🧠
交易中的神经网络：点云分析（PointNet）·进阶篇
（2/3）· 把 K 线、挂单、成交额揉成一组无顺序的点，网络自己挑关键元素
不少人先把盘口转成图像或体素再喂模型，数据膨胀还吃掉自然不变性。点云不讲究排列，硬排顺序只会让同一条行情在 N! 种排列里反复训练。直接丢原始点集，反而更贴近市场本来的无序。
本章目录
「PointNet 初始化里的 T-Net 与 PreNet 分支」
在 MT5 的 OpenCL 神经网络封装里，CNeuronPointNetOCL::Init 承担了两类子网络的构建：当 use_tnets 开关为真时，先拉起两套 T-Net 与对应的 Turned 层；无论开关如何，PreNet 序列都必然初始化。 T-Net 第一路用 window 作为输入窗口，输出维度被强制设为 window * window；第二路则写死 64 作为输入与输出边长，输出张量规模达到 64 * 64。这两组数字直接决定了显存占用量，调参时若把 window 从常见值 16 提到 32，第一路输出节点会由 256 跳到 1024。 PreNet 这边分两层卷积：首层从 window×window 映射到 64 通道，激活函数被显式置为 None；紧随其后的归一化层 cPreNetNorm[0] 改用 LReLU。第二层 PreNet 在 64×64 空间上再做一次 64 通道卷积，同样关掉非线性。想验证的话，把这段代码贴进 MT5 的 EA 源码，编译后看 Init 返回的 false 究竟卡在哪一行的 Print 即可。
MQL5 / C++
class="type">bool CNeuronPointNetOCL::Init(class="type">uint numOutputs, class="type">uint myIndex, COpenCLMy *open_cl, class="type">uint window, class="type">uint units_count, class="type">uint output, class="type">bool use_tnets, ENUM_OPTIMIZATION optimization_type, class="type">uint batch) { if(!CNeuronBaseOCL::Init(numOutputs, myIndex, open_cl, output, optimization_type, batch)) class="kw">return false; class=class="str">"cmt">//--- Init T-Nets if(use_tnets) { if(!cTNet1) { cTNet1 = new CNeuronPointNetOCL(); if(!cTNet1) class="kw">return false; } if(!cTNet1.Init(class="num">0, class="num">0, OpenCL, window, units_count, window * window, false, optimization, iBatch)) class="kw">return false; if(!cTurned1) { cTurned1 = new CNeuronBaseOCL(); if(!cTurned1) class="kw">return false; } if(!cTurned1.Init(class="num">0, class="num">1, OpenCL, window * units_count, optimization, iBatch)) class="kw">return false; if(!cTNet2) { cTNet2 = new CNeuronPointNetOCL(); if(!cTNet2) class="kw">return false; } if(!cTNet2.Init(class="num">0, class="num">2, OpenCL, class="num">64, units_count, class="num">64 * class="num">64, false, optimization, iBatch)) class="kw">return false; if(!cTurned2) { cTurned2 = new CNeuronBaseOCL(); if(!cTurned2) class="kw">return false; } if(!cTurned2.Init(class="num">0, class="num">3, OpenCL, class="num">64 * units_count, optimization, iBatch)) class="kw">return false; } class=class="str">"cmt">//--- Init PreNet if(!cPreNet[class="num">0].Init(class="num">0, class="num">0, OpenCL, window, window, class="num">64, units_count, optimization, iBatch)) class="kw">return false; cPreNet[class="num">0].SetActivationFunction(None); if(!cPreNetNorm[class="num">0].Init(class="num">0, class="num">1, OpenCL, class="num">64 * units_count, iBatch, optimization)) class="kw">return false; cPreNetNorm[class="num">0].SetActivationFunction(LReLU); if(!cPreNet[class="num">1].Init(class="num">0, class="num">2, OpenCL, class="num">64, class="num">64, class="num">64, units_count, optimization, iBatch)) class="kw">return false; cPreNet[class="num">1].SetActivationFunction(None);
◍ PointNet 初始化与前向里的层堆叠细节
