神经网络变得简单（第 88 部分）：时间序列密集编码器（TiDE）·综合运用
「训练循环里的断点保护与时间切片」
这段自编码器的训练主循环，把每次反向传播都包了空指针校验：一旦时间缓冲 bTime 取不到指针，立刻打印函数名加行号、置 Stop 并 break，避免 EA 在残缺数据上继续跑歪。
目标数组的装配分三步：先把未来 NForecast 根 K 线的状态拷进 Result，再按 BarDescr * NForecast 重设长度，最后喂给 Encoder.backProp。任何一步 AssignArray / Resize / backProp 失败就 continue 跳过当前 iter，不中断整体训练。
为了防止界面卡死，循环里用 GetTickCount() 做节流：每累计超过 500 毫秒才刷新一次 Comment，显示形如 Encoder 12.34% -> Error 0.00001234 的进度与均方误差。这个 500ms 的间隔是可以直接调的参数——调小看更细，调大省更多主线程资源。
跑完所有 iter 后清空 Comment，打印最终 Encoder 平均误差并调用 ExpertRemove() 自卸载。外汇与贵金属市场高杠杆、高风险，这类离线训练 EA 仅用于历史数据验证，实盘前务必在策略测试器跑足样本。
(CBufferFloat*)GetPointer(bTime))) { PrintFormat("%s -> %d", __FUNCTION__, __LINE__); Stop = true; break; } class=class="str">"cmt">//--- Collect target data if(!Result.AssignArray(Buffer[tr].States[i + NForecast].state)) class="kw">continue; if(!Result.Resize(BarDescr * NForecast)) class="kw">continue; if(!Encoder.backProp(Result, GetPointer(bTime), GetPointer(bTimeGradient))) { PrintFormat("%s -> %d", __FUNCTION__, __LINE__); Stop = true; break; } 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", "Encoder", percent, Encoder.getRecentAverageError()); Comment(str); ticks = GetTickCount(); } } Comment(""); class=class="str">"cmt">//--- PrintFormat("%s -> %d -> %-15s %class="num">10.7f", __FUNCTION__, __LINE__, "Encoder", Encoder.getRecentAverageError()); ExpertRemove(); class=class="str">"cmt">//--- }
用2023训、拿2024验的TiDE实测
TiDE 这套时间序列密集编码器已在 MQL5 里跑通，输入数据结构沿用旧模型，所以历史样本能直接复用。所有模型都用 EURUSD 的 H1 历史训练，EA 的区间会随时间漂移，这次拿 2023 全年真实数据训，再切到 2024 年 1 月用 MT5 策略测试器验——测试区间紧接训练区间之后，且完全排除在训练集外，相当于逼模型面对物理上未知的新行情。 环境状态编码器不挂钩账户与持仓，理论上可一次交互训到所需精度，但精度天花板由模型本身决定，别指望凭空跳过自己的极限。状态模型就绪后进入第二阶段：迭代训 actor-critic，并按当前策略往经验回放缓冲区补交互样本。金融市场维度太多，缓冲区不可能覆盖全貌，只能抓 actor 当下政策附近的一小片环境，迈一小步优化后再把可见区略微外扩继续采数。 实测下来，actor 政策在训练集和测试集都出了盈利。图上前期亏损、后期转明显盈利趋势；盈利交易占比不到 40%，差不多每 2 笔盈利伴 1 笔亏损，但盈利单平均规模接近亏损单的 2 倍，亏损幅度明显更浅。最终测试盈利因子 1.23，外汇 H1 这种高频环境杠杆风险高，该数字仅代表历史样本表现，实盘可能失效。
◍ TiDE 在 MT5 上的训练效率落点
TiDE 用 MLP 替掉 Transformer 的注意力结构，对历史价格和协变量做编码再解码未来序列，计算复杂度是线性的。这意味着在你跑 EURUSD 日线长期预测时，数据量放大到几十万根 bar，显存和耗时都不会像 Transformer 那样非线性膨胀。 原文作者的实验指向一个事实：MLP 路线在时间序列预测上潜力不低，且训练速度明显快于前几篇聊过的 Transformer 方案，倾向更适合个人机本地迭代。外汇与贵金属属高风险品种，任何模型输出都只是概率倾向，不能直接当方向结论。 我们前面实践部分写的 MQL5 实现和原论文略有出入，但回测结果证明这套改法相当有效，模型收敛比 Transformer 快得多。你可以直接把前文代码拷进 MT5 策略测试器，换一组 XAUUSD 的协变量跑一遍验证。
「一点提醒」
这套 LSTM 优化方案在 MT5 里落地，依赖一套固定命名的文件：Research.mq5 负责样本收集，StudyEncoder.mq5 训编码，Study.mq5 训模型，Test.mq5 跑测试，外加 Trajectory.mqh、NeuroNet.mqh 与 NeuroNet.cl 三个类库支撑状态定义与 OpenCL 核。压缩包 MQL5.zip 约 1161.58 KB，直接解到 Experts 目录即可编译。 有读者在 EURJPY 上复现时报出 OpenCL 错误 65536，日志显示 GTX 1060 选卡正常却在 CNeuronBaseOCL::SumAndNormilize 的 MatrixSum 内核失败，原作者在讨论里未给确定性结论，仅确认对方未改默认结构。换品种触发该问题的概率不低，真要验证建议先在原文 EURUSD 环境跑通再迁移。 外汇与贵金属杠杆高、滑点无常，神经网络预测只是概率倾向，任何回测亮眼都不构成实盘稳赢依据；开 MT5 前先把 GPU 驱动和 OpenCL 运行库对齐，能少踩一半坑。