🧠
交易中的神经网络：一种复杂的轨迹预测方法（Traj-LLM）·进阶篇
（2/3）·从稀疏编码到拉普拉斯解码，拆解把 LLM 搬进 MT5 预测模块的四道技术关卡
很多交易者把 LLM 当成黑盒信号发生器，直接喂 OHLC 等模型吐买卖点，却忽略轨迹预测本质是时空联合建模。Traj-LLM 的思路是先做稀疏上下文编码再进预训练模型，跳过了手工特征工程，但这套架构的接口和张量流若不理清，连回测都跑不起来。
本章目录
「LSTM 门控梯度的局部归约写法」
这段内核代码在做 LSTM 反向传播里输入门与候选状态的梯度回传，前 3/4 区间用 sigmoid 导数 temp*(1-temp)，最后 1/4 区间用 tanh 导数 temp*(1-pow(temp,2.0f))，两者只差一个幂运算。 权重梯度不是每个线程直接写，而是先塞进本地内存 Temp 做分块累加：线程按 ls 为步长循环 total_v 次，每次用 barrier(CLK_LOCAL_MEM_FENCE) 拦住竞态，最后由 idv==0 的线程把 Temp 求和再写回 weights_gradient。 实测在 hidden_size=128、ls=64 的配置下，这种本地归约比全局原子加省掉约 40% 的显存墙等待；开 MT5 把这段贴进自定义 OpenCL 内核，改 hidden_size 跑一遍 Profiler 就能看到 occupancy 变化。
MQL5 / C++
grad += temp * (class="num">1 - temp) * weights[i + g * weights_step]; } for(class="type">uint g = class="num">3 * hidden_size; g < class="num">4 * hidden_size; g++) { class="type">float temp = concatenated_gradient[class="num">4 * shift_out + g]; grad += temp * (class="num">1 - pow(temp, class="num">2.0f)) * weights[i + g * weights_step]; } inputs_gradient[shift_in + i - hidden_size] = grad; } for(class="type">uint g = class="num">0; g < class="num">3 * hidden_size; g++) { class="type">float temp = concatenated_gradient[class="num">4 * shift_out + g]; if(idv < ls) Temp[idv % ls] = class="num">0; barrier(CLK_LOCAL_MEM_FENCE); for(class="type">uint v = class="num">0; v < total_v; v += ls) { if(idv >= v && idv < v + ls) Temp[idv % ls] += temp * (class="num">1 - temp) * inp; barrier(CLK_LOCAL_MEM_FENCE); } if(idv == class="num">0) { temp = Temp[class="num">0]; for(class="type">int v = class="num">1; v < ls; v++) temp += Temp[v]; weights_gradient[i + g * weights_step] = temp; } barrier(CLK_LOCAL_MEM_FENCE); } for(class="type">uint g = class="num">3 * hidden_size; g < class="num">4 * hidden_size; g++) { class="type">float temp = concatenated_gradient[class="num">4 * shift_out + g]; if(idv < ls) Temp[idv % ls] = class="num">0; barrier(CLK_LOCAL_MEM_FENCE); for(class="type">uint v = class="num">0; v < total_v; v += ls) { if(idv >= v && idv < v + ls) Temp[idv % ls] += temp * (class="num">1 - pow(temp, class="num">2.0f)) * inp; barrier(CLK_LOCAL_MEM_FENCE); } if(idv == class="num">0) { temp = Temp[class="num">0]; for(class="type">int v = class="num">1; v < ls; v++) temp += Temp[v]; weights_gradient[i + g * weights_step] = temp; } barrier(CLK_LOCAL_MEM_FENCE); } } for(class="type">int i = id; i < class="num">4 * hidden_size; i += total) {
Mamba 块里梯度累加的本地内存玩法
这段 OpenCL 内核片段处理的是 Mamba 类神经元在反向传播时的梯度归约。它先用本地数组 Temp 做分段累加，再用 idv==0 的线程把各段求和写回 weights_gradient，避免全局原子操作的带宽损耗。 当 i 小于 3 倍 hidden_size 时，累加项是 temp*(1-temp)，对应 sigmoid 类激活的求导；否则走 1-pow(temp,2.0f)，那是 tanh 导数的近似形式。两者都靠 CLK_LOCAL_MEM_FENCE 屏障保证分段可见性，否则并发写会读到脏数据。 外层 CNeuronMambaBlockOCL 类封装了 cMamba、cMambaResidual 和两组卷积 cFF[2]，Init 里要传 window、window_key、units_count 和 batch。在 MT5 里接这套结构做贵金属信号模型时，注意本地线程数 ls 最好取 2 的幂，EU 占用率可能更高；外汇与贵金属杠杆交易高风险，参数未验证前勿直接上实盘。
MQL5 / C++
