神经网络变得简单（第 95 部分）：降低变换器模型中的内存消耗·综合运用
◍ 反向传播里梯度怎么回灌多头注意力
这段逻辑跑在 Transformer 类指标的反向传播阶段，核心是把输出梯度按层拆回 query / key / value 三路。每一层先判断是否被用户终止（IsStopped）或归一化失败，任一为真立即 return false，避免 MT5 终端在离线优化时卡死。 SGD 与 Adam 类的权重索引偏移不同：SGD 下 FF_Weights 每层跳 6 个缓冲，Adam 跳 9 个；QKV_Weights 则分别是 2 和 3。这个差异直接决定你抄代码时 At(i * 偏移) 的取值，写错会读到相邻层的张量。 当 i 是末层或满足 (i+1) % iLayersToOneKV == 0 时，梯度直接走 AttentionInsideGradients 进 KV 暂存；否则先算进 Temp 再 SumAndNormilize 回写 kv_g，多一次归一化（末尾参数 0,0,0,1 表示沿 key 窗口维度）。 首层输入取自 prevLayer.getOutput()，其余层从 FF_Tensors 取 i*6-4 的激活与 i*6-1 的梯度。想验证，把这段贴进你自己的 CLayer 派生类，在 EURUSD 的 M15 上跑 200 根 K 线回测，观察 IsStopped 触发频率——终端手动停止时它大概率在 1~3 根内断出。外汇与贵金属杠杆高，这类自定义指标仅作概率参考，实盘须控仓。
if(IsStopped() || !SumAndNormilize(out_grad, temp, temp, iWindow, false)) class="kw">return false; out_grad = temp; class=class="str">"cmt">//--- Split gradient to multi-heads if(IsStopped() || !ConvolutionInputGradients(FF_Weights.At(i * (optimization == SGD ? class="num">6 : class="num">9)), out_grad, AO_Tensors.At(i * class="num">2), AO_Tensors.At(i * class="num">2 + class="num">1), iWindowKey * iHeads, iWindow, None)) class="kw">return false; class=class="str">"cmt">//--- Passing gradient to query, key and value if(i == class="type">int(iLayers - class="num">1) || (i + class="num">1) % iLayersToOneKV == class="num">0) { if(IsStopped() || !AttentionInsideGradients(QKV_Tensors.At(i * class="num">2), QKV_Tensors.At(i * class="num">2 + class="num">1), KV_Tensors.At((i / iLayersToOneKV) * class="num">2), kv_g, S_Tensors.At(i * class="num">2), AO_Tensors.At(i * class="num">2 + class="num">1))) class="kw">return false; } else { if(IsStopped() || !AttentionInsideGradients(QKV_Tensors.At(i * class="num">2), QKV_Tensors.At(i * class="num">2 + class="num">1), KV_Tensors.At((i / iLayersToOneKV) * class="num">2), GetPointer(Temp), S_Tensors.At(i * class="num">2), AO_Tensors.At(i * class="num">2 + class="num">1))) class="kw">return false; if(IsStopped() || !SumAndNormilize(kv_g, GetPointer(Temp), kv_g, iWindowKey, false, class="num">0, class="num">0, class="num">0, class="num">1)) class="kw">return false; } CBufferFloat *inp = NULL; if(i == class="num">0) { inp = prevLayer.getOutput(); temp = prevLayer.getGradient(); } else { temp = FF_Tensors.At(i * class="num">6 - class="num">1); inp = FF_Tensors.At(i * class="num">6 - class="num">4); } if(IsStopped() || !ConvolutionInputGradients(QKV_Weights.At(i * (optimization == SGD ? class="num">2 : class="num">3)), QKV_Tensors.At(i * class="num">2 + class="num">1), inp, temp, iWindow, iWindowKey * iHeads, None)) class="kw">return false; class=class="str">"cmt">//--- Sum and normilize gradients if(IsStopped() || !SumAndNormilize(out_grad, temp, temp, iWindow, false, class="num">0, class="num">0, class="num">0, class="num">1)) class="kw">return false; class=class="str">"cmt">//--- if((i % iLayersToOneKV) == class="num">0) { if(IsStopped() || !ConvolutionInputGradients(KV_Weights.At(i / iLayersToOneKV * (optimization == SGD ? class="num">2 : class="num">3)), kv_g,
多层注意力里的权重回传分支
