神经网络变得简单（第 85 部分）：多变元时间序列预测·综合运用
「账户状态如何被编码成网络输入」
这段逻辑把每笔交易时的账户快照压成一个特征向量，喂给后面的 Actor 网络。索引 3 是绝对值，4~6 都除以 PrevBalance，相当于把余额、权益、回撤归一化到上一周期基准，避免不同资金规模直接干扰梯度。 时间维度用了四组三角函数：以 2023 全年秒数、月线周期、周线周期、日线周期为分母，分别取 sin/cos。这样网络能隐式感知「这笔动作发生在年/月/周/日循环里的相位」，对外汇和贵金属这种强周期品种可能比裸时间戳更有效。
bAccount.Add(Buffer[tr].States[i].account[class="num">3]); class=class="str">"cmt">// 直接塞入账户数组第3项（如当前余额绝对值） bAccount.Add(Buffer[tr].States[i].account[class="num">4] / PrevBalance); class=class="str">"cmt">// 第4项除以上一基准余额，归一化 bAccount.Add(Buffer[tr].States[i].account[class="num">5] / PrevBalance); class=class="str">"cmt">// 第5项同上归一化 bAccount.Add(Buffer[tr].States[i].account[class="num">6] / PrevBalance); class=class="str">"cmt">// 第6项同上归一化 class="type">class="kw">double time = (class="type">class="kw">double)Buffer[tr].States[i].account[class="num">7]; class=class="str">"cmt">// 取出时间戳（秒） class="type">class="kw">double x = time / (class="type">class="kw">double)(D&class="macro">#x27;class="num">2024.01.class="num">01&class="macro">#x27; - D&class="macro">#x27;class="num">2023.01.class="num">01&class="macro">#x27;); class=class="str">"cmt">// 以2023全年秒长为周期 bAccount.Add((class="type">float)MathSin(x != class="num">0 ? class="num">2.0 * M_PI * x : class="num">0)); class=class="str">"cmt">// 非零则取年周期正弦，否则填0 x = time / (class="type">class="kw">double)PeriodSeconds(PERIOD_MN1); class=class="str">"cmt">// 换月线秒长为周期 bAccount.Add((class="type">float)MathCos(x != class="num">0 ? class="num">2.0 * M_PI * x : class="num">0)); class=class="str">"cmt">// 月周期余弦 x = time / (class="type">class="kw">double)PeriodSeconds(PERIOD_W1); class=class="str">"cmt">// 周线周期 bAccount.Add((class="type">float)MathSin(x != class="num">0 ? class="num">2.0 * M_PI * x : class="num">0)); class=class="str">"cmt">// 周周期正弦 x = time / (class="type">class="kw">double)PeriodSeconds(PERIOD_D1); class=class="str">"cmt">// 日线周期 bAccount.Add((class="type">float)MathSin(x != class="num">0 ? class="num">2.0 * M_PI * x : class="num">0)); class=class="str">"cmt">// 日周期正弦 if(bAccount.GetIndex() >= class="num">0) bAccount.BufferWrite(); class=class="str">"cmt">// 索引有效才写缓冲 if(!Actor.feedForward((CBufferFloat*)GetPointer(bAccount), class="num">1, false, GetPointer(Encoder), LatentLayer)) { PrintFormat("%s -> %d", __FUNCTION__, __LINE__); Stop = true; break; } class=class="str">"cmt">// 前向传播失败则停训 if(!Actor.backProp(GetPointer(bActions), GetPointer(Encoder), LatentLayer)) { PrintFormat("%s -> %d", __FUNCTION__, __LINE__); Stop = true; break; } class=class="str">"cmt">// 反向传播动作梯度失败则停 if(!Critic.feedForward((CNet *)GetPointer(Actor), -class="num">1, (CNet*)GetPointer(Encoder), LatentLayer)) { PrintFormat("%s -> %d", __FUNCTION__, __LINE__); Stop = true; break; } class=class="str">"cmt">// 评论家从Actor输出前向，失败则停 Critic.TrainMode(false); class=class="str">"cmt">// 评论家切推理态 if(!Critic.backProp(Result, (CNet *)GetPointer(Encoder), LatentLayer) || !Actor.backPropGradient((CNet *)GetPointer(Encoder), LatentLayer, -class="num">1, true)) { PrintFormat("%s -> %d", __FUNCTION__, __LINE__); Stop = true; break; } class=class="str">"cmt">// Critic与Actor梯度回传任一失败则停
bAccount.Add(Buffer[tr].States[i].account[class="num">3]); bAccount.Add(Buffer[tr].States[i].account[class="num">4] / PrevBalance); bAccount.Add(Buffer[tr].States[i].account[class="num">5] / PrevBalance); bAccount.Add(Buffer[tr].States[i].account[class="num">6] / PrevBalance); class="type">class="kw">double time = (class="type">class="kw">double)Buffer[tr].States[i].account[class="num">7]; class="type">class="kw">double x = time / (class="type">class="kw">double)(D&class="macro">#x27;class="num">2024.01.class="num">01&class="macro">#x27; - D&class="macro">#x27;class="num">2023.01.class="num">01&class="macro">#x27;); bAccount.Add((class="type">float)MathSin(x != class="num">0 ? class="num">2.0 * M_PI * x : class="num">0)); x = time / (class="type">class="kw">double)PeriodSeconds(PERIOD_MN1); bAccount.Add((class="type">float)MathCos(x != class="num">0 ? class="num">2.0 * M_PI * x : class="num">0)); x = time / (class="type">class="kw">double)PeriodSeconds(PERIOD_W1); bAccount.Add((class="type">float)MathSin(x != class="num">0 ? class="num">2.0 * M_PI * x : class="num">0)); x = time / (class="type">class="kw">double)PeriodSeconds(PERIOD_D1); bAccount.Add((class="type">float)MathSin(x != class="num">0 ? class="num">2.0 * M_PI * x : class="num">0)); if(bAccount.GetIndex() >= class="num">0) bAccount.BufferWrite(); class=class="str">"cmt">//--- Actor if(!Actor.feedForward((CBufferFloat*)GetPointer(bAccount), class="num">1, false, GetPointer(Encoder), LatentLayer)) { PrintFormat("%s -> %d", __FUNCTION__, __LINE__); Stop = true; break; } if(!Actor.backProp(GetPointer(bActions), GetPointer(Encoder), LatentLayer)) { PrintFormat("%s -> %d", __FUNCTION__, __LINE__); Stop = true; break; } if(!Critic.feedForward((CNet *)GetPointer(Actor), -class="num">1, (CNet*)GetPointer(Encoder), LatentLayer)) { PrintFormat("%s -> %d", __FUNCTION__, __LINE__); Stop = true; break; } Critic.TrainMode(false); if(!Critic.backProp(Result, (CNet *)GetPointer(Encoder), LatentLayer) || !Actor.backPropGradient((CNet *)GetPointer(Encoder), LatentLayer, -class="num">1, true)) { PrintFormat("%s -> %d", __FUNCTION__, __LINE__); Stop = true; break; }
