交易中的神经网络：统一轨迹生成模型（UniTraj）·综合运用
（3/3）·从蒙版轨迹到双向时态编码，一篇看清 UniTraj 怎么在 MT5 里跑通预测与补全
「训练循环里的异常断点与进度回传」
这段自编码训练循环里，最容易被忽略的是两处硬中断：只要状态数组写入失败或反向传播返回 false，就立刻置 Stop=true 并 break，跳出内层 batch 循环。这种写法意味着单样本污染会直接终止整轮迭代，而非跳过该样本，实盘加载前应当确认 bState.AddArray 与 Encoder.backProp 的失败阈值是否合理。 [CODE] { PrintFormat("%s -> %d", __FUNCTION__, __LINE__); Stop = true; break; } } //--- Collect target data if(!bState.AddArray(Result)) continue; if(!Encoder.backProp((CBufferFloat*)GetPointer(bState), (CBufferFloat*)NULL)) { PrintFormat("%s -> %d", __FUNCTION__, __LINE__); Stop = true; break; } //--- if(GetTickCount() - ticks > 500) { double percent = double(iter + b) * 100.0 / (Iterations); string str = StringFormat("%-14s %6.2f%% -> Error %15.8f\n", "Encoder", percent, Encoder.getRecentAverageError()); Comment(str); ticks = GetTickCount(); } } } Comment(""); //--- PrintFormat("%s -> %d -> %-15s %10.7f", __FUNCTION__, __LINE__, "Encoder", Encoder.getRecentAverageError()); ExpertRemove(); //--- } [/CODE] 进度显示逻辑卡在 GetTickCount()-ticks>500 这个 500 毫秒门槛：每过半秒才用 Comment 刷一次 Encoder 的平均误差（getRecentAverageError，精度 15.8f）。若你在 MT5 策略测试器里跑，把 500 调小到 100 可能更跟手，但会多吃 CPU；外汇与贵金属品种波动大，这类自编码误差仅反映样本内拟合度，外推预测能力可能随品种 regime 切换而衰减，属高风险验证。 循环结束后的 PrintFormat 把最终 Encoder 误差打到日志，紧接 ExpertRemove() 卸载 EA——说明该段本质是离线训练脚本，不是常驻信号发生器。复制代码后搜一下 ExpertRemove，确认没有在 OnTick 里误用，否则 EA 会只跑一次就自毁。
{
PrintFormat("%s -> %d", __FUNCTION__, __LINE__);
Stop = true;
break;
}
}
class=class="str">"cmt">//--- Collect target data
if(!bState.AddArray(Result))
class="kw">continue;
if(!Encoder.backProp((CBufferFloat*)GetPointer(bState), (CBufferFloat*)NULL))
{
PrintFormat("%s -> %d", __FUNCTION__, __LINE__);
Stop = true;
break;
}
class=class="str">"cmt">//---
if(GetTickCount() - ticks > class="num">500)
{
class="type">class="kw">double percent = class="type">class="kw">double(iter + b) * class="num">100.0 / (Iterations);
class="type">class="kw">string str = StringFormat("%-14s %class="num">6.2f%% -> Error %class="num">15.8f\n", "Encoder",
percent, Encoder.getRecentAverageError());
Comment(str);
ticks = GetTickCount();
}
}
}
Comment("");
class=class="str">"cmt">//---
PrintFormat("%s -> %d -> %-15s %class="num">10.7f", __FUNCTION__, __LINE__, "Encoder", Encoder.getRecentAverageError());
ExpertRemove();
class=class="str">"cmt">//---
}用 EURUSD 实盘历史验证 UniTraj 训练成效
训练阶段沿用了此前收集的数据集结构，仅改了编码器架构与训练流程，因此无需重新采集样本。我们取 EURUSD 整个 2023 年 H1 真实历史，指标全用默认值，先把环境状态编码器训到性能达标——模型不算轻量，耗时偏长，但过程平稳，输出的预测轨迹和重建轨迹都明显平滑，说明原始噪声被压下去了。 第二阶段迭代训参与者和评论者，目标是基于编码器给出的预测与重建走势，找出能盈利的策略。测试切到 2024 年 1 月、其余参数不动，跑下来参与者模型盈利超 40%，最大回撤略高于 24%。 具体账面上：EA 共做 65 笔交易，33 笔盈利，盈利因子 1.51，因为最大和平均盈利额都盖过了对应亏损额。外汇与贵金属属高风险品种，一个月、65 笔的样本量远不足以断言长期稳定，但这组数已优于 Traj-LLM 的同条件表现，值得开 MT5 用同年数据复跑一遍核对。
◍ 统一轨迹编码在 MT5 里的落地余味
把 UniTraj 的蒙版输入逻辑搬进 MQL5 环境状态编码器后，我们在真实历史报价上跑通了训练与测试闭环，模型对多任务轨迹的适配明显优于传统单任务写法。这套统一处理思路没有绑定某个具体品种，外汇与贵金属的高杠杆特性下，回测有效只代表概率倾向，实盘仍需防极端滑点。 如果你手上有 EURUSD 的 M1 历史，直接复用实践章的编码器结构，把蒙版比例从 0.3 调到 0.5，能更快看出轨迹补全偏差是否收敛。
「随包附带的八个程序文件」
这篇 LSTM 优化实操里，作者把整套流程拆成了 8 个可直接载入 MT5 的文件，EA 与类库分工明确。 样本收集由 Research.mq5 与 ResearchRealORL.mq5 两个 EA 负责，前者跑基础采样，后者用 Real ORL 方法补样本；Study.mq5 训模型，StudyEncoder.mq5 单独训编码器，Test.mq5 做泛化测试。 算法底层不写在 EA 里：Trajectory.mqh 定义系统状态结构，NeuroNet.mqh 封装建网类，NeuroNet.cl 是 OpenCL 核，丢给显卡跑。 MQL5.zip 体积 1667.85 KB，解压后上述文件齐全，外汇与贵金属行情高波动，拿去回测前先确认终端版本匹配，避免 OpenCL 设备调用失败。