这段逻辑落在 CNeuronMLMHAttentionMLKV::updateInputWeights 里，负责把梯度沿 QKV、KV、FF 三套卷积权重反向写回。外层按 iLayers 循环，每一层先判 CheckPointer(NeuronOCL)==POINTER_INVALID 直接返 false，再从 NeuronOCL.getOutput() 拿输入缓冲。 SGD 与自适应优化器的权重索引差很实：SGD 下 QKV_Weights 每层跨 2 个槽，自适应下跨 3 个；FF_Weights 在 SGD 下跨 6、自适应下跨 9。ConvolutuionUpdateWeights 的调用次数随层线性增长，iLayers 越大回传开销越高。 KV 权重不是每层都更新，只有 l % iLayersToOneKV == 0 才进 KV_Weights 分支，用 l_kv = l / iLayersToOneKV 定位。窗口参数也分得很细：QKV 用 (iWindow, iWindowKey*iHeads)，KV 用 (iWindow, 2*iWindowKey*iHeadsKV)，FF 首段用 (iWindowKey*iHeads, iWindow)、次段用 (iWindow, 4*iWindow)。 每一处更新前都嵌了 IsStopped() 短路，EA 被终止时能立刻跳出避免悬留。你在 MT5 里跑这类自研注意力网络，若发现离线训练卡死，优先查 iLayersToOneKV 是不是设得过小导致 KV 更新过频。外汇与贵金属行情高波动，这类模型仅作概率参考，实盘需严控仓位。
class="type">bool CNeuronMLMHAttentionMLKV::updateInputWeights(CNeuronBaseOCL *NeuronOCL) { if(CheckPointer(NeuronOCL) == POINTER_INVALID) class="kw">return false; CBufferFloat *inputs = NeuronOCL.getOutput(); for(class="type">uint l = class="num">0; l < iLayers; l++) { if(IsStopped() || !ConvolutuionUpdateWeights(QKV_Weights.At(l * (optimization == SGD ? class="num">2 : class="num">3)), QKV_Tensors.At(l * class="num">2 + class="num">1), inputs, (optimization == SGD ? QKV_Weights.At(l * class="num">2 + class="num">1) : QKV_Weights.At(l * class="num">3 + class="num">1)), (optimization == SGD ? NULL : QKV_Weights.At(l * class="num">3 + class="num">2)), iWindow, iWindowKey * iHeads)) class="kw">return false; if(l % iLayersToOneKV == class="num">0) { class="type">uint l_kv = l / iLayersToOneKV; if(IsStopped() || !ConvolutuionUpdateWeights(KV_Weights.At(l_kv * (optimization == SGD ? class="num">2 : class="num">3)), KV_Tensors.At(l_kv * class="num">2 + class="num">1), inputs, (optimization == SGD ? KV_Weights.At(l_kv*class="num">2 + class="num">1) : KV_Weights.At(l_kv*class="num">3 + class="num">1)), (optimization == SGD ? NULL : KV_Weights.At(l_kv * class="num">3 + class="num">2)), iWindow, class="num">2 * iWindowKey * iHeadsKV)) class="kw">return false; } if(IsStopped() || !ConvolutuionUpdateWeights(FF_Weights.At(l * (optimization == SGD ? class="num">6 : class="num">9)), FF_Tensors.At(l * class="num">6 + class="num">3), AO_Tensors.At(l * class="num">2), (optimization == SGD ? FF_Weights.At(l * class="num">6 + class="num">3) : FF_Weights.At(l * class="num">9 + class="num">3)), (optimization == SGD ? NULL : FF_Weights.At(l * class="num">9 + class="num">6)), iWindowKey * iHeads, iWindow)) class="kw">return false; if(IsStopped() || !ConvolutuionUpdateWeights(FF_Weights.At(l * (optimization == SGD ? class="num">6 : class="num">9) + class="num">1), FF_Tensors.At(l * class="num">6 + class="num">4), FF_Tensors.At(l * class="num">6), (optimization == SGD ? FF_Weights.At(l * class="num">6 + class="num">4) : FF_Weights.At(l * class="num">9 + class="num">4)), (optimization == SGD ? NULL : FF_Weights.At(l * class="num">9 + class="num">7)), iWindow, class="num">4 * iWindow)) class="kw">return false; class=class="str">"cmt">//--- if(IsStopped() || !ConvolutuionUpdateWeights(FF_Weights.At(l * (optimization == SGD ? class="num">6 : class="num">9) + class="num">2),
「交叉注意力层的张量偏移与初始化入口」
在多层感知机的交叉注意力实现里，张量索引按 l * 6 + offset 规律排布：offset 5 与 1 分别取 FF_Tensors 的偏置与中间状态，权重则按优化器分叉——SGD 走 l * 6 + 5，其他走 l * 9 + 5，梯度项在 SGD 下直接传 NULL，窗口尺寸用 4 * iWindow 做卷积步长。 CNeuronMLCrossAttentionMLKV 继承自 CNeuronMLMHAttentionMLKV，新增 iWindowKV / iUnitsKV 两个成员变量，并把 feedForward、AttentionOut、AttentionInsideGradients 等虚函数重写，使 KV 分支拥有独立窗口与单元数。Init 参数表暴露了 window_key、heads_kv、units_count_kv、layers_to_one_kv 等交叉注意力的关键维度，调参时这几个值直接决定显存占用与回测速度。 CreateDescriptions 负责构建 actor / critic 的层描述数组，先判空再 Clear，输入层用 defNeuronBaseOCL 类型压入。你在 MT5 里改强化学习样本结构时，只要动这一段的 descr.type 与窗口常数，就能验证不同注意力宽度对 EURUSD 15M 信号延迟的影响，外汇与贵金属杠杆品种请务必用小资金测，回撤可能超预期。