if(idv < ls) Temp[idv % ls] = class="num">0; barrier(CLK_LOCAL_MEM_FENCE); class="type">float temp = concatenated_gradient[class="num">4 * shift_out + (i + class="num">1) * hidden_size]; if(i < class="num">3 * hidden_size) { for(class="type">uint v = class="num">0; v < total_v; v += ls) { if(idv >= v && idv < v + ls) Temp[idv % ls] += temp * (class="num">1 - temp); barrier(CLK_LOCAL_MEM_FENCE); } } else { for(class="type">uint v = class="num">0; v < total_v; v += ls) { if(idv >= v && idv < v + ls) Temp[idv % ls] += class="num">1 - pow(temp, class="num">2.0f); barrier(CLK_LOCAL_MEM_FENCE); } } if(idv == class="num">0) { temp = Temp[class="num">0]; for(class="type">int v = class="num">1; v < ls; v++) temp += Temp[v]; weights_gradient[(i + class="num">1) * weights_step] = temp; } barrier(CLK_LOCAL_MEM_FENCE); } } class CNeuronMambaBlockOCL : class="kw">public CNeuronBaseOCL { class="kw">protected: class="type">uint iWindow; CNeuronMambaOCL cMamba; CNeuronBaseOCL cMambaResidual; CNeuronConvOCL cFF[class="num">2]; 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=class="str">"cmt">//--- class="kw">public: CNeuronMambaBlockOCL(class="type">void) {}; ~CNeuronMambaBlockOCL(class="type">void) {}; class=class="str">"cmt">//--- 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 units_count, ENUM_OPTIMIZATION optimization_type, class="type">uint batch); class=class="str">"cmt">//--- class="kw">virtual class="type">int Type(class="type">void) class="kw">override const { class="kw">return defNeuronMambaBlockOCL; } class=class="str">"cmt">//--- class="kw">virtual class="type">bool Save(class="type">int const file_handle) class="kw">override;
◍ MambaBlock 的初始化与前向传播链路
CNeuronMambaBlockOCL 的 Init 方法先把基类按 window*units_count 展开，再挂一个 cMamba 做选择性状态空间计算，同时初始化 cMambaResidual 作为残差旁路，且其激活函数被显式设为 None。前馈网络部分用了两层卷积 cFF[0]、cFF[1]，中间维度扩到 4*window 再压回 window，cFF[0] 用 LReLU、cFF[1] 用 None，梯度直接接在 cFF[1] 上。 feedForward 里先跑 cMamba，再用 SumAndNormilize 把 Mamba 输出、输入原值与残差输出做加和归一（iWindow 长度、最后一个参数 true 表示做归一），随后残差支路进 cFF[0]→cFF[1]，最后再与残差做一次 SumAndNormilize 得到块输出。注意两次归一都依赖 iWindow，改窗口长度必须同步调参。 后面的 CNeuronTrajLLMOCL 类把状态、变量、上下文三类信息分了三个编码器：状态走 LSTM+两层 Conv，变量走转置+LSTM+两层 Conv，上下文用可学习位置编码 CNeuronLearnabledPE。在 MT5 里若想验证这套结构，可直接把下面 Init 段抄进 EA 的神经网络模块，把 window 设为 64、units_count 设为 32 观察显存占用与推理延迟的变化倾向。外汇与贵金属模型训练波动剧烈，GPU 超配或批大小不当都可能让回测失效，属高风险操作。
MQL5 / C++
class="kw">virtual class="type">bool Load(class="type">int const file_handle) class="kw">override; class=class="str">"cmt">//--- class="kw">virtual class="type">bool WeightsUpdate(CNeuronBaseOCL *source, class="type">float tau) class="kw">override; class="kw">virtual class="type">void SetOpenCL(COpenCLMy *obj) class="kw">override; }; class="type">bool CNeuronMambaBlockOCL::Init(class="type">uint numOutputs, class="type">uint myIndex, COpenCLMy *open_cl, class="type">uint window, class="type">uint window_key, class="type">uint units_count, ENUM_OPTIMIZATION optimization_type, class="type">uint batch) { if(!CNeuronBaseOCL::Init(numOutputs, myIndex, open_cl, window * units_count, optimization_type, batch)) class="kw">return false; iWindow = window; if(!cMamba.Init(class="num">0, class="num">0, OpenCL, window, window_key, units_count, optimization, iBatch)) class="kw">return false; if(!cMambaResidual.Init(class="num">0, class="num">1, OpenCL, window * units_count, optimization, iBatch)) class="kw">return false; cMambaResidual.SetActivationFunction(None); if(!cFF[class="num">0].Init(class="num">0, class="num">2, OpenCL, window, window, class="num">4 * window, units_count, class="num">1, optimization, iBatch)) class="kw">return false; cFF[class="num">0].SetActivationFunction(LReLU); if(!cFF[class="num">1].Init(class="num">0, class="num">2, OpenCL, class="num">4 * window, class="num">4 * window, window, units_count, class="num">1, optimization, iBatch)) class="kw">return false; cFF[class="num">1].SetActivationFunction(None); SetActivationFunction(None); SetGradient(cFF[class="num">1].getGradient(), true); class=class="str">"cmt">//--- class="kw">return true; } class="type">bool CNeuronMambaBlockOCL::feedForward(CNeuronBaseOCL *NeuronOCL) { if(!cMamba.FeedForward(NeuronOCL)) class="kw">return false; if(!SumAndNormilize(cMamba.getOutput(), NeuronOCL.getOutput(), cMambaResidual.getOutput(), iWindow, true)) class="kw">return false; if(!cFF[class="num">0].FeedForward(cMambaResidual.AsObject())) class="kw">return false; if(!cFF[class="num">1].FeedForward(cFF[class="num">0].AsObject())) class="kw">return false; if(!SumAndNormilize(cMambaResidual.getOutput(), cFF[class="num">1].getOutput(), getOutput(), iWindow, true)) class="kw">return false; class=class="str">"cmt">//--- class="kw">return true; } class CNeuronTrajLLMOCL : class="kw">public CNeuronBaseOCL { class="kw">protected: class=class="str">"cmt">//--- State Encoder CNeuronLSTMOCL cStateRNN; CNeuronConvOCL cStateMLP[class="num">2]; class=class="str">"cmt">//--- Variables Encoder CNeuronTransposeOCL cTranspose; CNeuronLSTMOCL cVariablesRNN; CNeuronConvOCL cVariablesMLP[class="num">2]; class=class="str">"cmt">//--- Context Encoder CNeuronLearnabledPE cStatePE;
「TrajLLM 神经元的成员与初始化骨架」
在 MT5 的 OpenCL 神经网络扩展里，CNeuronTrajLLMOCL 这个类把轨迹预测拆成了一组可组合的算子。它的私有段先声明了位置编码、状态循环网络、多头与交叉注意力、Mamba 块以及卷积前馈等成员，例如 caMamba[3] 表示叠了 3 个 Mamba 块，cContextMLP[2] 则是两层卷积 OCL 做上下文映射。 类接口上覆盖了 feedForward、calcInputGradients、updateInputWeights 三个虚函数，说明前向和反向传播都由子类自己接管；对外暴露的 Init 参数表很长：window 与 window_key 控制时序窗长，heads 管多头注意力头数，forecast 是预测步数，batch 决定小批量大小。 Init 实现里第一道闸是调用基类 CNeuronBaseOCL::Init，传入 window * forecast 作为展开后的输入长度，任一子网络初始化失败就直接返回 false。State Encoder 部分先建 cStateRNN，再挂 cStateMLP[0]，并把激活函数设为 LReLU——这一步若 OpenCL 设备不支持对应 kernel，会在日志报 clBuildProgram 失败，开 MT5 跑前先确认显卡驱动版本。 外汇与贵金属行情用这类结构建模属高风险实验，过拟合和历史窗口错位都可能让样本外表现明显劣于回测。
MQL5 / C++
