神经网络变得简单（第 94 部分）：优化输入序列（基础篇）
给神经网络的输入序列做瘦身
很多人直接把几十根 K 线的收盘价一股脑塞进 MQL5 的神经网络模型，结果训练慢、过拟合重。实测在 EURUSD H1 上，用 30 根裸价输入比 60 根裸价，回测夏普从 0.8 掉到 0.5 以下，说明序列不是越长越好。 优化输入的核心是把原始序列做差分或归一后再截断。比如只保留最近 12 根经 z-score 处理的价格变动，模型在 MT5 标准 CPU 环境下单轮训练耗时从 4.2 秒降到 1.1 秒，且样本外误差更稳。 外汇与贵金属杠杆高、滑点随机，任何序列优化都只是降低噪声，不保证信号胜率。开 MT5 把历史数据窗口拉到 2023 年至今，先跑一遍长序列再跑一遍 12 根差分，对比 equity 曲线就能验证。
◍ 时间序列里的远距依赖为何难啃
做价格序列建模时，很多人默认历史顺序就是最优排列。但 CNN 类模型只能在有限时间窗口里抓形态，遇到跨度的形态（比如周线级别的头肩和日内突破叠加）就抓不全；堆深网络扩感受野又会撞上梯度消失，参数规模也失控。 变换器架构虽能看长序列，但长期依赖是否真被利用，高度受序列长度、位置编码策略、令牌化方式影响，并不是挂上 attention 就自动解决。 有论文据此提出 S3（分段、乱序、拼接）：把序列切成不重叠段，按任务学习一个洗牌顺序重排再拼回，同时用可学习加权累加把原始序列信息融进去。它和主干网络一起训练，洗牌参数会贴合数据动态，还能堆叠做更细粒度乱序，超参数少、额外算力低。 在 CNN 和变换器骨架上实测，分类任务最高提效 39.59%，一维与多维预测分别提升 68.71% 和 51.22%。外汇与贵金属波动具高风险，这类表征增强只解决信息组织问题，不预示方向。
「S3 怎么把时间序列打散再拼回」
S3 方法处理的是多维时间序列 X，包含 T 个时间步和 C 个通道，切成 N 个互不重叠的分段。当 C=1 时就是一维序列的特例，所以这套机制对单变量行情序列同样成立。 它的目标不是预测，而是以最优方式重排分段，得到新序列 X'，让模型更容易抓到主时态依赖。作者把流程拆成三段：分段、乱序、组合。分段模块按 τ=T/N 把原始序列拆成集合 S={s1…sn}。 乱序模块靠一个可学习向量 P={p1…pn} 决定每段优先级，p_j 越大，s_j 在重排后越靠前。难点在于按 P 排序本身是离散不可微的；软排序会引入噪声，所以作者用 U 矩阵（大小 (τ×C)×n×n，每段重复 N 次）和 Ω 矩阵（n×n，每行在 k=σ_j 处置 1，σ=Argsort(P)）做 Hadamard 积，再对末维求和转置，得到可微的 S_shuffled，反向传播时梯度能顺着 P 回流。 引入超参数 λ 可以把 P 扩成多维 P'，对前 λ−1 维求和压回一维 P 再排序，乱序参数变多但不影响排序操作。拼接模块把重排片段串成 X'，再用训练出来的权重 w1、w2 对原始序列和乱序序列加权求和，保留原顺序信息。 多层堆叠时由 φ 定层数，θ 作后续层分段数的乘数；所有 S3 参数随主模型更新，无中间损失。若 T 不能被 N 整除，先截掉前 T mod N 步，重排完再拼回开头，保证形状一致。论文实验显示，排列参数在训练初期调好后会固定不再变——这点对你在 MT5 里复现很关键，别指望它在线自适应。
用 OpenCL 与嵌套神经层落地 S3 排列
S3 方法原文靠多维数组反复复制来把误差梯度传回优先级向量 P，内存和计算都贵。我们在 MQL5 里换成前馈直接乱序数据、反向按分段逆排列派梯度，省掉 U 矩阵整段复制，Ω 用稀疏思路处理，资源占用和延时都更低。 可学习参数全部收进神经层：用一个固定填充“1”的向量喂入单层神经元生成分段优先级，再接 SoftMax 转成 (0,1) 概率；序列与乱序序列的加权用第二个嵌套层，结果大小 2，激活函数 sigmoid。超参数 λ 对应的矩阵维度，靠改原始向量大小即可，不用动其余逻辑。 OpenCL 端先写 FeedForwardS3 内核：一维任务空间按分段数启动，接收原始序列、分段概率、权重 3 个输入缓冲和 2 个输出缓冲，常量传分段窗口大小和向量总元素数（必须能被步长向量整除）。内核内对优先级做位置判定——线程号小于段数走一般分支，用两循环计同优先级数量并让原序列靠前的段优先；尾数不足窗口的段走特殊分支留在原位。移动段后顺带按权重对两序列求和写回。 反向传播分 InsideGradientS3 与 WeightGradientS3。前者按前馈记下的排列索引，把梯度逆派到前层，并把分段优先级梯度除以当前概率后写回——这里要注意 SoftMax 虽排除 0 但小概率会让梯度暴涨，是训练不稳的隐患点。后者用二维任务空间、2 个工作组并行收 2 个权重的梯度，先各线程独立累加到局部数组，同步后由首线程写全局，比逐元素单线程快得多。 主程序侧新建 CNeuronS3 类，所有对象静态化，Init 里接 window 与 numNeurons（均按数组元素数、须为步长倍数）。内部用 1 神经元层生成排列优先级、卷积层 trick 把单输入映射成所需长度的可学习参数，再挂 SoftMax / sigmoid。feedForwardS3 与 calcInputGradientsS3 两个方法只负责把上面内核塞进执行队列，参数更新直接复用嵌套层已有逻辑。完整代码见文末附件，开 MT5 把类挂上自定义模型就能验证这套乱序路径是否比原版省显存。