这段 CNeuronPointNetOCL 的 Init 把预处理网、特征网、转置与池化、最终 MLP 逐层挂到 OpenCL 上下文上。注意 cPreNetNorm[1] 用 None 激活，而 cFeatureNetNorm[0] 和 [1] 都接了 LReLU，这种交错设定会影响梯度在批归一化后的流动形态。 特征网三层维度从 64→64→128 到 128→128→512，最后一维 512 直接喂给 cTranspose 与 cMaxPool，池化核宽高等于 units_count、通道 512。若你改 units_count，cPreNetNorm[1] 的 64*units_count 和 cFeatureNetNorm 的两处乘积都要同步，否则 Init 返回 false 导致 EA 加载失败。 feedForward 里有个分支：cTNet1 为空时只跑 cPreNet[0]，否则要求 cTurned1 已置位再跑 cTNet1。实盘跑 MT5 时若发现前向中断，先打印 cTurned1 状态，大概率是没有在 turn 阶段赋值。外汇与贵金属行情高波动，这类 GPU 网推理延迟可能放大滑点风险。
MQL5 / C++
if(!cPreNetNorm[class="num">1].Init(class="num">0, class="num">3, OpenCL, class="num">64 * units_count, iBatch, optimization)) class="kw">return false; cPreNetNorm[class="num">1].SetActivationFunction(None); class=class="str">"cmt">//--- Init Feature Net if(!cFeatureNet[class="num">0].Init(class="num">0, class="num">4, OpenCL, class="num">64, class="num">64, class="num">64, units_count, optimization, iBatch)) class="kw">return false; cFeatureNet[class="num">0].SetActivationFunction(None); if(!cFeatureNetNorm[class="num">0].Init(class="num">0, class="num">5, OpenCL, class="num">64 * units_count, iBatch, optimization)) class="kw">return false; cFeatureNet[class="num">0].SetActivationFunction(LReLU); if(!cFeatureNet[class="num">1].Init(class="num">0, class="num">6, OpenCL, class="num">64, class="num">64, class="num">128, units_count, optimization, iBatch)) class="kw">return false; cFeatureNet[class="num">1].SetActivationFunction(None); if(!cFeatureNetNorm[class="num">1].Init(class="num">0, class="num">7, OpenCL, class="num">128 * units_count, iBatch, optimization)) class="kw">return false; cFeatureNetNorm[class="num">1].SetActivationFunction(LReLU); if(!cFeatureNet[class="num">2].Init(class="num">0, class="num">8, OpenCL, class="num">128, class="num">128, class="num">512, units_count, optimization, iBatch)) class="kw">return false; cFeatureNet[class="num">2].SetActivationFunction(None); if(!cFeatureNetNorm[class="num">2].Init(class="num">0, class="num">9, OpenCL, class="num">512 * units_count, iBatch, optimization)) class="kw">return false; cFeatureNetNorm[class="num">2].SetActivationFunction(None); if(!cTranspose.Init(class="num">0, class="num">10, OpenCL, units_count, class="num">512, optimization, iBatch)) class="kw">return false; if(!cMaxPool.Init(class="num">512, class="num">11, OpenCL, units_count, units_count, class="num">512, optimization, iBatch)) class="kw">return false; class=class="str">"cmt">//--- Init Final MLP if(!cFinalMLP[class="num">0].Init(class="num">256, class="num">12, OpenCL, class="num">512, optimization, iBatch)) class="kw">return false; cFinalMLP[class="num">0].SetActivationFunction(LReLU); if(!cFinalMLP[class="num">1].Init(output, class="num">13, OpenCL, class="num">256, optimization, iBatch)) class="kw">return false; cFinalMLP[class="num">1].SetActivationFunction(LReLU); SetActivationFunction(None); class=class="str">"cmt">//--- class="kw">return true; } class="type">bool CNeuronPointNetOCL::feedForward(CNeuronBaseOCL *NeuronOCL) { class=class="str">"cmt">//--- PreNet if(!cTNet1) { if(!cPreNet[class="num">0].FeedForward(NeuronOCL)) class="kw">return false; } else { if(!cTurned1) class="kw">return false; if(!cTNet1.FeedForward(NeuronOCL)) class="kw">return false;