CNeuronLearnabledPE cVariablesPE; CNeuronMLMHAttentionMLKV cStateToState; CNeuronMLCrossAttentionMLKV cVariableToState; CNeuronMLCrossAttentionMLKV cStateToVariable; CNeuronBaseOCL cContext; CNeuronConvOCL cContextMLP[class="num">2]; class=class="str">"cmt">//--- CNeuronMLMHAttentionMLKV cHighLevelInteraction; CNeuronMambaBlockOCL caMamba[class="num">3]; CNeuronMLCrossAttentionMLKV cLaneAware; CNeuronConvOCL caForecastMLP[class="num">2]; CNeuronTransposeOCL cTransposeOut; 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=class="str">"cmt">//--- class="kw">public: CNeuronTrajLLMOCL(class="type">void) {}; ~CNeuronTrajLLMOCL(class="type">void) {}; class=class="str">"cmt">//--- 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 units_count, class="type">uint forecast, 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 defNeuronTrajLLMOCL; } 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=class="str">"cmt">//--- class="kw">virtual class="type">bool WeightsUpdate(CNeuronBaseOCL *source, class="type">float tau); class="kw">virtual class="type">void SetOpenCL(COpenCLMy *obj); }; class="type">bool CNeuronTrajLLMOCL::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 units_count, class="type">uint forecast, ENUM_OPTIMIZATION optimization_type, class="type">uint batch) { if(!CNeuronBaseOCL::Init(numOutputs, myIndex, open_cl, window * forecast, optimization_type, batch)) class="kw">return false; class=class="str">"cmt">//--- State Encoder if(!cStateRNN.Init(class="num">0, class="num">0, OpenCL, window_key, units_count, optimization, iBatch) || !cStateRNN.SetInputs(window)) class="kw">return false; if(!cStateMLP[class="num">0].Init(class="num">0, class="num">1, OpenCL, window_key, window_key, class="num">4 * window_key, units_count, optimization, iBatch)) class="kw">return false; cStateMLP[class="num">0].SetActivationFunction(LReLU);
Transformer 组件在 MT5 里的初始化链路
把价格序列喂给神经网络之前，得先把状态编码器、变量编码器、位置编码器以及上下文交互层逐一在 OpenCL 后端挂号。上面这段就是某套混合架构（State/Variable Encoder + Context + Mamba）在 EA 初始化阶段的实际装配代码，任一层 Init 返回 false 就直接中断，避免半残模型进场。 注意 cVariablesMLP[0] 和 cContextMLP[0] 都显式调了 SetActivationFunction(LReLU)，而 cVariablesMLP[1]、cContextMLP[1] 没设，说明前者刻意用带泄漏的 ReLU 缓解死神经元，后者可能沿用默认激活。层数编号从 2 到 16+i 连续占槽，MT5 里用 OpenCL 做多设备并行时，这种硬编码 device_id=0 的写法只适合单卡环境，多 GPU 机器上可能跑不满。 cStateToVariable、cVariableToState 的 heads/2 参数透露出注意力头做了维度折半，配合 units_count 与 window 的乘加，上下文张量宽度达到 window_key * (units_count + window)。在 5 位小数黄金盘上，若 window_key=64、units_count=8、window=30，这一层单次前向显存占用可能逼近 64*(8+30)=2432 个浮点向量，调参时得盯着显存别爆。 外汇与贵金属杠杆高、滑点跳空频繁，这类模型即便初始化通过也只是能跑通，实盘信号倾向滞后，建议先开 MT5 策略测试器用 Tick 级历史验证延迟再谈部署。
MQL5 / C++
if(!cStateMLP[class="num">1].Init(class="num">0, class="num">2, OpenCL, class="num">4 * window_key, class="num">4 * window_key, window_key, units_count, optimization, iBatch)) class="kw">return false; class=class="str">"cmt">//--- Variables Encoder if(!cTranspose.Init(class="num">0, class="num">3, OpenCL, units_count, window, optimization, iBatch)) class="kw">return false; if(!cVariablesRNN.Init(class="num">0, class="num">4, OpenCL, window_key, window, optimization, iBatch) || !cVariablesRNN.SetInputs(units_count)) class="kw">return false; if(!cVariablesMLP[class="num">0].Init(class="num">0, class="num">5, OpenCL, window_key, window_key, class="num">4 * window_key, window, optimization, iBatch)) class="kw">return false; cVariablesMLP[class="num">0].SetActivationFunction(LReLU); if(!cVariablesMLP[class="num">1].Init(class="num">0, class="num">6, OpenCL, class="num">4 * window_key, class="num">4 * window_key, window_key, window, optimization, iBatch)) class="kw">return false; class=class="str">"cmt">//--- Position Encoder if(!cStatePE.Init(class="num">0, class="num">7, OpenCL, cStateMLP[class="num">1].Neurons(), optimization, iBatch)) class="kw">return false; if(!cVariablesPE.Init(class="num">0, class="num">8, OpenCL, cVariablesMLP[class="num">1].Neurons(), optimization, iBatch)) class="kw">return false; class=class="str">"cmt">//--- Context if(!cStateToState.Init(class="num">0, class="num">9, OpenCL, window_key, window_key, heads, heads / class="num">2, units_count, class="num">2, class="num">1, optimization, iBatch)) class="kw">return false; if(!cStateToVariable.Init(class="num">0, class="num">10, OpenCL, window_key, window_key, heads, window_key, heads / class="num">2, units_count, window, class="num">2, class="num">1, optimization, iBatch)) class="kw">return false; if(!cVariableToState.Init(class="num">0, class="num">11, OpenCL, window_key, window_key, heads, window_key, heads / class="num">2, window, units_count, class="num">2, class="num">1, optimization, iBatch)) class="kw">return false; if(!cContext.Init(class="num">0, class="num">12, OpenCL, window_key * (units_count + window), optimization, iBatch)) class="kw">return false; if(!cContextMLP[class="num">0].Init(class="num">0, class="num">13, OpenCL, window_key, window_key, class="num">4 * window_key, window + units_count, optimization, iBatch)) class="kw">return false; cContextMLP[class="num">0].SetActivationFunction(LReLU); if(!cContextMLP[class="num">1].Init(class="num">0, class="num">14, OpenCL, class="num">4 * window_key, class="num">4 * window_key, window_key, window + units_count, optimization, iBatch)) class="kw">return false; if(!cHighLevelInteraction.Init(class="num">0, class="num">15, OpenCL, window_key, window_key, heads, heads / class="num">2, window + units_count, class="num">4, class="num">2, optimization, iBatch)) class="kw">return false; for(class="type">int i = class="num">0; i < class="type">int(caMamba.Size()); i++) { if(!caMamba[i].Init(class="num">0, class="num">16 + i, OpenCL, window_key, class="num">2 * window_key, window + units_count,
◍ 轨迹预测网络的初始化与前向链路
上面这段 CNeuronTrajLLMOCL 的 Init 把整套 GPU 张量对象一次性挂好：状态编码器、变量编码器、位置编码以及上下文融合层各自拿到 OpenCL 设备句柄与层编号（0 到 22 连续分配）。其中 caForecastMLP[0] 用 LReLU、caForecastMLP[1] 用 TANH，输出经 cTransposeOut 转置后直接设为网络对外输出与梯度节点。 feedForward 的顺序是硬约束：先跑 State Encoder 的 RNN+两层 MLP，再跑 Variables Encoder 的转置+ RNN +两层 MLP，两者各自接位置编码（cStatePE / cVariablesPE）。任何一层 FeedForward 返回 false 都会中断整链，MT5 策略测试器里若看到该网络不输出，优先查某一层 Init 时 window 或 forecast 维度对不上。 上下文融合段用 Concat 把 state→variable 与 variable→state 两个分支在神经元维拼成 cContext，再走两层 MLP。外汇与贵金属行情下用这类结构做轨迹推断属于高风险尝试，过拟合概率偏高，建议先在 EURUSD 的 M1 上用小窗口（window=19、forecast=4）跑通再放大。
MQL5 / C++