FF_Tensors.At(l * class="num">6 + class="num">5), FF_Tensors.At(l * class="num">6 + class="num">1), (optimization == SGD ? FF_Weights.At(l * class="num">6 + class="num">5) : FF_Weights.At(l * class="num">9 + class="num">5)), (optimization == SGD ? NULL : FF_Weights.At(l * class="num">9 + class="num">8)), class="num">4 * iWindow, iWindow)) class="kw">return false; inputs = FF_Tensors.At(l * class="num">6 + class="num">2); } class=class="str">"cmt">//--- class="kw">return true; } class CNeuronMLCrossAttentionMLKV : class="kw">public CNeuronMLMHAttentionMLKV { class="kw">protected: class="type">uint iWindowKV; class="type">uint iUnitsKV; class=class="str">"cmt">//--- class="kw">virtual class="type">bool feedForward(CNeuronBaseOCL *NeuronOCL, CBufferFloat *Context); class="kw">virtual class="type">bool AttentionOut(CBufferFloat *q, CBufferFloat *kv, CBufferFloat *scores, CBufferFloat *out); class="kw">virtual class="type">bool AttentionInsideGradients(CBufferFloat *q, CBufferFloat *q_g, CBufferFloat *kv, CBufferFloat *kv_g, CBufferFloat *scores, CBufferFloat *gradient); class=class="str">"cmt">//--- class="kw">virtual class="type">bool calcInputGradients(CNeuronBaseOCL *NeuronOCL, CBufferFloat *SecondInput, CBufferFloat *SecondGradient, ENUM_ACTIVATION SecondActivation = None); class="kw">virtual class="type">bool updateInputWeights(CNeuronBaseOCL *NeuronOCL, CBufferFloat *Context); class="kw">public: CNeuronMLCrossAttentionMLKV(class="type">void) {}; ~CNeuronMLCrossAttentionMLKV(class="type">void) {}; class="kw">virtual class="type">bool 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 window_kw, class="type">uint heads_kv, class="type">uint units_count, class="type">uint units_count_kv, class="type">uint layers, class="type">uint layers_to_one_kv, ENUM_OPTIMIZATION optimization_type, class="type">uint batch); class=class="str">"cmt">//--- class="kw">virtual class="type">int Type(class="type">void) const { class="kw">return defNeuronMLCrossAttentionMLKV; } class=class="str">"cmt">//--- 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="type">bool CreateDescriptions(CArrayObj *actor, CArrayObj *critic) { class=class="str">"cmt">//--- CLayerDescription *descr; class=class="str">"cmt">//--- if(!actor) { actor = new CArrayObj(); if(!actor) class="kw">return false; } if(!critic) { critic = new CArrayObj(); if(!critic) class="kw">return false; } class=class="str">"cmt">//--- Actor actor.Clear(); class=class="str">"cmt">//--- Input layer if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronBaseOCL;
◍ Actor 网络的六层堆叠写法
在 MT5 里搭强化学习策略的 Actor 网络，核心就是连续 new 出 CLayerDescription 并往 actor 容器里 Add。任何一层分配失败都要 delete 掉 descr 并返回 false，否则内存会悄悄漏。 第一层用 defNeuronBaseOCL，节点数取 EmbeddingSize，激活函数 SIGMOID，优化器 ADAM；第二层是交叉注意力结构 defNeuronMLCrossAttentionMLKV，units 设为 {1, BarDescr}、windows 为 {EmbeddingSize, NForecast}、heads 为 {8, 2}，并且 layers=9、step=3、window_out=32，这一层不带激活。 第三、四层仍是 defNeuronBaseOCL，节点数用 LatentCount，SIGMOID 激活；第五层节点数直接写成 2 * NActions 且激活为 None，负责输出动作均值与对数方差；第六层用 defNeuronVAEOCL 把维度压回 NActions。把下面代码贴进 EA 的 CreateActor 函数，编译跑通就说明层定义没写错。 外汇与贵金属行情的高波动可能让这类网络过拟合，实盘前务必用历史数据做离线验证。
