LSTM Library

专业算法交易神经网络库

LSTM Library为您的MQL5交易策略带来递归神经网络的强大功能。这个专业级实现包括LSTM、BiLSTM和GRU网络，具有通常只在专业机器学习框架中才能找到的高级功能。

主要特点

• 完整实现LSTM、BiLSTM和GRU
• 递归Dropout实现更好的泛化
• 多种优化算法(Adam, AdamW, RAdam)
• 高级归一化技术
• 全面的指标评估系统
• 训练进度可视化
• 支持通过类权重处理不平衡数据

技术规格

• 纯MQL5实现 - 无外部依赖
• 为交易应用程序优化
• 全面的错误处理和验证
• 完全支持保存/加载训练模型
• 详尽的文档

集成说明

要将LSTM Library集成到您的Expert Advisor中，请按照以下步骤操作：

1. 完整库导入

#import "LSTM_Library.ex5"
   // 库信息
   void GetLibraryVersion(string &version);
   void GetLibraryInfo(string &info);
   
   // 模型管理
   int CreateModel(string name);
   int DeleteModel(int handle);
   
   // 层构建
   int AddLSTMLayer(int handle, int units, int input_size, int seq_len, bool return_seq);
   int AddLSTMLayerEx(int handle, int units, int input_size, int seq_len, bool return_seq, double recurrent_dropout);
   int AddGRULayer(int handle, int units, int input_size, int seq_len, bool return_seq);
   int AddBiLSTMLayer(int handle, int units, int input_size, int seq_len, bool return_seq);
   int AddBiLSTMLayerEx(int handle, int units, int input_size, int seq_len, bool return_seq, double recurrent_dropout);
   int AddDenseLayer(int handle, int input_size, int units, int activation);
   int AddDropoutLayer(int handle, double rate);
   int AddBatchNormLayer(int handle, int size);
   int AddLayerNormLayer(int handle, int size);
   
   // 编译和训练
   int CompileModel(int handle, int optimizer, double lr, int loss);
   int SetClassWeights(int handle, double &weights[], int n_classes);
   int EnableConfusionMatrixTracking(int handle, int n_classes);
   int GetConfusionMatrix(int handle, int &confusion_matrix[]);
   int FitModel(int handle, double &X_train[], double &y_train[], int n_train, int input_dim,
             double &X_val[], double &y_val[], int n_val, int epochs, int batch);
   
   // 预测和评估
   int PredictSingle(int handle, double &input_data[], int input_size, double &output_data[]);
   int PredictBatch(int handle, double &X[], int n_samples, int input_dim, double &predictions[]);
   double EvaluateModel(int handle, double &X[], double &y[], int n_samples, int input_dim);
   double CalculateClassificationMetrics(double &y_true[], double &y_pred[], int n_samples, int n_classes,
                               double &precision[], double &recall[], double &f1[]);
   
   // 数据预处理
   int CreateScaler();
   int DeleteScaler(int handle);
   int FitScaler(int handle, double &data[], int samples, int features);
   int TransformData(int handle, double &data[], double &transformed[], int samples, int features);
   int InverseTransform(int handle, double &transformed[], double &original[], int samples, int features);
   int FitTransformData(int scaler, double &data[], double &transformed[], int samples, int features);
   
   // 回调和调度器
   int AddEarlyStopping(int handle, int patience, double min_delta);
   int AddProgressBar(int handle, int epochs);
   int AddCosineScheduler(int handle, double base_lr, int T_0, int T_mult);
   int AddOneCycleLR(int handle, double max_lr, int total_steps);
   
   // 实用工具
   int PrintModelSummary(int handle);
   int SetModelTrainingMode(int handle, int training);
   int GetModelTrainingMode(int handle);
   int SaveModel(int handle, string filename);
   int LoadModel(int handle, string filename);
   int SaveHistory(int handle, string filename);
   void CleanupAll();
   int GetActiveModelsCount();
   int GetActiveScalersCount();
#import

2. OnInit()中初始化

int model_handle = 0;

int OnInit()
{
   // 创建LSTM模型
   model_handle = CreateModel("TradingModel");
   if(model_handle <= 0)
      return INIT_FAILED;
      
   // 添加层
   if(AddLSTMLayer(model_handle, 32, 5, 10, false) <= 0)
      return INIT_FAILED;
      
   if(AddDropoutLayer(model_handle, 0.2) <= 0)
      return INIT_FAILED;
      
   if(AddDenseLayer(model_handle, 32, 1, 1) <= 0)
      return INIT_FAILED;
   
   // 编译模型（Adam优化器，MSE损失）
   if(CompileModel(model_handle, 1, 0.001, 0) <= 0)
      return INIT_FAILED;
   
   // 如果可用，加载现有模型
   if(FileIsExist("model.bin"))
      LoadModel(model_handle, "model.bin");
   
   return INIT_SUCCEEDED;
}

3. OnDeinit()中清理

void OnDeinit(const int reason)
{
   if(model_handle > 0)
   {
      SaveModel(model_handle, "model.bin");
      DeleteModel(model_handle);
   }
   
   CleanupAll();
}

4. OnTick()中使用

void OnTick()
{
   // 准备特征
   double features[50];  // 例如，5个特征 * 10序列长度
   
   // 用市场数据填充特征数组
   // ...
   
   // 进行预测
   double prediction[];
   if(PredictSingle(model_handle, features, ArraySize(features), prediction) > 0)
   {
      if(prediction[0] > 0.5)
      {
         // 看涨信号 - 下买单
      }
      else
      {
         // 看跌信号 - 下卖单
      }
   }
}

可用的高级功能

递归层变体

• AddLSTMLayerEx() - 具有递归dropout的LSTM，用于更好的泛化
• AddBiLSTMLayerEx() - 具有递归dropout的双向BiLSTM

规范化和正则化

• AddBatchNormLayer() - 批量规范化，用于稳定训练
• AddLayerNormLayer() - 层规范化

处理不平衡数据

• SetClassWeights() - 为少数类设置权重
• EnableConfusionMatrixTracking() - 按类别详细监控性能

高级优化

• AddCosineScheduler() - 带热重启的循环学习率
• AddOneCycleLR() - 单周期学习率实现

综合评估

• PredictBatch() - 批量预测，提高效率
• EvaluateModel() - 在测试数据上进行完整评估
• CalculateClassificationMetrics() - 详细指标(精确度、召回率、F1)

数据预处理

• CreateScaler/FitScaler - 输入数据规范化
• TransformData/InverseTransform - 尺度间转换

要求

• MetaTrader 5
• 对机器学习概念的基本理解
• 中级MQL5编程技能

提升您的交易系统

利用MQL5中的机器学习力量转变您现有的策略和指标。这种直接集成意味着没有外部连接、没有Python依赖和没有API复杂性 - 只有您交易平台内的纯预测能力。

无论您是开发价格预测系统、波动率预测还是高级模式识别，LSTM Library为真正智能的交易决策提供了基础，使其能够适应变化的市场条件。

关键词：LSTM股票预测，LSTM价格预测，神经网络交易，MQL5深度学习，时间序列预测，外汇机器学习，加密货币AI交易，市场模式识别，BiLSTM交易系统，GRU市场分析，AI算法交易，MQL5深度学习，价格方向预测，高频交易机器学习