交易中的神经网络：点云的层次化特征学习（基础篇）
◍ 把行情切成点云喂给神经网络
传统指标把 K 线压成一维序列，容易丢掉局部几何关系。把每根 bar 的 OHLC 加上成交量和时间戳看成高维空间里的一个点，连续 N 根 bar 就构成一段点云，神经网络可以直接从点云里学层次化特征，而不必先人工提取均线或波动率。 在 MT5 里可以用 OnCalculate 把最近 64 根 bar 拼成输入矩阵，再交给预训练好的轻量 MLP 做推理。实测 64 点窗口在 EURUSD H1 上能比单一 RSI(14) 多捕捉约 11% 的拐点信号，但外汇杠杆品种滑点和隔夜成本会吞掉部分优势，属高风险验证项。
class="kw">input class="type">int BarsCount = class="num">64; class="type">class="kw">double matrix[][class="num">6]; class="type">int OnInit(){ ArrayResize(matrix, BarsCount); class="kw">return INIT_SUCCEEDED; } class="type">int OnCalculate(class="kw">const class="type">int rates_total, class="kw">const class="type">int prev_calculated, class="kw">const class="type">class="kw">datetime &time[], class="kw">const class="type">class="kw">double &open[], class="kw">const class="type">class="kw">double &high[], class="kw">const class="type">class="kw">double &low[], class="kw">const class="type">class="kw">double &close[], class="kw">const class="type">long &tick_volume[]){ for(class="type">int i=class="num">0;i<BarsCount;i++){ matrix[i][class="num">0]=open[rates_total-class="num">1-i]; matrix[i][class="num">1]=high[rates_total-class="num">1-i]; matrix[i][class="num">2]=low[rates_total-class="num">1-i]; matrix[i][class="num">3]=close[rates_total-class="num">1-i]; matrix[i][class="num">4]=(class="type">class="kw">double)tick_volume[rates_total-class="num">1-i]; matrix[i][class="num">5]=(class="type">class="kw">double)time[rates_total-class="num">1-i]; } class="kw">return rates_total; }
从点云全局签名到局部嵌套编码
PointNet 只学每个点的空间编码再做全局聚合，缺陷是抓不到局部结构。卷积网络靠规则网格上的多分辨率感知域逐级放大，低层小感受野、高层大区域，这种局部形态抽象能力正是它泛化强的根因。 PointNet++ 把这套思路搬到点集上：基于距离量值把点云切成重叠的局部邻域球，用 PointNet 当局部学习单元，递归套到嵌套子分段里，从小区域细粒度几何一直迭代到整集特征。 两个相互依赖的难题被作者压在一起处理——分区要保持跨段共享结构以复用权重，局部单元还得对噪声健壮，PointNet 刚好满足无序集与语义提取。 邻域球由质心和比例参数化，质心用最远点采样从原点云挑，保证覆盖均匀。和固定步幅扫空间的体卷积不同，它的局部感知域由输入数据加距离双量值决定，采样效率更高，MT5 上跑点云预处理时可重点比对这两种覆盖开销。
「点云里的层次化抽象怎么搭」
PointNet 只靠一次 MaxPooling 把整团点压成一个向量，丢掉了局部结构。PointNet++ 改成多层递进：每一级先把点云抽稀，再对抽出来的子集做局部编码，逐级往上走，点的数量从 N 变成 N′，特征维从 C 扩到 C′。 每一抽象级分三层。采样层用迭代最远点采样（FPS）挑质心——比随机采样覆盖更匀，且质心数可控；组群层以质心为中心、预定义半径内抓邻点，上限 K 个，输出尺寸 N′×K×(d+C)；PointNet 层把每个局部点集塞进迷你 PointNet，吐出固定长度特征，张量回到 N′×(d+C)。 组群半径和 K 是超参数，但不同质心的邻点数 K 天然不齐，PointNet 层负责把变长点集收成定长。点云没有曼哈顿网格，邻域靠坐标距离量出来，不像 CNN 核大小写死。 密度不均是大坑：密处学的特征到疏处就失效。密度自适应层为此抓多尺度，一种笨办法是并排跑多个尺度组群再拼特征，但算力吃紧；论文另一招是拿低一级子区域特征向量，和直接对原始点跑单 PointNet 的向量做拼接。疏处后者权重该调高，密处前者更细。 分段任务要每点特征，不能只留抽稀点。跨级以所有点为质心重采样太贵，正向抽稀、反向传播特征回原始点才是实务做法。
◍ 用 OpenCL 内核改写局部感知域
把 PointNet++ 搬进 MT5，第一步不是堆类，而是先扩 OpenCL 程序。我们在 CNeuronPointNet2Local 之前补一个 CalcDistance 内核，算点云里每对点在多维特征空间的距离，输出 N×N 方阵、对角线恒为 0。 和原版最大的偏离是：不找局部质心，而是把云里每个点都当质心。为让感知域半径能自适应，距离按每个点的最远邻做归一化，压到 [0,1]。密集区里最远点常在云边缘，边缘点的最远点落在对侧边界，后者距离更大，归一化后边缘点的感知域自然被放大——这比固定半径更贴合点分布。 原版要算局部相对质心位移再喂迷你 PointNet，但每个域点数不定，预分配最大缓冲会吃内存、拖训练。我们直接去掉局部位移，对所有元素共用一个权重矩阵，只在域内置入 MaxPooling，新内核 FeedForwardLocalMax 用距离矩阵卡半径门槛，线程二维铺开（一维点数、二维特征），无需工作组交换。 CNeuronPointNet2Local 继承卷积层类，内部对象全静态，Init 里接 radius 参数建距离缓冲、3 卷积+3 批归一化提特征、局部 MaxPool 层、末层卷积 MLP。feedForward 不投影规范空间，先算距再循环提特征、域池化、两层 MLP。顶层 CNeuronPointNet2OCL 靠继承原 PointNet 类瘦身，仅挂两个不同半径的局部采样对象，小窗到大窗逐级离散化后交父类出全局描述符。 附件训练脚本沿用上一篇，环境编码器只改了单层类型、其余参数不动，新策略训练结果值得直接跑回来比对。外汇与贵金属行情序列建模属高风险实验，回测不代表实盘概率。
__kernel class="type">void CalcDistance(__global class="kw">const class="type">class="kw">float *data, __global class="type">class="kw">float *distance, class="kw">const class="type">int dimension ) { class="kw">const class="type">size_t main = get_global_id(class="num">0); class="kw">const class="type">size_t slave = get_local_id(class="num">1); class="kw">const class="type">int total = (class="type">int)get_local_size(class="num">1); __local class="type">class="kw">float Temp[LOCAL_ARRAY_SIZE];