神经网络变得轻松（第三十六部分）：关系强化学习·综合运用
（3/3）·卷积网络能认出通道却分不清真假突破，关系模型如何补上这块短板
EURUSD H1 上的训练与回测结果
在 MT5 策略测试器里用 EURUSD 的 H1 历史数据跑这套模型，指标全部走默认参数，没有人为调优。训练与测试同段完成，便于直接观察样本内表现。 回测里平均每 2 笔盈利对应 2 笔亏损，胜率落在 53.7%，并不靠高胜率吃饭。真正的差额来自平均盈利比平均亏损高出 12.5%，盈亏结构偏厚尾。 最终输出两个硬指标：盈利因子 1.31，恢复因子 2.85。前者说明每 1 元亏损换回 1.31 元盈利，后者意味着回撤后净值修复效率尚可。外汇与贵金属属高风险品种，上述数字仅反映历史样本，实盘可能明显偏离。
◍ 从验证模型到实盘的距离
上面那套带关系模块和内在好奇心模块的强化学习模型，在离线试验里跑通了训练可行性，说明用它打底做 EA 是条能走的通路。但要把「能训出来」当成「能赚钱」，中间还隔着实盘这一道。 当前这个 EA 只具备执行交易动作的能力，定位就是评估用途，不是拿来直接挂真实账户的东西。外汇和贵金属市场高杠杆、高波动，任何未经过全条件压测的策略都可能快速回撤。 真要往 MT5 实盘迁，得先把模型在尽可能多的行情状态——趋势、震荡、跳空、流动性枯竭——下做细致改进与全面测试，这一步省不掉。
「延伸技术阅读线索」
这一节把文中涉及的注意力与强化学习底层方法做了归并，列了 8 篇关键文献，覆盖从神经机器翻译对齐、多头注意力到内在好奇心模块的完整链路。 对做 MT5 上 AIGC 行情判别模型的交易者来说，其中「关注就是您所需要的全部」与「具有关系归纳偏差的深度强化学习」两篇直接决定了状态表征能不能脱离手工特征。 若你想在 EA 里接一个轻量 Transformer 做多周期波动率聚类，建议先翻「神经网络变得轻松（第十一部分）：自 GPT 获取」，里面对自回归先验的实现细节足够跑通一版回测。 外汇与贵金属杠杆高、滑点随机，任何从文献搬来的结构都先用历史 tick 验证再上实盘。
收束
这套 LSTM 优化方案在 MT5 里落地时，依赖四个文件协同：RRL-learning.mq5 负责模型训练与执行，ICM.mqh 管模型规划，NeuroNet.mqh 建网络结构，NeuroNet.cl 跑 OpenCL 内核。ZIP 包 138.28 KB，解压后丢进对应目录即可在策略测试器调用。 有读者用 Ryzen 9 6900hx 跑训练报 EA 不交易，另有人反映 i5-12400 仅看到单核占用——后者实为 MQL 主线程限制，OpenCL 的 GPU/CPU 资源消耗得靠 GPU-Z、Afterburner 或 CodeXL 在测试器外监控。 实盘或回测接这类神经网络 EA，外汇与贵金属杠杆高、滑点跳空频繁，模型过拟合历史的概率不低；建议先开 MT5 用 1 个月历史验证文件生成与显卡负载，再逐步扩周期。