交易中的神经网络：点云变换器（Pointformer）·综合运用
（3/3）·把 Pointformer 的局部-全局建模真正跑起来，多数人卡在采样与测试断层
把论文里的多尺度注意力直接搬进 EA，回测曲线却和设想完全两样——问题往往出在 FPS 邻域半径与特征传播层的衔接，而不是模型本身表达能力不够。
◍ 用 EURUSD 实历史给 Pointformer 做离线训练与回测
我们的 MQL5 实现和原版 Pointformer 并非逐行一致，因此跑出来的结果和原始论文可能有偏差，这点要先心里有数。验证只做一件事：拿真实历史数据在 MT5 里复现训练与测试。
训练用 EURUSD 2023 年 H1 真实数据，指标全默认。先开 EA ...\PointFormer\Study.mq5 的实时模式做迭代离线训练，它不下单，只训模型；首轮用之前研究收集的数据，结构参数不动。
随后在策略测试器跑慢速优化，挂环境互动 EA ...\PointFormer\Research.mq5 更新训练集，让数据更贴近参与者当前动作政策，再重复训。若干轮后，当数据集最终更新的那次迭代里所有通验都过关，训练就算成了。个别通验有小差异正常，因为参与者用的是随机政策，动作带随机性，随训练推进通常会收敛，只要不影响整体盈利就放过。
训完用 2024 年 1 月历史数据、其余参数不变做测试。模型共交易 31 笔，胜率约 50%；最大和平均盈利交易比亏损的高出近 50%，盈利因子 1.53。净值曲线虽向上，但样本太少，横向周期拉长后是否有效还不敢下定论。外汇与贵金属杠杆高，这种小样本回测不能直接当实盘依据。
「点云架构离实盘还有几步」
Pointformer 把局部与全局 transformer 拼到一起，用注意力权重给每个点打相对重要性分数，理论上能从多维报价流里抠出空间形态。我们在 MT5 里用 MQL5 把这套逻辑跑通，训练加测试的样本来自历史 tick 堆叠出的点云，输出显示它在复杂结构数据上有提取能力，但没给出具体胜率或回测曲线。 外汇和贵金属是高杠杆品种，这类模型目前只是特征提取原型，直接拿来出信号风险极高。真正要落地，还得补上样本外验证、过拟合约束和品种间泛化测试。 所以别把它当终点，它更像一个待打磨的零件：后续研究若能把注意力头数和邻域半径做成自适应，才可能更接近实盘可用的形态识别模块。
一点提醒
这套 LSTM 预测方案在 MT5 里落地，依赖 7 个文件：Research.mq5 与 ResearchRealORL.mq5 负责样本采集，Study.mq5 训练模型，Test.mq5 做验证，Trajectory.mqh 描述系统状态，NeuroNet.mqh 与 NeuroNet.cl 提供神经网络与 OpenCL 加速支撑，整包约 1770.6 KB。 作者在原讨论里点出一个硬约束：用一年数据训出的模型，很难在同等或更长的 6–12 个月周期里保持稳性，想撑住就得拉更长的历史来训，时间与算力成本同步抬升。 外汇与贵金属属高风险品种，这类神经网络策略仅提供概率倾向，实盘前务必用 MT5 策略测试器跑通 Test.mq5 再谈部署。