特征网络的前向传播链路
这段前向传播代码展示了两层特征提取分支如何在 MT5 的 OpenCL 神经元容器里接力运算。第一分支若 cTNet1 存在，会用神经元数量的平方根作为窗口做矩阵乘法转置，再喂给预网络；否则直接用 cPreNet[0] 承接上层输出。 窗口计算写死为 int window = (int)MathSqrt(cTNet1.Neurons())，这意味着神经元数最好是完全平方数，否则整除截断会改变 MatMul 的维度配对，可能在回测中触发静默的维度错配。 第二分支 cTNet2 的逻辑几乎镜像，但输入来自 cPreNetNorm[1]，且多了一道 cTurned2 的空指针守卫。两个分支最终都汇入 cFeatureNet[0]，之后用 uint total = cFeatureNet.Size() 驱动循环，逐层做 FeatureNet → FeatureNetNorm 的归一串联。 收尾部分把最后一层归一结果过 cTranspose、cMaxPool 再做两层 MLP 输出。任何一步 FeedForward 返回 false 或 IsStopped() 为真都会中断，实盘外汇与贵金属波动剧烈，这类 GPU 推理若在中途被终止，信号将失效，属高风险场景，需自行在 MT5 策略测试器里验证中断频率。
MQL5 / C++
class="type">int window = (class="type">int)MathSqrt(cTNet1.Neurons()); if(IsStopped() || !MatMul(NeuronOCL.getOutput(), cTNet1.getOutput(), cTurned1.getOutput(), NeuronOCL.Neurons() / window, window, window)) class="kw">return false; if(!cPreNet[class="num">0].FeedForward(cTurned1.AsObject())) class="kw">return false; } if(!cPreNetNorm[class="num">0].FeedForward(cPreNet[class="num">0].AsObject())) class="kw">return false; if(!cPreNet[class="num">1].FeedForward(cPreNetNorm[class="num">0].AsObject())) class="kw">return false; if(!cPreNetNorm[class="num">1].FeedForward(cPreNet[class="num">1].AsObject())) class="kw">return false; class=class="str">"cmt">//--- Feature Net if(!cTNet2) { if(!cFeatureNet[class="num">0].FeedForward(cPreNetNorm[class="num">1].AsObject())) class="kw">return false; } else { if(!cTurned2) class="kw">return false; if(!cTNet2.FeedForward(cPreNetNorm[class="num">1].AsObject())) class="kw">return false; class="type">int window = (class="type">int)MathSqrt(cTNet2.Neurons()); if(IsStopped() || !MatMul(cPreNetNorm[class="num">1].getOutput(), cTNet2.getOutput(), cTurned2.getOutput(), cPreNetNorm[class="num">1].Neurons() / window, window, window)) class="kw">return false; if(!cFeatureNet[class="num">0].FeedForward(cTurned2.AsObject())) class="kw">return false; } if(!cFeatureNetNorm[class="num">0].FeedForward(cFeatureNet[class="num">0].AsObject())) class="kw">return false; class="type">uint total = cFeatureNet.Size(); for(class="type">uint i = class="num">1; i < total; i++) { if(!cFeatureNet[i].FeedForward(cFeatureNetNorm[i - class="num">1].AsObject())) class="kw">return false; if(!cFeatureNetNorm[i].FeedForward(cFeatureNet[i].AsObject())) class="kw">return false; } if(!cTranspose.FeedForward(cFeatureNetNorm[total - class="num">1].AsObject())) class="kw">return false; if(!cMaxPool.FeedForward(cTranspose.AsObject())) class="kw">return false; if(!cFinalMLP[class="num">0].FeedForward(cMaxPool.AsObject())) class="kw">return false; if(!cFinalMLP[class="num">1].FeedForward(cFinalMLP[class="num">0].AsObject())) class="kw">return false; if(!CNeuronBaseOCL::feedForward(cFinalMLP[class="num">1].AsObject())) class="kw">return false; class=class="str">"cmt">//--- class="kw">return true; }
「正交约束在 GPU 核里的梯度回流」