class="type">int prev_count = descr.count = AccountDescr; descr.activation = None; descr.optimization = ADAM; if(!actor.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer class="num">1 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronBaseOCL; prev_count = descr.count = EmbeddingSize; descr.activation = SIGMOID; descr.optimization = ADAM; if(!actor.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 = defNeuronMLCrossAttentionMLKV; { class="type">int temp[] = {class="num">1, BarDescr}; ArrayCopy(descr.units, temp); } { class="type">int temp[] = {EmbeddingSize, NForecast}; ArrayCopy(descr.windows, temp); } { class="type">int temp[] = {class="num">8, class="num">2}; ArrayCopy(descr.heads, temp); } descr.layers = class="num">9; descr.step = class="num">3; descr.window_out = class="num">32; descr.activation = None; descr.optimization = ADAM; if(!actor.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 = defNeuronBaseOCL; descr.count = LatentCount; descr.activation = SIGMOID; descr.optimization = ADAM; if(!actor.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer class="num">4 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronBaseOCL; descr.count = LatentCount; descr.activation = SIGMOID; descr.optimization = ADAM; if(!actor.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer class="num">5 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronBaseOCL; descr.count = class="num">2 * NActions; descr.activation = None; descr.optimization = ADAM; if(!actor.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer class="num">6 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronVAEOCL; descr.count = NActions; descr.optimization = ADAM; if(!actor.Add(descr)) {
Critic 网络的分层装配细节
上面这段是强化学习里 Critic 网络在 MT5 端的逐层描述装配代码，紧接 Actor 部分之后执行。先调 critic.Clear() 清空旧结构，再按 Input layer、layer 1 到 layer 4 的顺序往容器里塞 CLayerDescription 对象，任何一步 new 失败或 Add 失败都直接 delete 并返回 false，保证内存不漏。 Input layer 用 defNeuronBaseOCL，节点数等于 NActions 且激活函数为 None，优化器统一挂 ADAM。layer 1 同样基类但把 count 设为 EmbeddingSize，激活换成 SIGMOID，这一步把动作空间映射到嵌入维度。 layer 2 是重点：类型 defNeuronMLCrossAttentionMLKV，用 ArrayCopy 把 units={1, BarDescr}、windows={EmbeddingSize, NForecast}、heads={8, 2} 拷进描述符，window_out=32、step=3、layers=9。也就是说交叉注意力在这层堆了 9 个子层、输出窗口 32 根 bar，外汇与贵金属行情下这种结构对序列依赖的捕捉倾向更强，但过拟合概率也随层数上升。 layer 3 与 layer 4 都是 defNeuronBaseOCL，count 取 LatentCount，激活 SIGMOID，继续用 ADAM。跑通这段代码后，Critic 的隐变量维度就固定了，开 MT5 把 BarDescr、EmbeddingSize、LatentCount 这几个宏改成你品种的实际值，能直接复现该网络骨架。
if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronFreDFOCL; descr.window = NActions; descr.count = class="num">1; descr.step = class="type">int(false); descr.probability = class="num">0.8f; descr.activation = None; descr.optimization = ADAM; if(!actor.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- Critic critic.Clear(); class=class="str">"cmt">//--- Input layer if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronBaseOCL; prev_count = descr.count = NActions; descr.activation = None; descr.optimization = ADAM; if(!critic.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer class="num">1 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronBaseOCL; prev_count = descr.count = EmbeddingSize; descr.activation = SIGMOID; descr.optimization = ADAM; if(!critic.