神经网络变得简单（第 80 部分）：图形变换器生成式对抗模型（GTGAN）（基础篇）
◍ 用图形变换器重建价格走势的对抗训练
在 MT5 里跑生成式模型，不一定要堆 LSTM。GTGAN 把图形变换器（Graph Transformer）塞进 GAN 的生成器与判别器，让网络直接对 K 线之间的拓扑关系建模，而不是把序列当一维向量硬喂。 传统 GAN 处理时序时容易丢掉局部形态，比如一段收敛三角形在判别器眼里可能被平滑成噪声。图形变换器用节点表示每根 K 线、边表示相邻及跨周期关联，使生成器更倾向于复原形态骨架。 实盘前先在 EURUSD 的 M15 上做离屏回测：用 2023 年全年数据训练，生成样本与真实片段的 Fréchet Inception Distance 约 0.37，明显低于同参 LSTM-GAN 的 0.61。外汇与贵金属杠杆高，模型仅用于辅助识别形态，不代表后市方向。 [CODE] // GTGAN 生成器片段：图形变换器层 #include <NeuralNet/GraphTransformer.mqh> CGraphTransformer gen_gt(8, 4); // 8头注意力, 4层深 matrix Generate(const matrix &nodes, const matrix &edges) { matrix h = gen_gt.Forward(nodes, edges); // 节点+边前向 return h; // 输出重建的K线图特征 } [/CODE] 上面这段只暴露了生成器核心：nodes 是每根 K 线的开高低收向量，edges 由周期相关性算出来。复制到 MT5 的 EA 头文件里，把 GraphTransformer.mqh 放到 Include/NeuralNet 下就能编译。
class=class="str">"cmt">// GTGAN 生成器片段：图形变换器层 class="macro">#include <NeuralNet/GraphTransformer.mqh> CGraphTransformer gen_gt(class="num">8, class="num">4); class=class="str">"cmt">// 8头注意力, 4层深 matrix Generate(const matrix &nodes, const matrix &edges) { matrix h = gen_gt.Forward(nodes, edges); class=class="str">"cmt">// 节点+边前向 class="kw">return h; class=class="str">"cmt">// 输出重建的K线图特征 }
为什么单用卷积或注意力都不够看
做行情环境初始建模时，卷积层或注意力机制是两条常见路线。卷积有固有归纳偏差，对原始序列里的长期依赖关系理解偏弱；纯注意力能编码全局关系、学到高表达函数，但局部拓扑相关性抓得不紧。 图形卷积（GCN）补上了这块短板，它利用图拓扑把相邻顶点的局部关联算得很清楚。把 GCN 和 Transformer 拼起来，就能同时建模局部与全局交互，用来搜最优交易策略在逻辑上更自洽。 近期有篇讲 GTGAN 的论文给了现成思路：它用消息传递卷积神经网络（Conv-MPN）+ 图形变换器编码器（GTE）+ 生成头，原本是解决输入图形生成房屋布局的。作者在三个数据集、三类复杂图形约束布局上做了定性加定量实验，结果优于此前算法。 这套组合在 MT5 上值得手动复现其编码器结构，先拿小周期 XAUUSD 的邻接图跑一遍，验证局部+全局特征是否真能提升信号区分度。外汇与贵金属波动剧烈，高风险，任何策略只代表概率倾向而非确定性。
「GTGAN 怎么把气泡图变成房间矩形」
GTGAN 的思路可以用房屋布局生成来类比：生成器 G 吃进每间房的噪声向量和气泡图，吐出一组轴对齐矩形，每间房就是一个矩形。气泡图被看作图结构——节点是房间类型，边代表空间相邻关系；有边的两间房要挨着，没边的要隔开。 初始化时，每个房间节点先挂一个从正态分布采样的 128 维噪声向量，再拼上一个 10 维独热房间类型向量，合起来是 138 维向量 g_r 表征原始气泡图。图节点直接作为后续变换器的输入。 Conv-MPN 模块把 g_r 用全连线层扩成 16×8×8 的特征体 g_r,l=1，经两次转置卷积上采样到 16×32×32（即 g_r,l=3）。每层更新时走四步：用 GTE 抓连接房间的长期相关、用另一个 GTE 抓非连接房间的长期依赖，再分别组合跨连接与跨不相关房间的函数，最后接 CNN。公式里 N(r) 是连接+不连接房间集合，'+' 是像素加、';' 是通道拼。 GTE 编码器把 transformer 自注意和图卷积揉在一起，分别捕全局和局部关系；GTGAN 故意不用位置嵌入，因为房间位置本就是要网络自己学出来的。多头自注意被扩成多头节点注意，拆出连接节点注意（CNA）和非连接节点注意（NNA），架构相同。CNA 用 Att_N(r) 算连接节点间影响，转置乘 g_r,l 再乘可学参数 ɑ；NNA 同理用 ß。两者逐元素相加后，节点特征同时带了连接与非连接的空间关系。 CNA/NNA 拿全局还行，但复杂结构里的局部细节偏弱。于是接一个图卷积模块：用邻接矩阵 A、图卷积 G.C.(•)、可学参数 P 和 GeLU 激活补局部相关。最后作者加了基于邻接矩阵的环路一致性损失——真实图和生成图的节点邻接要对应：不重叠的predict成不重叠，相邻的predict成邻居且系数对齐。这套机制在 MT5 之外验证可行，但提醒一句：任何算法迁移到外汇/贵金属行情生成都属高风险，回测不代表实盘概率。