PointNet 类结构里，正交损失（Orthogonal Loss）用来逼权重矩阵接近正交，减少特征冗余。这段 OpenCL 核把对称位置的乘积求和，再反传梯度，全程在本地内存做归约，避免反复读全局显存。 核函数开头先用 get_global_id(0) 取行号 r、get_local_id(1) 取列号 c，LOCAL_ARRAY_SIZE 决定共享内存 Temp 的长度。若 data 里出现 inf 或 nan，直接置 0，防止梯度爆炸把整个 batch 带崩。 归约部分用 do-while 把 Temp 两两相加，count 每次 (count+1)/2 收缩，直到剩 1 项得到 sum。损失写成 -pow((r==c) - sum, 2.0f)，即单位矩阵偏差的平方负值；梯度 g 再乘 value2 后写回 grad，add==1 时累加、否则覆盖。 calcInputGradients 里依次对 cFinalMLP[1]、cFinalMLP[0]、cMaxPool、cTranspose 调梯度计算，任何一层返回 false 就整体退出。在 MT5 里接自己的特征网络时，若显存报错，先查 Temp 长度是否小于 cols 导致越界。
MQL5 / C++
__kernel class="type">void OrthoganalLoss(__global const class="type">float *data, __global class="type">float *grad, const class="type">int add ) { const class="type">size_t r = get_global_id(class="num">0); const class="type">size_t c = get_local_id(class="num">1); const class="type">size_t cols = get_local_size(class="num">1); __local class="type">float Temp[LOCAL_ARRAY_SIZE]; class="type">uint ls = min((class="type">uint)cols, (class="type">uint)LOCAL_ARRAY_SIZE); const class="type">int shift1 = r * cols + c; const class="type">int shift2 = c * cols + r; class="type">float value1 = data[shift1]; class="type">float value2 = (shift1==shift2 ? value1 : data[shift2]); if(isinf(value1) || isnan(value1)) value1 = class="num">0; if(isinf(value2) || isnan(value2)) value2 = class="num">0; class="type">float v2 = value1 * value2; if(isinf(v2) || isnan(v2)) v2 = class="num">0; for(class="type">int i = class="num">0; i < cols; i += ls) { class=class="str">"cmt">//--- if(i <= c && (i + ls) > c) Temp[c - i] = (i == class="num">0 ? class="num">0 : Temp[c - i]) + v2; barrier(CLK_LOCAL_MEM_FENCE); } class="type">uint count = min(ls, (class="type">uint)cols); do { count = (count + class="num">1) / class="num">2; if(c < ls) Temp[c] += (c < count && (c + count) < cols ? Temp[c + count] : class="num">0); if(c + count < ls) Temp[c + count] = class="num">0; barrier(CLK_LOCAL_MEM_FENCE); } while(count > class="num">1); const class="type">float sum = Temp[class="num">0]; class="type">float loss = -pow((class="type">float)(r == c) - sum, class="num">2.0f); class="type">float g = (class="num">2 * (sum - (class="type">float)(r == c))) * loss; g = value2 * g; if(isinf(g) || isnan(g)) g = class="num">0; if(add == class="num">1) grad[shift1] += g; else grad[shift1] = g; } class="type">bool CNeuronPointNetOCL::calcInputGradients(CNeuronBaseOCL *NeuronOCL) { if(!NeuronOCL) class="kw">return false; if(!CNeuronBaseOCL::calcInputGradients(cFinalMLP[class="num">1].AsObject())) class="kw">return false; if(!cFinalMLP[class="num">0].calcHiddenGradients(cFinalMLP[class="num">1].AsObject())) class="kw">return false; if(!cMaxPool.calcHiddenGradients(cFinalMLP[class="num">0].AsObject())) class="kw">return false; if(!cTranspose.calcHiddenGradients(cMaxPool.AsObject())) class="kw">return false; class="type">uint total = cFeatureNet.Size();
◍ 反向传播里的梯度链式回传
