交易中的神经网络：时空神经网络（STNN）·综合运用
（3/3）· 前两篇铺垫了理论与结构，这一篇把编码器-解码器真正落到回测与实盘诊断
自编码器训练循环里的反向传播与超时打印
这段逻辑处在自编码器离线训练的主循环尾部，负责把目标状态灌入解码器做反向传播，并顺带把编码器的梯度回传清零。任何一步 AssignArray 或 backProp 失败，就置 Stop 并 break，避免脏权重写回模型。 Decoder.backProp(Result, GetPointer(Encoder)) 与 Encoder.backPropGradient((CBufferFloat*)NULL) 是前后脚调用的：前者用编码器的指针更新解码器误差，后者以空梯度缓冲收尾编码器侧计算。若返回 false，立即 PrintFormat 打出函数名与行号，方便在 MT5 Experts 日志里定位断层。 训练进度不是每次迭代都刷，而是用 GetTickCount() 做节流——距上次打印超过 500 毫秒才更新。此时按 iter / Iterations 算百分比，用 Comment 在图表左上角显示形如「Decoder 12.34% -> Error 0.00123456」的字符串，实盘跑时眼睛不用切到日志窗。 循环结束清掉 Comment("")，随后 PrintFormat 输出最终 Decoder 平均误差（精度 10.7f），并调 ExpertRemove() 自卸脚本。外汇与贵金属历史样本训练涉及极高杠杆风险，模型误差低不代表实盘能规避回撤，验证前先用小额或模拟盘跑通整链。
break; } class=class="str">"cmt">//--- Collect target data mstate.Assign(Buffer[tr].States[i + NForecast].state); mstate.Reshape(HistoryBars, BarDescr); mstate.Resize(NForecast, ForecastBarDescr); if(!Result.AssignArray(mstate)) class="kw">continue; if(!Decoder.backProp(Result, GetPointer(Encoder))) { PrintFormat("%s -> %d", __FUNCTION__, __LINE__); Stop = true; break; } if(!Encoder.backPropGradient((CBufferFloat*)NULL)) { 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", "Decoder", percent, Decoder.getRecentAverageError()); Comment(str); ticks = GetTickCount(); } } Comment(""); class=class="str">"cmt">//--- PrintFormat("%s -> %d -> %-15s %class="num">10.7f", __FUNCTION__, __LINE__, "Decoder", Decoder.getRecentAverageError()); ExpertRemove(); class=class="str">"cmt">//--- }
「EURUSD 实盘前测：STNN 在 H1 上的落空」
我们用 EURUSD 2023 全年 H1 历史数据训练时空信息 STNN 模型，再取 2024 年 1 月数据在 MT5 策略测试器里做测试。测试段紧接训练段之后，尽量贴近真实推断环境。 训练只吃历史价格与指标序列，不掺个体动作，所以环境编码器无需反复刷新数据集。跑到预测误差走平就停，但结果挺尴尬：模型只勉强指出趋势大方向，数值上的微小波动小到图表根本画不出来。 这就引出个硬问题——这种幅度的波动，够不够给参与者搭出能盈利的策略？我们按周期更新训练集，迭代训参与者和评论者，本意是压住策略偏移，但测试集上始终没训出持续盈利的参与者策略。 外汇与贵金属属高风险品种，模型回测失手不代表某种方法无效，但至少这套实现和原论文偏差不小，可能直接拖累了结果。开 MT5 用同段数据复跑，比看结论更有用。
◍ 实盘前必须知道的实现偏差
STNN 把多维变量的空间信息通过 STI 方程压进目标变量的时间维度，等价于把样本量做厚，对短周期数据稀薄的问题有一定缓解作用。持续注意力机制负责让模型在多层特征里挑重点，而不是平均对待每一维输入。 我们在 MT5 里用 MQL5 落地了这一思路，但必须点明：当前版本和原始论文算法存在重大偏差，回测或实盘看到的数值，不能直接等同于学术基准下的表现。 外汇与贵金属杠杆高、滑点跳空频繁，任何神经网络预测都只是概率倾向，建议先开 MT5 用历史数据跑通代码再谈仓位。
随包附带的八个文件各管什么
这套 LSTM 预测方案不是只给一段脚本，而是把样本采集、训练、推理拆成了可独立运行的模块。下载的 MQL5.zip（1473.08 KB）里一共 8 个文件，前 5 个是 EA，后 3 个是类库与 OpenCL 内核。 Research.mq5 与 ResearchRealORL.mq5 都是样本收集 EA，区别在后者用 Real ORL 方法处理样本；Study.mq5 做模型训练，StudyEncoder.mq5 单独训编码器；Test.mq5 负责把训好的模型跑测试。 类库层面，Trajectory.mqh 定义系统状态描述结构，NeuroNet.mqh 封装建网逻辑，NeuroNet.cl 则是 OpenCL 端的算核。想在 MT5 里复现，先把这八个文件原样丢进对应目录，缺任意一个都会编译报错。 外汇与贵金属市场高杠杆、高波动，这类神经网络方案仅提供概率倾向，实盘前务必用历史数据自测，别直接挂真金白银。