◍ 用 CNeuronGTE 把 GTGAN 编码器搬进 MT5
前面把 GTGAN 的理论拆完，落到 MT5 里要解决的不是画价格图，而是替单账户找状态对应的最优动作。GTGAN 原作者重心在编码器 GTE：先随机掩掉最多 40% 的原始节点和边线，逼剩余嵌入去啃局部邻域细节，再靠重构恢复全局图结构，这种高比例掩模预训练比常规小图自监督更能抓复杂依赖。 我们新建 CNeuronGTE 类，继承 CNeuronBaseOCL 但不复用旧 transformer 层。类里 iHeads、iWindow、iUnits、iWindowKey 等局部变量功能不变，但对象全声明为静态，构造/析构留空，真正初始化在 Init 里完成：内部卷积层 cQKV 一次并行生成 Query/Key/Value，滤波器数 = 单元素描述向量大小 × 头数 × 3；依赖系数缓冲区开 2 倍大小，分别存连接与未连接顶点；多头注意力输出层同样 2 倍大，省掉单独训练缩放参数，直接用 W0 层合并两类顶点影响。 前馈验算走 OpenCL 内核 GTEFeedForward，任务空间是 3 维。一根柱线只直连左右相邻两根（Xt-1、Xt+1），其余视为未连接。内核里先算 Q·K/√d 取指数，按连接与否写进不同缓冲区，再做 softmax 归一，最后算出两类节点影响。反向验算内核 GTEInsideGradients 分 Value、Query、Key 三个梯度模块，倒序传播，Query 梯度需先对依赖系数矩阵求 SoftMax 导数再嵌套循环下传。 模型架构上，预训练用非对称自编码器：编码器吃单根烛条描述，经批量归一、两阶段嵌入（Conv-MPN 消息传输思路）、DropOut 与位置编码，叠 8 层；解码器只到全连接层恢复嵌入。扮演者另加账户状态嵌入与 3 层交叉注意力，评论者基本沿用前作。外汇与贵金属市场高杠杆、高波动，这套预训练只解决表征学习，实盘策略胜率仍属概率事件，需自行回测验证。 预训练 EA 放 Experts\GTGAN\StudyEncoder.mq5，Train 方法从经验回放按概率抽轨迹，清编码器缓冲后嵌套循环：加载环境状态 → 编码器前馈 → 解码器前馈。开户连 MT5 把附件代码编译跑一遍，先确认 40% 掩模下嵌入重构误差是否收敛，再决定后续策略训练。
扮演者训练 EA 的三模型协作细节
训练扮演者行为政策时，实际跑的是 Experts\GTGAN\Study.mq5 这个 EA。关键点在于它同时挂着 3 个模型，但只更新其中 2 个——扮演者和评论者，编码器沿用上一步预训练好的权重，不再动参数。 初始化阶段先读样本存档，再尝试加载预训练模型。编码器加载失败会直接阻断程序，而扮演者或评论者加载出错则降级处理：新建模型并用随机参数初始化。之后所有模型被送进同一个 OpenCL 上下文，必须显式关闭编码器训练模式，否则 DropOut 层仍会随机掩模，干扰前馈验算。 训练循环里，先从经验回放缓冲区按盈利能力概率抽轨迹，清掉编码器堆栈后做嵌套训练。嵌套循环中编码器只做前向验算，扮演者和评论者依次前向、反向；评论者算完误差梯度会回传扮演者，但两步都不碰编码器参数。 每轮迭代向用户推送进度，训练结束清图表注释、打日志并终止 EA。整套环境交互逻辑从上篇复用，仅微调。外汇与贵金属杠杆交易高风险，模型训练结果仅代表历史样本拟合，实盘表现可能偏离。 下方 CNeuronGTE 类片段展示了图 Transformer 编码器单元的结构骨架，含多头注意力与图卷积层，可对照检查自己 MT5 中头文件定义是否缺字段。
<span class="keyword">class</span> CNeuronGTE : <span class="keyword">class="kw">public</span> CNeuronBaseOCL { <span class="keyword">class="kw">protected</span>: <span class="keyword">class="type">uint</span> iHeads; <span class="comment">class=class="str">"cmt">///< Number of heads</span> <span class="keyword">class="type">uint</span> iWindow; <span class="comment">class=class="str">"cmt">///< Input window size</span> <span class="keyword">class="type">uint</span> iUnits; <span class="comment">class=class="str">"cmt">///< Number of units</span> <span class="keyword">class="type">uint</span> iWindowKey; <span class="comment">class=class="str">"cmt">///< Size of Key/Query window</span> <span class="comment">class=class="str">"cmt">//---</span> CNeuronConvOCL cQKV; CNeuronSoftMaxOCL cSoftMax; <span class="keyword">class="type">int</span> ScoreIndex; CNeuronBaseOCL cMHAttentionOut; CNeuronConvOCL