这段逻辑跑的是多层网络的反向传播，从特征网络顶层一路把隐藏层梯度算到底。循环从 total-1 往下到 1，每一层都拿归一化层的对象去算隐藏梯度，任何一步返回 false 就直接中断，说明梯度爆炸或对象为空时训练会立刻停。 cTNet2 存在时分支更复杂：先用 MathSqrt(cTNet2.Neurons()) 开出 window，把神经元数开方当卷积窗口。MatMulGrad 做矩阵乘的梯度回传，输入维度是 cPreNetNorm[1].Neurons()/window，三方矩阵都是 window×window，这种分块能压住全连接层的显存峰值。 OrthoganalLoss 带 true 参数做正交约束的梯度附加，逼权重彼此去相关，对过拟合倾向有一定抑制。随后 SumAndNormilize 把 cPreNet 与 cPreNetNorm 的梯度合并归一，标志这一支回传收口。 cTNet1 支线同理，NeuronOCL 作为输出层代理，把梯度经 cTurned1 回传给 cPreNet[0]。开 MT5 把这段塞进 EA 的 train 函数，若日志频繁卡在某一行 return false，优先查对应层的 AsObject() 是否拿到了空指针。
MQL5 / C++
for(class="type">uint i = total - class="num">1; i > class="num">0; i--) { if(!cFeatureNet[i].calcHiddenGradients(cFeatureNetNorm[i].AsObject())) class="kw">return false; if(!cFeatureNetNorm[i - class="num">1].calcHiddenGradients(cFeatureNet[i].AsObject())) class="kw">return false; } if(!cFeatureNet[class="num">0].calcHiddenGradients(cFeatureNetNorm[class="num">0].AsObject())) class="kw">return false; if(!cTNet2) { if(!cPreNetNorm[class="num">1].calcHiddenGradients(cFeatureNet[class="num">0].AsObject())) class="kw">return false; } else { if(!cTurned2) class="kw">return false; if(!cTurned2.calcHiddenGradients(cFeatureNet[class="num">0].AsObject())) class="kw">return false; class="type">int window = (class="type">int)MathSqrt(cTNet2.Neurons()); if(IsStopped() || !MatMulGrad(cPreNetNorm[class="num">1].getOutput(), cPreNet[class="num">1].getGradient(), cTNet2.getOutput(), cTNet2.getGradient(), cTurned2.getGradient(), cPreNetNorm[class="num">1].Neurons() / window, window, window)) class="kw">return false; if(!OrthoganalLoss(cTNet2.AsObject(), true)) class="kw">return false; if(!cPreNetNorm[class="num">1].calcHiddenGradients((CObject*)cTNet2)) class="kw">return false; if(!SumAndNormilize(cPreNetNorm[class="num">1].getGradient(), cPreNet[class="num">1].getGradient(), cPreNetNorm[class="num">1].getGradient(), class="num">1, false, class="num">0, class="num">0, class="num">0, class="num">1)) class="kw">return false; } if(!cPreNet[class="num">1].calcHiddenGradients(cPreNetNorm[class="num">1].AsObject())) class="kw">return false; if(!cPreNetNorm[class="num">0].calcHiddenGradients(cPreNet[class="num">1].AsObject())) class="kw">return false; if(!cPreNet[class="num">0].calcHiddenGradients(cPreNetNorm[class="num">0].AsObject())) class="kw">return false; if(!cTNet1) { if(!NeuronOCL.calcHiddenGradients(cPreNet[class="num">0].AsObject())) class="kw">return false; } if(!cTurned1) class="kw">return false; if(!cTurned1.calcHiddenGradients(cPreNet[class="num">0].AsObject())) class="kw">return false; class="type">int window = (class="type">int)MathSqrt(cTNet1.Neurons()); if(IsStopped() || !MatMulGrad(NeuronOCL.getOutput(), NeuronOCL.getGradient(), cTNet1.getOutput(), cTNet1.getGradient(), cTurned1.getGradient(), NeuronOCL.Neurons() / window, window, window))
让小布替你跑这套
把多品种盘口点云抽取和 PointNet 推理的重复劳动交给小布盯盘，你专注决策。这些诊断小布盯盘的 AIGC 已内置，打开对应品种页即可看到。
常见问题
默认用价格坐标 (x,y,z) 做三维，可加成交量、买卖挂单量差、时间熵等通道；外汇贵金属波动受宏观事件影响，建议先小样本验证附加维度是否带来过拟合。
它作为单一对称函数，对无序点集做排列不变聚合，网络借其挑出信息量高的点，编码成全局描述符，避免受输入顺序干扰。
目前小布内置的是通用盘口点云诊断，自定义权重需走本地推理后回传特征；高频重训建议用脚本批量生成点云再交小布可视化。
刚性旋转加平移的仿射矩阵较常用，先依数据依赖变换把点云对齐到主成分轴，再进 PointNet，能缓解不同品种量纲差异带来的训练偏移。
CNN 吃固定栅格易漏掉稀疏挂单结构，点云保留原始距离关系，对突发的薄盘拉升可能更敏感，但样本少时概率倾向不稳定，属高风险信号。