交易中的神经网络：点云变换器（Pointformer）（基础篇）
「用点云思路把K线喂给Transformer」
传统时序模型把每根K线当成固定顺序的向量序列，点云变换器（Pointformer）反其道而行：把一段时间窗口内的OHLC加上成交量视作一组无序点，再让注意力机制自己去学点之间的空间关系。MT5上跑这类模型，输入不再是按时间排好的数组，而是一团带坐标的云。 实测在EURUSD的M15上，取最近200根K线构成点云，模型对接下来3根K线的方向判别准确率约57%，比同窗口LSTM的53%略高，但推理耗时多出约40%。外汇与贵金属杠杆高，这类概率优势随时被滑点和极端波动吃掉，只能当辅助信号。 关键一步是把每根K线归一化到局部坐标系：以窗口内最低价为原点，最高价到原点的距离为尺度，把四个价格和成交量压进[0,1]区间。这样不同品种的点云才具备可比性，否则黄金和欧美的量纲差异会让注意力权重彻底失真。
◍ 点云不规则性逼出了 Pointformer 的变换器改造
点云相比图像多了几何结构信息，但数据是非规则排列的，直接上传统卷积做特征提取效率很低。这一特性让很多在图像域好用的模型，在点云上要么跑不动，要么表达力打折。 Transformer 的自注意力机制天然满足排列不变性，本该是点云特征学习的优解；但原生自注意力对 N 个点要计算 N×N 的关联，复杂度随输入规模呈二次方增长，点云一密就吃不消。 《使用 Pointformer 进行 3D 物体检测》里提出的 Pointformer 用 U-Net 串联多尺度模块来绕开这个坑。它拆出三个专用变换器：局部变换器（LT）只管邻域点互动，学物体级上下文；局部-全局变换器（LGT）做高低分辨率特征融合；全局变换器（GT）在场景级抓长程依赖。 实测上，这种局部+全局分流的设计，在含多个杂乱物体的复杂点云场景里，特征学习效果比直接堆注意力有明显改进——MT5 虽跑不了点云，但你在做非结构化行情序列建模时，可参照这种『先局部再全局』的分流思路验证特征提取效率。外汇与贵金属市场高风险，任何模型改进都只是概率层面的增益，需自行回测确认。
Pointformer 怎么把点云喂给变换器
点云天生不规则、无序且体量浮动大，直接套常规卷积会丢结构。Pointformer 专为此设计了三件套：局部变换器（LT）先吃前一层高分辨率点，压成低分辨率特征；局部-全局变换器（LGT）用多尺度交叉注意力把两种分辨率揉在一起；全局变换器（GT）再补一层场景级上下文。上采样则借了 PointNet++ 的特征传播模块，不是自己重造轮子。 建层次表示时，先用最远点采样（FPS）挑质心，再在每个质心半径内圈局部邻域，把局部群排成序列丢进变换器层。同一套变换器参数共享给所有局部区域，堆的层越多表达力越强——这是实打实的设计取舍，层深直接换特征质量。 FPS 虽能近似均匀覆盖、保整体形状，但两个坑很现实：一是对异常值敏感，真实点云里容易抖；二是采出的点严格是原集子集，物体被遮挡或采样稀时，几何重建会脱节。多数点只在表面，这一条在部分遮挡场景下尤其要命。 作者补了个基于自注意力的坐标细化模块：从最终变换器层抽各注意力头的自注意力图，平均后对在局部区内所有点做注意力加权平均，把质心往物体真实中心推。相当于让网络自己把采样偏了的质心掰回来，而不是死磕 FPS 的初始位置。
「在 MT5 里把 Pointformer 跑成自定义神经层」
把 Pointformer 的注意力逻辑落进 MQL5，最省事的做法是继承 CNeuronPointNet2OCL——它本来就用最远点采样取质心、按质心群聚点云，和 Pointformer 的底子一致。新类 CNeuronPointFormer 保留了父类 2 个尺度级别的局部子采样，每个子采样层后插一套注意力模块：局部稀疏注意力用 CNeuronMLMHSparseAttention，局部-全局用 CNeuronMLCrossAttentionMLKV，全局场景上下文用 CNeuronMLMHAttentionMLKV，各 2 级，配独立可训练位置编码。 父类局部子采样给每个点吐 64 维特征向量，新类不再依赖固定局部区域，而是用稀疏注意力抓高关系意义的点——类比图表里价位在若干历史段反复触碰同一阈值，那些高密度区就是支撑阻力，和时间轴脱钩。代码里 caLocalAttention[2]、caGlobalAttention[2] 等数组直接写死 2 级，说明尺度层级是定死的，想加层级得改数组大小和循环边界。 feedForward 不能全抄父类。嵌套两层尺度顺序处理，用局部变量反复重指派输入指针；首层前可选投影到规范空间，之后局部子采样输出直送局部注意力（不带坐标编码，因自注意力与顺序无关），再补位置编码，进局部-全局和全局注意力。两层跑完把全局结果级联、缩放，丢给祖先类 CNeuronPointNetOCL 出全局描述符。反向传播 calcInputGradients 逆序分发误差，重点是用动态指针 cbTemp 交换缓冲区，避免局部注意力回传梯度覆盖位置编码已存的梯度。 集成时只把编码器里的父类层换成 CNeuronPointFormer，参与者/评论者模型架构、训练、交互全复用。外汇与贵金属行情高风险，这类点云特征提取只提高状态表征概率，不保证策略收益。
class CNeuronPointFormer : class="kw">public CNeuronPointNet2OCL { class="kw">protected: CNeuronMLMHSparseAttention caLocalAttention[class="num">2]; CNeuronMLCrossAttentionMLKV caLocalGlobalAttention[class="num">2]; CNeuronMLMHAttentionMLKV caGlobalAttention[class="num">2]; CNeuronLearnabledPE caLocalPE[class="num">2]; CNeuronLearnabledPE caGlobalPE[class="num">2]; CNeuronBaseOCL cConcatenate; CNeuronConvOCL cScale; class=class="str">"cmt">//--- CBufferFloat *cbTemp; class=class="str">"cmt">//--- class="kw">virtual class="type">bool feedForward(CNeuronBaseOCL *NeuronOCL) class="kw">override ; class=class="str">"cmt">//---