交易中的神经网络：用于时间序列预测的轻量级模型（基础篇）
◍ 用轻量神经网络给行情时间序列做预测
在 MT5 里跑时间序列预测，没必要一上来就堆深层网络。Dmitriy Gizlyk 于 2025 年 3 月 4 日发布的这篇交易系统文章，核心是用轻量级神经网络处理价格序列，原文在发布当日即获得 847 次查看、0 条评论，说明这类极简模型在社群里还偏冷门。 轻量模型通常指层数少、参数量可控的前馈或简单循环结构，好处是过拟合概率低，在 1 分钟到 1 小时周期的外汇与贵金属行情上，推理延迟能压到可接受范围。但外汇和贵金属属高杠杆高风险品种，任何预测信号都只是概率倾向，不能直接当方向指令。 实操上，你可以先拿 EURUSD 的 H1 收盘价做标准化，再喂给一个单隐藏层网络试水，观察预测值与真实值的残差分布，再决定是否加层。
把周期拆开，预测反而更轻
做外汇或贵金属交易，长期盯盘的人都有个体感：欧美盘与亚盘的价格节奏常常不一样，同一根日K在不同时段拆开看，子序列的趋势有连续性。这说明货币对走势里嵌着周期性，而趋势被时段切分后，会从“整段方向”变成“子段内的特征”。 有篇关于 SparseTSF 的研究把这件事推到极致：它不堆参数，而是先把输入按固定周期切成多条降采样子序列，再只去预测“周期间的变化”。原文给出的模型规模约 1000 个参数，就能跑长期时间序列预测，和主流大模型思路完全相反。 对 MT5 用户来说，这带来两个可验证的点。第一，周期和趋势被强制分离后，模型不容易被某段异常波动带偏，捕捉周期更稳；第二，参数压到千级，本地用脚本回测 EURUSD 的 H1 离散时段序列，普通笔记本也能跑，不用租 GPU。外汇与贵金属杠杆高、时段风险大，这类轻量思路只是降低计算门槛，不预示任何胜率。
「跨周期稀疏预测怎么用单线性层压住长程依赖」
长期预测要把视野 H 拉长，才够提前量，但 H 一大，模型参数量和训练负担就飙。SparseTSF 的思路是：不堆结构，只用一个线性层，靠周期先验把问题压扁。 它先假定序列长度 L、已知周期 w，把原序列降采样成 w 条子序列，每条长 n=L/w。对这些子序列跑同一套参数的预测，得到 w 条长 m=H/w 的预测子序列，拼起来就是完整长度为 H 的预报。技术上等价于把 X_t 重塑成 n*w 再转置为 w*n，对最后一维套一个 n*m 的线性层，出来 w*m 再逆操作上采样回 H。 直接抽每周期一个点会丢信息，还容易被极端值带偏。作者在稀疏预测前加了一道滑动聚合：用带零填充的卷积层，把周期内邻近点揉成一个聚合点，既补了上下文，又靠加权平均吃掉异常值影响。 训练集和测试集分布常漂移，原文采用最简归一化——进模型前减序列均值，预测完把均值加回去。外汇与贵金属行情周期常被事件打断，这种轻量归一在 MT5 回测里可作为 baseline 先跑通再谈改进。
◍ 在 MT5 里搭一个 SparseTSF 预测层
把 SparseTSF 落到 MQL5，核心是新建一个从 CNeuronBaseOCL 继承的 CNeuronSparseTSF 类。类里静态挂了 2 个卷积层（cConvolution 做周期聚合，cForecast 做跨期预测）和 4 个转置层 acTranspose[4]，构造和析构都为空，真实初始化全丢进 Init 方法。 Init 接收四个关键参数：sequence（输入序列长）、variables（多变量里的单变量数）、period（周期性）、forecast（预测深度）。硬约束是 sequence 和 forecast 必须都是 period 的整数倍，否则张量整形会直接错位。父类初始化时层尺寸按 forecast*variables 给，内部对象则按前馈顺序挨个起：先 Lv 转置成 vL，再用步长=period、核数=period 的卷积在单变量内聚合两个周期的数据。 离散化阶段只声明性改维、不搬内存，但转置要真做；第二次转置把缓冲排成 w*(L/w*v)，把每个周期阶段拆开。预测卷积的窗口与步长都是 sequence/period，滤波器数=forecast/period，一次前馈直接出整段预测；激活函数用 tanh，把输出压在 [-1, 1]。最后再用两层转置逆排，并替换结果/梯度缓冲区指针，免掉多余拷贝。 feedForward 里只把前层指针扔给第一个转置层，后续串起聚合、残差加原始转置、离散化转置、预测卷积、逆转置。calcInputGradients 逆序走，残差处梯度走两路求和；updateInputWeights 只调两个卷积层的同名方法，转置层无参可训。 把类塞进 Encoder 时，架构很薄：全连接层进原始数据 → 批归一化 → SparseTSF 层。用 H1 历史训测时，period 设 24 对应一个自然日；同周期测不同模型能压住外部变量干扰。SparseTSF 本身轻量，加批归一化提取的分布指标就能出预测，再接 FreDF 对齐频率。外汇与贵金属杠杆高，这套仅作概率性方向参考，实盘前务必在 MT5 用历史数据回测验证。
class CNeuronSparseTSF : class="kw">public CNeuronBaseOCL { class="kw">protected: CNeuronConvOCL cConvolution; CNeuronTransposeOCL acTranspose[class="num">4]; CNeuronConvOCL cForecast; class=class="str">"cmt">//--- class="kw">virtual class="type">bool feedForward(CNeuronBaseOCL *NeuronOCL) class="kw">override; class=class="str">"cmt">//--- class="kw">virtual class="type">bool calcInputGradients(CNeuronBaseOCL *NeuronOCL) class="kw">override; class="kw">virtual class="type">bool updateInputWeights(CNeuronBaseOCL *NeuronOCL) class="kw">override; class="kw">public: CNeuronSparseTSF(class="type">void) {}; ~CNeuronSparseTSF(class="type">void) {}; class=class="str">"cmt">//---