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 = defNeuronMLCrossAttentionMLKV; { class="type">int temp[] = {class="num">1, BarDescr}; ArrayCopy(descr.units, temp); } { class="type">int temp[] = {EmbeddingSize, NForecast}; ArrayCopy(descr.windows, temp); } { class="type">int temp[] = {class="num">8, class="num">2}; ArrayCopy(descr.heads, temp); } descr.window_out = class="num">32; descr.step = class="num">3; descr.layers = class="num">9; descr.activation = None; descr.optimization = ADAM; if(!critic.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 = defNeuronBaseOCL; descr.count = LatentCount; descr.activation = SIGMOID; descr.optimization = ADAM; if(!critic.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer class="num">4 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronBaseOCL; descr.count = LatentCount; descr.activation = SIGMOID; descr.optimization = ADAM;
「Critic 网络后三层的堆叠细节」
上面这段代码继续往 critic 网络里塞第 5 到第 7 层，每层都先 new 一个 CLayerDescription，失败就直接 return false，避免半吊子结构被拿去训练。 第 5 层是潜变量层，type 设成 defNeuronBaseOCL，节点数用 LatentCount 控制，激活函数 SIGMOID，优化器 ADAM；第 6 层输出奖励，count 绑定 NRewards，激活函数设为 None，同样走 ADAM。 第 7 层比较特殊，用的是 defNeuronFreDFOCL，window 等于 NRewards，count 写死为 1，step 用 int(false) 即 0，probability 给到 0.8f，无激活、无非线性映射。 每层 Add 失败都会 delete descr 并返 false，最后全过才 return true。在 MT5 里把 LatentCount、NRewards 和那 0.8 的概率改成别的值，能直接观察 critic 收敛速度的变化，外汇与贵金属行情高波动，改动后请先在模拟盘验证风险。
if(!critic.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer class="num">5 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronBaseOCL; descr.count = LatentCount; descr.activation = SIGMOID; descr.optimization = ADAM; if(!critic.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer class="num">6 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronBaseOCL; descr.count = NRewards; descr.activation = None; descr.optimization = ADAM; if(!critic.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer class="num">7 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronFreDFOCL; descr.window = NRewards; descr.count = class="num">1; descr.step = class="type">int(false); descr.probability = class="num">0.8f; descr.activation = None; descr.optimization = ADAM; if(!critic.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- class="kw">return true; }
◍ EURUSD H1 上的真盘回测与退化现象
把前面实现的方法接到真实数据上跑，训练集取 EURUSD 2023 全年 H1 历史，在 MT5 策略测试器里用环境交互 EA 采数据。首次启动模型参数随机，出来的策略基本是纯随机、远非最优，所以采源数据时建议走 Real-ORL 思路补可盈利样本。 编码器先单独练：在图表上跑 .../MLKV/StudyEncoder.mq5，只吃训练集、扒价格历史里的依赖关系。一次通验通常就够，和交易盈亏无关；盯预测误差，不降了就停、不再更数据集。扮演者和评论者后面用的是编码器隐藏态里的趋势与强度，不是原始行情。 第二阶段是迭代的：金融市场变体太多，不可能穷举交互。所以每训若干轮扮演者/评论者，就切回环境用当前政策采一轮新数据补集，再接着训。干轮交替后，政策才趋稳。 测试集用 2023 年 1 月、未进训练的数据，其余参数沿用。结果偏冷：新数据盈利波动贴近 0，最大和平均盈利略高于对应亏损，但 44.4% 胜率没能在测试期翻正。作者原论文提过的模型退化，在这里明显拖了后腿。外汇与贵金属属高风险品种，此类 RL 政策回测失效并不罕见，上 MT5 自跑前先预设可亏区间。
内存与精度只能二选一
MLKV 把原本每层独立的 KV 缓存摊到多层共享，MT5 里跑真实行情数据回测时，显存占用和训练开销确实下来了，但模型在拐点识别上的表现同步走弱。 这种此消彼长不是偶发：我们实测里成本降得明显，预测误差却往上飘。外汇和贵金属杠杆高、滑点凶，拿精简后的模型直接跟实盘，风险会被放大。 落地的折衷办法很具体——先在小周期 EURUSD 上用 MQL5 训两个版本，一个标准 KV、一个 MLKV，对比二者信号延迟和回撤，再决定哪层该共享缓存。
「验证策略是否真学到东西」
判断一个随机策略网络到底训出了东西还是只在吐噪声，看方差收敛和多次复跑的一致性就够了。训练时每个动作会同时拟合均值与散布方差两个参数，随着迭代均值逼向最优、方差倾向归零，这时同一套权重跑多遍，结果差异应该很小。 如果代理实质还在随机出信号，多次测试的资金曲线或决策分布会大相径庭；训练充分的策略复跑差异微不足道。这个办法不依赖肉眼看图，直接在 MT5 里对同一 EA 权重做 10 次以上回测就能自证。 外汇与贵金属行情高波动、易跳空，即便网络方差趋零也只是概率上更稳，不等于实盘无风险，拿去跑之前先用历史数据做样本外验证。