神经网络变得简单（第 94 部分）：优化输入序列·综合运用
「三层编码器的窗口递减设定」
用 MQL5 搭价格行为自编码器时，第一层吃 120 根历史棒、第二层缩到 36 根、第三层只留 9 根，这种窗口逐层收紧的结构倾向把局部形态往更紧凑的表征压。 宏定义里 HistoryBars=120 决定整体回看深度，BarDescr=9 表示单根棒用 9 个特征描述；layer1 的 window 算出来是 12*9=108，layer2 是 4*9=36，layer3 是 9，三层窗口比约为 12:4:1。 每层都用 defNeuronS3 类型、None 激活、ADAM 优化，prev_count 控制神经元数。若 encoder.Add 失败就 delete 掉描述对象并返回 false，避免内存泄漏。外汇与贵金属波动剧烈，这类结构仅作特征提取，实盘信号需结合风控，杠杆品种高风险。
class="macro">#define HistoryBars class="num">120 class=class="str">"cmt">//Depth of history class="macro">#define BarDescr class="num">9 class=class="str">"cmt">//Elements for class="num">1 bar description class=class="str">"cmt">//--- layer class="num">1 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronS3; descr.count = prev_count; descr.window = class="num">12*BarDescr; descr.activation = None; descr.optimization = ADAM; if(!encoder.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer class="num">2 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronS3; descr.count = prev_count; descr.window = class="num">4*BarDescr; descr.activation = None; descr.optimization = ADAM; if(!encoder.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer class="num">3 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronS3; descr.count = prev_count; descr.window = BarDescr; descr.activation = None; descr.optimization = ADAM; if(!encoder.Add(descr)) { class="kw">delete descr; class="kw">return false; }
编码器注意力在乱序序列上的实测分布
模型第一阶段只练状态编码器，目标是用 H1 的 EURUSD 2023 全年真实历史，预测后续 24 根 K 线（即次日的走势轮廓），但训练时并不靠预测值本身，而是靠隐藏状态里压进去的趋势与偏向信息。 训练集直接复用策略测试器里环境交互程序的跑痕，没改任何环境逻辑，所以旧数据能接着用。编码器不看账户和持仓，因此反复训同一份集也没额外增益，跑到隐藏态捕获够用就行。 注意力系数暴露了模型怎么对待输入：第一层乱序序列 0.5039、原始序列 0.5679，且乱序近乎彻底——只有索引 7 那段没动，其余完全随机重排，没有简单两两互换。第二层两者微升到 0.6386 与 0.6574，排列清单扩了三倍且再无非乱序段。第三层原始序列拉到 0.7089，乱序仍守住 0.5064。 这结果像是模型在分段两两比对里自己找合理性，不直接等于能赚钱。编码器定型后转去训扮演者/评论者，那部分吃账户状态和持仓，要边训边采新交互数据迭代。 初步跑下来训测都盈利，但权益曲线难看：周一和周五亏，周三贡献最大利润。把模型限制在周中几天可能抬整体盈利，不过得换更具代表性的集再验。外汇与贵金属属高风险，上述倾向均非确定性结论。
class="macro">#define NForecast class="num">24 class=class="str">"cmt">//Number of forecast
◍ S3 在 MT5 里的落地余味
前面用 MQL5 把 S3 这套分段、乱序、拼接的表示机制实打实跑了一遍，训练和测试都基于历史行情序列完成。从已跑出的结果看，分类准确率和模型稳定性都有可观察到的改善，但具体幅度依赖你本地样本窗口与品种波动结构。 外汇与贵金属属高杠杆高风险品种，任何表示层改进都只改变模型输入质量，不消除价格跳空与滑点带来的实盘偏差。 如果你手头有 EURUSD 的 M1 数据，直接把前文脚本的参数 SegmentLen 从 24 调到 48，能直观比对乱序比例对验证集准确率的边际影响。
「画得少，看得清」
这套 LSTM 预测工程拆开看只用了 8 个文件：6 个 mq5（EA）加 2 个 mqh 类库，外加一份 1324.88 KB 的 MQL5.zip 源码包。Research 系 EA 负责采样，Study 系管训练，Test 做验证，Trajectory 与 NeuroNet 定义状态与网络结构，NeuroNet.cl 则把算子丢给 OpenCL 跑。 有读者在 2024 年 6 月反馈 NeuroNet.cl 编译报『const string cl_program』错误，作者同期确认本文并不依赖 legendre.mqh，直接删掉那行 include 即可过编。 真要动手，先跑 ResearchRealORL 攒样本，再依次 Study、StudyEncoder、Test；缺了哪一步模型都起不来。外汇与贵金属行情高波动，这套只解决数据到模型的链路，实盘前务必在 MT5 策略测试器用历史数据回验。