交易中的神经网络：具有相对编码的变换器·综合运用
RMAT 神经元的初始化与层堆叠逻辑
CNeuronRMAT 是 MT5 中基于相对自注意力机制封装的神经网络层类，构造与析构为空实现，真正的资源分配放在 Init 里。 Init 接收 window、units_count、heads、layers 等参数，先调用基类 CNeuronBaseOCL::Init，输入维度被强制拉成 window * units_count，这一步决定了后续张量的内存布局。 核心循环按 layers 数量重复：每层先 new 一个 CNeuronRelativeSelfAttention，再 new 一个 CResidualConv，二者索引分别为 i*2 与 i*2+1，任一创建或初始化失败立即 delete 并返回 false。 循环结束后，把最后一层 conv 的输出与梯度指针透传给本神经元，作为前向传播出口。外汇与贵金属行情的高波动可能让这类深层结构过拟合，实盘前建议在 MT5 策略测试器里用 2020—2023 年 XAUUSD 的 M15 数据先跑一遍层数与 heads 的消融。 下面这段是 Init 的原文实现，逐行对应上文结构： CNeuronRMAT::Init 头部声明参数并转交基类初始化，窗口乘单元数即输入宽度。 for 循环里 attention 与 conv 成对加入 cLayers，索引错位避免冲突。 末尾 SetOutput / SetGradient 绑定卷积层张量，函数返回 true 表示整网就绪。
class="type">bool CNeuronRMAT::Init(class="type">uint numOutputs, class="type">uint myIndex, COpenCLMy *open_cl, class="type">uint window, class="type">uint window_key, class="type">uint units_count, class="type">uint heads, class="type">uint layers, ENUM_OPTIMIZATION optimization_type, class="type">uint batch) { if(!CNeuronBaseOCL::Init(numOutputs, myIndex, open_cl, window * units_count, optimization_type, batch)) class="kw">return false; cLayers.SetOpenCL(OpenCL); CNeuronRelativeSelfAttention *attention = NULL; CResidualConv *conv = NULL; for(class="type">uint i = class="num">0; i < layers; i++) { attention = new CNeuronRelativeSelfAttention(); if(!attention || !attention.Init(class="num">0, i * class="num">2, OpenCL, window, window_key, units_count, heads, optimization, iBatch) || !cLayers.Add(attention) ) { class="kw">delete attention; class="kw">return false; } conv = new CResidualConv(); if(!conv || !conv.Init(class="num">0, i * class="num">2 + class="num">1, OpenCL, window, window, units_count, optimization, iBatch) || !cLayers.Add(conv) ) { class="kw">delete conv; class="kw">return false; } } SetOutput(conv.getOutput(), true); SetGradient(conv.getGradient(), true); class=class="str">"cmt">//--- class="kw">return true; }
◍ 逐行拆开前向传播与编码层配置
下面这段 MQL5 片段分两块：先是神经网络各层的前向传播串联，再是第二编码层的描述符填充。两者都在 OpenCL 环境下跑，任何一层 FeedForward 返回 false 都会直接中断构建，实战中若 MT5 终端报 false，优先查前一层张量维度是否对得上。 前向部分从 cLayers[0] 取首层神经元，调用 FeedForward 灌入 NeuronOCL；循环从 i=1 开始，每层都拿前一层 cLayers[i-1] 当输入。这种链式调用意味着第 3 层若失败，问题可能出在第 2 层输出形状，而不是第 3 层本身。 第二层描述符里有几个硬参数值得记：window_out 设为 EmbeddingSize/2，注释标明这是 Key Dimension；layers=5 代表堆叠层数，step=4 对应注意力头数，batch=1e4 即每批一万条样本。优化器选 ADAM、激活函数设 None，说明该层可能只做线性投影。若你在小布盯盘里复现，EmbeddingSize 建议先取 64，这样 window_out 自动落为 32，显存占用更可控。外汇与贵金属行情高波动，这类模型易过拟合，回测盈利不代表实盘概率占优。
CNeuronBaseOCL *neuron = cLayers[class="num">0]; if(!neuron.FeedForward(NeuronOCL)) class="kw">return false; for(class="type">int i = class="num">1; i < cLayers.Total(); i++) { neuron = cLayers[i]; if(!neuron.FeedForward(cLayers[i - class="num">1])) class="kw">return false; } class=class="str">"cmt">//--- class="kw">return true; } class=class="str">"cmt">//--- layer class="num">2 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronRMAT; descr.window=BarDescr; descr.count=HistoryBars; descr.window_out = EmbeddingSize/class="num">2; class=class="str">"cmt">// Key Dimension descr.layers = class="num">5; class=class="str">"cmt">// Layers descr.step = class="num">4; class=class="str">"cmt">// Heads descr.batch = class="num">1e4; descr.activation = None; descr.optimization = ADAM; if(!encoder.Add(descr)) { class="kw">delete descr; class="kw">return false; }
「EURUSD 上跑出来的 60% 胜率样本」
R-MAT 框架里三个模型——账户状态编码器、参与者、评论者——按前文算法同步训练：编码器负责把市场状态翻成可输入表示，参与者出交易动作，评论者给动作打分并指调整方向。训练数据取 EURUSD 2023 全年 H1 真实历史，指标全用默认值，迭代训练并周期性刷新数据集。 验证切到 2024 年 1 月历史：政策胜率 60%，平均与最大盈利均高于对应亏损。但整段测试只跑了 15 笔，余额曲线月初拉升后走平。外汇与贵金属属高风险品种，这种小样本结果只能看作潜力信号，远未到可长期托管的程度。 想自己复现，把训练窗口和测试窗口按上述切分丢进 MT5 策略测试器，重点看 15 笔之后的曲线是否还活着——若仍走平，说明策略对后续 regime 没捕捉能力，得回编码器和奖励函数里动刀。
把这条线请下神坛
R-MAT 把市场因素的相对距离和时态依赖塞进同一套注意力结构，理论上能抓到传统线性模型漏掉的非独立关系。我们在 MQL5 里落地了从样本采集（Research.mq5 / ResearchRealORL.mq5）到训练（Study.mq5）、测试（Test.mq5）的全链，配套 NeuroNet.mqh 与 OpenCL 的 NeuroNet.cl 跑通了真实数据回测，结果只说明它有进一步优调的空间，而非可直接上线的圣杯。 外汇与贵金属属高风险品种，任何神经网络预测都只是概率倾向，实盘前至少把 Test.mq5 在 MT5 策略测试器用近 3 年数据重跑一遍，观察夏普与最大回撤再决定。 模型文件总包 1976.95 KB，下载后先单步调 Trajectory.mqh 里的状态字段，确认和你的品种 tick 结构对得上，再谈训练——别把论文潜力当成账户余额。