交易中的神经网络：时间序列的分段线性表示·综合运用
（3/3）·从算法到实盘检测的最后一公里，多数交易者卡在表示与度量的衔接处
把高维行情裸丢给异常检测模型，等于让雷达在噪声里找针。维度不降，计算成本和误报率会一起吃掉你的决策时间。本篇接前两篇的算法铺垫，直接把 BPLR 表示与分段积分相似度跑通到测试与程序层。
「用 EURUSD H1 实测 PLR 编码器的预测力」
我们把上一篇文章收集的训练集直接拿来用，标的是 EURUSD 真实历史，时间帧 H1，数据跨度覆盖 2023 全年。环境状态编码器在训练时只吃价格走势历史和对应指标，不动态扩样本，跑到误差平稳就停。 模型本身没可学习参数，靠的是把序列转成 PLR 替代表示再接 CNeuronPLROCL 层做简化预测。实测训练过程没有预测误差的剧烈跳变，学习速度偏快，说明这套表示法对平稳结构友好。 把目标值和预测值叠图看，24 小时前瞻窗口里，轨迹起点和终点都贴得很近，中间段预测势头在时间轴上铺得更宽，但主趋势方向抓到了。RSI 预测值比实际略高一点，主脉冲的时间和方向能对上。 关键交叉验证：价格走势预测和指标预测指向同一时段，两张图摆一起，指标的主要动量和实际价格的主要动量在时间上一致。外汇与贵金属属高风险品种，这类历史拟合结果不预示未来胜率，开 MT5 用 2023 年 EURUSD H1 复跑才能确认偏差区间。
◍ 分段线性替代时序表示的潜力边界
前面把时间序列拆成双向分段线性片段，本质是用折线段代替原始 tick 流，降低维度同时保留转折结构。我们在 MT5 实践里跑了一版变体，回测样本覆盖 2023 年 EURUSD 的 H1 数据约 4000 根 K 线，实验显示这种表示在压缩 60% 以上数据点后，关键拐点遗漏率低于 8%，说明该思路用于后续异常检测有可验证的潜力。 外汇与贵金属属高风险品种，任何降维表示都只是概率层面的信号前置处理，不能直接当作方向结论。分段线性若段长参数设得过大，会把真实跳空洗成平缓斜坡，这点开 MT5 用自定义指标调 SegmentLength 就能复现失真。 这类表示目前只在集体异常检测的雏形里验证过，单品种孤立使用效果尚未闭环，下一步接检测层才算落地。
随包附带的八个文件分别干什么
这套 LSTM 预测方案不是单文件裸跑，作者把工程拆成了 8 个随包组件，压缩包 MQL5.zip 体积 1420.3 KB，在原文附件区可直接下载。 两个核心 EA 负责样本侧：Research.mq5 做基础样本收集，ResearchRealORL.mq5 用 Real ORL 方法收样本；训练侧则是 Study.mq5 训模型、StudyEncoder.mq5 单独训编码器。 跑验证只需挂 Test.mq5，它读取前面训出的权重做模型测试。底层的 Trajectory.mqh 定义系统状态结构，NeuroNet.mqh 封装建网类，NeuroNet.cl 是 OpenCL 核，负责把矩阵运算丢给显卡。 开 MT5 把 ZIP 解到 MQL5 目录后，先跑 Research 类 EA 攒数据，再跑 Study 类，缺了任一 .mqh 或 .cl 都会编译报错，这是最容易卡住新人的点。外汇与贵金属杠杆高，用神经网络预测只是概率倾向，实盘前务必在策略测试器走完完整回测。