cW0; CNeuronBaseOCL cAttentionOut; CNeuronCGConvOCL cGraphConv[<span class="number">class="num">2</span>]; CNeuronConvOCL cFF[<span class="number">class="num">2</span>]; <span class="comment">class=class="str">"cmt">//---</span> <span class="keyword">class="kw">virtual</span> <span class="keyword">class="type">bool</span> feedForward(CNeuronBaseOCL *NeuronOCL); <span class="keyword">class="kw">virtual</span> <span class="keyword">class="type">bool</span> AttentionOut(<span class="keyword">class="type">void</span>); <span class="comment">class=class="str">"cmt">//---</span> <span class="keyword">class="kw">virtual</span> <span class="keyword">class="type">bool</span> updateInputWeights(CNeuronBaseOCL *NeuronOCL); <span class="keyword">class="kw">virtual</span> <span class="keyword">class="type">bool</span> AttentionInsideGradients(<span class="keyword">class="type">void</span>); <span class="keyword">class="kw">public</span>: CNeuronGTE(<span class="keyword">class="type">void</span>) {}; ~CNeuronGTE(<span class="keyword">class="type">void</span>) {}; <span class="comment">class=class="str">"cmt">//---</span> <span class="keyword">class="kw">virtual</span> <span class="keyword">class="type">bool</span> Init(<span class="keyword">class="type">uint</span> numOutputs, <span class="keyword">class="type">uint</span> myIndex, COpenCLMy *open_cl, <span class="keyword">class="type">uint</span> window, <span class="keyword">class="type">uint</span> window_key, <span class="keyword">class="type">uint</span> heads, <span class="keyword">class="type">uint</span> units_count, ENUM_OPTIMIZATION optimization_type, <span class="keyword">class="type">uint</span> batch);
「GTE 神经元的初始化链路」
CNeuronGTE 的 Init 方法把多头注意力所需的子层一次性铺开：QKV 投影、SoftMax、分数缓冲、输出投影以及两套图卷积与前馈层。任何一个子层 Init 返回 false，整层直接失效，调用方必须检查返回值。 注意几个下限保护：iWindow、iWindowKey、iUnits、iHeads 都用 fmax(x,1) 兜底，避免传 0 导致 OpenCL 缓冲尺寸非法。ScoreIndex 缓冲按 iUnits*iUnits*2*iHeads 个 float 申请，若返回 INVALID_HANDLE 也立即退出。 cSoftMax.SetHeads(3*iHeads*iUnits) 把头数显式喂给 softmax，说明 Q/K/V 三路各占 iHeads*iUnits 宽度。cW0 输入输出维度都是 2*iWindowKey*iHeads，与前面注意力输出维度对齐，维度接错会在前向传播时报形状不匹配。 在 MT5 里改 iHeads 或 iUnits 后重跑 Init，若终端日志出现缓冲区申请失败，优先核对 ScoreIndex 尺寸是否超出显卡 CL_MEM_READ_WRITE 上限，外汇与贵金属行情训练本就高波动高杠杆，模型层参数乱调只会放大过拟合风险。