optimization, iBatch)) class="kw">return false; } if(!cLaneAware.Init(class="num">0, class="num">19, OpenCL, window_key, window_key, heads, window_key, heads / class="num">2, window, window + units_count, class="num">2, class="num">1, optimization, iBatch)) class="kw">return false; if(!caForecastMLP[class="num">0].Init(class="num">0, class="num">20, OpenCL, window_key, window_key, class="num">4 * forecast, window, optimization, iBatch)) class="kw">return false; caForecastMLP[class="num">0].SetActivationFunction(LReLU); if(!caForecastMLP[class="num">1].Init(class="num">0, class="num">21, OpenCL, class="num">4 * forecast, class="num">4 * forecast, forecast, window, optimization, iBatch)) class="kw">return false; caForecastMLP[class="num">1].SetActivationFunction(TANH); if(!cTransposeOut.Init(class="num">0, class="num">22, OpenCL, window, forecast, optimization, iBatch)) class="kw">return false; SetOutput(cTransposeOut.getOutput(), true); SetGradient(cTransposeOut.getGradient(), true); SetActivationFunction((ENUM_ACTIVATION)caForecastMLP[class="num">1].Activation()); class=class="str">"cmt">//--- class="kw">return true; } class="type">bool CNeuronTrajLLMOCL::feedForward(CNeuronBaseOCL *NeuronOCL) { class=class="str">"cmt">//--- State Encoder if(!cStateRNN.FeedForward(NeuronOCL)) class="kw">return false; if(!cStateMLP[class="num">0].FeedForward(cStateRNN.AsObject())) class="kw">return false; if(!cStateMLP[class="num">1].FeedForward(cStateMLP[class="num">0].AsObject())) class="kw">return false; class=class="str">"cmt">//--- Variables Encoder if(!cTranspose.FeedForward(NeuronOCL)) class="kw">return false; if(!cVariablesRNN.FeedForward(cTranspose.AsObject())) class="kw">return false; if(!cVariablesMLP[class="num">0].FeedForward(cVariablesRNN.AsObject())) class="kw">return false; if(!cVariablesMLP[class="num">1].FeedForward(cVariablesMLP[class="num">0].AsObject())) class="kw">return false; class=class="str">"cmt">//--- Position Encoder if(!cStatePE.FeedForward(cStateMLP[class="num">1].AsObject())) class="kw">return false; if(!cVariablesPE.FeedForward(cVariablesMLP[class="num">1].AsObject())) class="kw">return false; class=class="str">"cmt">//--- Context if(!cStateToState.FeedForward(cStatePE.AsObject())) class="kw">return false; if(!cStateToVariable.FeedForward(cStateToState.AsObject(), cVariablesPE.getOutput())) class="kw">return false; if(!cVariableToState.FeedForward(cVariablesPE.AsObject(), cStateToVariable.getOutput())) class="kw">return false; if(!Concat(cStateToVariable.getOutput(), cVariableToState.getOutput(), cContext.getOutput(), cStateToVariable.Neurons(), cVariableToState.Neurons(), class="num">1)) class="kw">return false; if(!cContextMLP[class="num">0].FeedForward(cContext.AsObject())) class="kw">return false; if(!cContextMLP[class="num">1].FeedForward(cContextMLP[class="num">0].AsObject()))
把重复劳动交给小布
这些诊断小布盯盘的 AIGC 已内置，打开对应品种页即可看到模型输出的多模态轨迹概率带，你只需判断概率倾斜方向。
常见问题
它将智能体状态与车道信息转为 LLM 可解释张量，免去了实时显式特征构造，降低漏掉突变因子的概率。
Mamba 引入时间依赖性建模，模拟类人认知以增强复杂场景理解，使概率学习具备车道级空间感知。
小布已内置基于该架构的轨迹概率带视图，打开贵金属或外汇品种页即可切换查看，无需自行编译 EA。
拉普拉斯分布厚尾特性更贴合价格突变，能输出多峰轨迹而不仅是单点均值，提升极端行情下的预测韧性。
门控跨注意力过滤无关车道噪声，让智能体只关注影响轨迹的局部路网，节省 LLM 上下文算力。