和 MetaTrader5 python 软件包及 ONNX 模型文件进行深度学习预测和排序 第三代神经网络：深度网络 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
由于 MT4/MT5 本身无法运行复杂的训练模型（比如 PPO 或 LSTM ），我们必须采用 “ 云端记忆 + 本地检索 ” 的混合架构。
方案一： RAG （检索增强生成） —— 最具性价比
原理
1. 记录：每次交易结束后（无论止盈还是止损）， EA 会把当时的行情特征（ ATR 、 RSI 、 ADX 、时间点）和交易结果（盈亏）整理成一段文本，存入本地文件（比如 Memory.csv ）。
2. 检索：在做出新的交易决策前， EA 先去 Memory.csv 里查找 —— 之前有没有遇到过类似现在这种 ADX>50 且 RSI<20 的情况？
3. 投喂：找到 3-5 个最相似的历史案例，连同当前的行情数据一起发给 DeepSeek 。
4. 提示词：参考这样的表述： “ 看看这些过往案例。在类似行情下，买入操作最终亏损。请据此调整策略。 ”
优点
• 无需训练：不用投入成本租用昂贵的 GPU 来训练模型。
• 即时生效：今天亏损的交易，明天就能作为反面案例发挥作用。
• 成本低：全程可以在 MT4 本地完成，最多只需简单的 API 交互。
缺点
• 上下文限制： DeepSeek 的对话窗口有容量限制，没法把几千条历史记录都发过去，必须做 “ 相似度搜索 ”—— 这部分在 MT4 里编写代码会有点复杂，但技术上是可行的。
方案二：云端微调 —— 机构级玩法
原理
5. EA 只负责数据采集，每天把行情数据和交易记录上传到云端数据库。
6. 每周利用云端资源，用这些积累的数据对 DeepSeek （或者更小的 Llama 模型）进行微调。
7. 到了下周， EA 调用的就是经过定制的模型 —— 这个模型已经学习过你的历史交易数据，是专属版本。
优点
• 真正的内化： AI 不需要额外的提示词就能凭经验做出反应，因为相关的市场认知已经通过训练融入模型了。
• 能力持续提升：用得越久，模型越强，市场经验会直接体现在模型权重里。
缺点
• 成本极高：需要租用服务器、维护云端数据库，还要支付模型微调的费用。对于单个用户使用的 EA 来说，性价比特别低。
EA 下一步进化方向（ V4.0 建议）
结合成本预算和 MT4 的功能限制，我建议采用方案一的改良版 ——“ 关键帧记忆法 ” 。
具体实现逻辑
8. 建立 “ 错题本 ”
EA 只记录亏损单或者大回撤单的发生场景，比如记录格式可以是： Time=NonFarm, ADX=60, RSI=15, Action=BUY, Result=BIG_LOSS 。这个 “ 错题本 ” 文件保存在本地 MQL4/Files/Mistakes.csv 路径下。
9. 动态投喂
每次向 AI 发送请求时， EA 先读取 Mistakes.csv 里的记录。通过简单的规则匹配，如果当前行情的 ADX 和 RSI 数据，和 “ 错题本 ” 里某笔亏损交易的情况很接近，就在提示词里加上一句警告：警告：此前出现过极为相似的行情（ ADX=60, RSI=15 ），当时执行买入操作后发生大额亏损。请务必极度谨慎！
10. 预期效果
AI 会立刻意识到：这种行情之前亏过钱，这次应该选择观望或者反向操作。这就是最直观的 “ 吃一堑长一智 ” 的效果。