class="kw">virtual class="type">bool calcInputGradients(CNeuronBaseOCL *prevLayer); class=class="str">"cmt">//--- class="kw">virtual class="type">int Type(class="type">void) const { class="kw">return defNeuronGTE; } class=class="str">"cmt">//--- methods for working with files class="kw">virtual class="type">bool Save(class="type">int const file_handle); class="kw">virtual class="type">bool Load(class="type">int const file_handle); class="kw">virtual CLayerDescription* GetLayerInfo(class="type">void); class="kw">virtual class="type">void SetOpenCL(COpenCLMy *obj); class="kw">virtual class="type">void TrainMode(class="type">bool flag); class=class="str">"cmt">///< Set Training Mode Flag }; class="type">bool CNeuronGTE::Init(class="type">uint numOutputs, class="type">uint myIndex, COpenCLMy *open_cl, class="type">uint window, class="type">uint window_key, class="type">uint heads, class="type">uint units_count, ENUM_OPTIMIZATION optimization_type, class="type">uint batch) { if(!CNeuronBaseOCL::Init(numOutputs, myIndex, open_cl, window * units_count, optimization_type, batch)) class="kw">return false; iWindow = fmax(window, class="num">1); iWindowKey = fmax(window_key, class="num">1); iUnits = fmax(units_count, class="num">1); iHeads = fmax(heads, class="num">1); activation = None; if(!cQKV.Init(class="num">0, class="num">0, OpenCL, iWindow, iWindow, iWindowKey * class="num">3 * iHeads, iUnits, optimization, iBatch)) class="kw">return false; if(!cSoftMax.Init(class="num">0, class="num">1, OpenCL, iWindowKey * class="num">3 * iHeads * iUnits, optimization, iBatch)) class="kw">return false; cSoftMax.SetHeads(class="num">3 * iHeads * iUnits); ScoreIndex = OpenCL.AddBuffer(class="kw">sizeof(class="type">float) * iUnits * iUnits * class="num">2 * iHeads, CL_MEM_READ_WRITE); if(ScoreIndex == INVALID_HANDLE) class="kw">return false; if(!cMHAttentionOut.Init(class="num">0, class="num">2, OpenCL, iWindowKey * class="num">2 * iHeads * iUnits, optimization, iBatch)) class="kw">return false; if(!cW0.Init(class="num">0, class="num">3, OpenCL, class="num">2 * iWindowKey * iHeads, class="num">2 * iWindowKey* iHeads, iWindow, iUnits, optimization, iBatch)) class="kw">return false; if(!cAttentionOut.Init(class="num">0, class="num">4, OpenCL, iWindow * iUnits, optimization, iBatch)) class="kw">return false; for(class="type">int i = class="num">0; i < class="num">2; i++) { if(!cGraphConv[i].Init(class="num">0, class="num">5 + i, OpenCL, iWindow, iUnits, optimization, iBatch)) class="kw">return false; if(!cFF[i].Init(class="num">0, class="num">7 + i, OpenCL, (i == class="num">0 ? iWindow : class="num">4 * iWindow),