◍ 训练进度别刷太勤
强化学习 EA 在 MT5 里跑迭代时，若每 tick 都刷新界面，CPU 会被 Comment 拖死，回测速度掉得肉眼可见。上面这段用 GetTickCount 做了个 500 毫秒节流：距上次刷新超 500ms 才重算一次进度百分比并输出 Actor / Critic 的平均误差。 iter 是当前迭代次数，Iterations 是总轮数，percent 直接乘 100.0 转成带两位小数的进度；StringFormat 里 %-14s 左对齐留 14 位，%15.8f 给误差留 8 位小数精度，足够看训练是否收敛。 收尾处先 Comment("") 清屏，再用 PrintFormat 把函数名、行号、最终误差打到日志，最后 ExpertRemove 让 EA 自退。外汇与贵金属杠杆高，这类自研训练 EA 仅限策略验证，实盘直接挂可能亏穿保证金。
if(GetTickCount() - ticks > class="num">500) { class="type">class="kw">double percent = class="type">class="kw">double(iter) * class="num">100.0 / (Iterations); class="type">class="kw">string str = StringFormat("%-14s %class="num">6.2f%% -> Error %class="num">15.8f\n", "Actor", percent, Actor.getRecentAverageError()); str += StringFormat("%-14s %class="num">6.2f%% -> Error %class="num">15.8f\n", "Critic", percent, Critic.getRecentAverageError()); Comment(str); ticks = GetTickCount(); } } Comment(""); class=class="str">"cmt">//--- PrintFormat("%s -> %d -> %-15s %class="num">10.7f", __FUNCTION__, __LINE__, "Actor", Actor.getRecentAverageError()); PrintFormat("%s -> %d -> %-15s %class="num">10.7f", __FUNCTION__, __LINE__, "Critic", Critic.getRecentAverageError()); ExpertRemove(); class=class="str">"cmt">//--- }
EURUSD 实盘历史下的模型回测落点
我们用 EURUSD 的 2023 年 H1 真实历史数据训练模型，再切到 2024 年 1 月同品种同周期，在 MT5 策略测试器里跑已训练模型。由于去掉了嵌入层、并把描述单状态的柱线数调高，旧训练集不能直接复用，只能按前文算法重采一份新数据集。 首轮训练就撞上硬伤：预测品质明显偏低，大概率是输入噪声太多，加上模型对序列细节的敏感度拉高后反而把信号搅浑了。 没停手，继续让扮演者模型多轮迭代训练并回灌更新数据集，结果还是一言难尽。测试集上始终跑不出能盈利的模型，余额曲线一路向下，盈利因子大约卡在 0.5。外汇与贵金属属高风险品种，这类结果说明在高度随机环境里，当前实现的时间序列预测方案大概率撑不住预期精度，建议你开 MT5 用同样参数复跑一遍确认。
「在随机盘面上这套模型没扛住」
前面几节把 cross-variable linear-integrated enhanced transformer 的客户端实现拆完了：线性子模块抓趋势，变换器子模块抓变量间非线性依赖，作者还砍掉了时间分离的环境独立状态注意力，并把解码器换成预测层来提速。论文里的实验说，对时间序列任务，盯变量间依赖比盯时间步依赖更关键。 但我们拿这套独立实现的客户端去跑金融市场数据，结论很直接——在高度随机的行情条件下，它基本无效。外汇和贵金属这种高波动、高杠杆品种，随机扰动会反复击穿模型假设，拿学术集成的 transformer 直接套实盘信号，概率上很容易翻车。 要说明白的是，这结果只对应我们自己的那版实现。换数据窗口、换特征工程、换训练设定，完全可能得出相反结论。本文本就不是给算法做权威评估，只是让你熟悉这套方法并看一种落地写法，能不能改成你自己的盯盘插件，开 MT5 跑一遍同源代码最实在。
◍ 随包附带的八个工程文件
这套 LSTM 多元时间序列预测方案不是只给思路，作者把可直接编译运行的工程也一并放出。压缩包 MQL5.zip 约 1106.26 KB，里面按职责拆成 8 个文件，想在 MT5 里复现训练与推理流程，先把它们拖进对应目录。 具体分工：Research.mq5 与 ResearchRealORL.mq5 是两个样本收集 EA，后者用 Real-ORL 方法挑样本；Study.mq5 管模型训练，StudyEncoder.mq5 管编码训练。验证环节由 Test.mq5 承担。底层依赖三个类库——Trajectory.mqh 定义系统状态结构，NeuroNet.mqh 封装建网逻辑，NeuroNet.cl 是 OpenCL 核函数，决定能不能跑起 GPU 加速。 外汇与贵金属市场高杠杆、高波动，即便用这些现成 EA 做历史回测，结论也只代表某段样本内的概率倾向，不等于实盘可盈利。下载后建议先在本机用策略测试器跑通 Test.mq5，确认 NeuroNet.cl 在你的显卡驱动下能正常编译，再谈调参。