交易中的神经网络：对比形态变换器（终章）（基础篇）
「形态变换器在MT5里的落地起点」
把神经网络塞进MT5做价格形态识别，第一步不是调模型，而是搞清平台能喂给模型什么。MetaTrader 5 的 OnTick 与 OnCalculate 提供的是带时间戳的报价序列与指标缓冲，而非图像，所以所谓「形态变换器」在这里本质是把K线窗口编码成向量序列再跑注意力。 外汇与贵金属杠杆高、滑点随机，任何模型信号都只是概率倾向，不能直接当成交指令。实盘前务必用策略测试器跑至少 2020–2024 的 tick 级历史，观察不同波动 regime 下的误报率。 一个小布盯盘式的做法：先写一段脚本把最近 60 根收盘价归一化后打印，确认你的预处理和原文假设一致，再接变换器头。这样能避开九成「代码能跑但信号全错」的坑。
◍ 原子与基序双层级怎么统调
AMCT 框架把市场拆成两层看：原子层是单根烛条，基序层是它们拼出的复杂形态。核心假设是——同一段行情里，烛条和形态只是同一件事的两种说法，所以训练时让两种表征一起调参，能挖出单层看不到的额外信息，预测质量可能明显抬升。 跨周期或跨品种常出现长得像的形态，给出的信号也倾向相似。用对比学习去抓这些关键形态，并强化它们的解释力，是这套方法的关键一步。 为了判定趋势时不被噪声带偏，开发者加了属性感知注意力，配合之前写好的交叉注意力类，专门处理市场属性与烛条形态之间的依赖。上一篇文章里我们已经实现了烛条与形态管道，也建好了相对交叉注意力类，今天接着把这个依赖模块补完。
让模型自己学市场属性
传统技术分析把趋势切成上行、下行、横盘三类，但这种静态分类很难刻画价格运动的动态与强度。在 AMCT 框架思路下，与其手工定义「属性」，不如让模型从训练集里自主提取与任务相关的市场特征——类似 RefMask3D 里学到的语言基元，生成一个可学习的属性张量。 这套逻辑落在 CNeuronPropertyAwareAttention 类里。它以 CNeuronRMAT 为父类，父类内部组件封装在动态数组中，方便改架构而不动类声明。但交叉注意力要用两个独立输入源，不满足纯线性约束，所以必须重写前馈与反向传播的虚方法。 Init 方法里先调 CNeuronBaseOCL 的基础接口，再建动态数组存内部指针。头两个连续全连接层负责生成属性嵌入：第一层是固定值 1 的神经元，第二层产出可训练嵌入序列。之后按 layers 次数循环，每层塞入相对自注意力（序列长由 properties 决定）和相对交叉注意力（主输入是属性嵌入，FeedForward 长度也等于属性数），最后换数据缓冲区指针省训练开销。 feedForward 只收一个输入指针，因为「属性」源在类内部生成。训练期才跑第二层前馈去学嵌入；实盘跳过这步，直接复用已学嵌入，决策延迟由此下降。余下内层顺序跑前馈，形态嵌入作为附加参数进解码器，让输出聚焦最相关属性。 反向的 calcInputGradients 要镜像前馈但逆序。交叉注意力层都用了形态嵌入作第二输入，所以误差回传时得从每个交叉注意力模块累加梯度份额，再写回形态嵌入对象——这是线性模型默认覆盖不掉的多路径收集，得用临时缓冲区拐个弯。
class CNeuronPropertyAwareAttention : class="kw">public CNeuronRMAT { class="kw">protected: CBufferFloat cTemp; class=class="str">"cmt">//--- class="kw">virtual class="type">bool feedForward(CNeuronBaseOCL *NeuronOCL) class="kw">override; class="kw">virtual class="type">bool calcInputGradients(CNeuronBaseOCL *NeuronOCL) class="kw">override; class="kw">virtual class="type">bool updateInputWeights(CNeuronBaseOCL *NeuronOCL) class="kw">override; class="kw">public: CNeuronPropertyAwareAttention(class="type">void) {}; ~CNeuronPropertyAwareAttention(class="type">void) {}; class="kw">virtual class="type">bool Init(class="type">uint numOutputs, class="type">uint myIndex, COpenCLMy *open_cl, class="type">uint window, class="type">uint window_key, class="type">uint properties, class="type">uint units_count, class="type">uint heads, class="type">uint layers, ENUM_OPTIMIZATION optimization_type, class="type">uint batch); class=class="str">"cmt">//---
「属性感知注意力层的初始化与前向链路」
属性感知注意力类在 Init 里先调基类 CNeuronBaseOCL::Init，把窗口长度 window 与属性维度 properties 相乘作为基础输入宽，这意味着一层就把多属性时序压成单张量送入后续子层。 随后代码手动堆出 layers 个「自注意力→交叉注意力→残差卷积」单元：自注意力用 window 和 window_key 做相对位置偏置，交叉注意力额外吃 units_count 个外部单元，残差卷积则保持 window×properties 形状不变。 初始化时有两个细节容易踩坑：第一层神经元硬编码输入宽 1、第二层输入宽 0，仅作占位与掩码用途，真正数据从 idx=2 起的循环子层才开始流动；任何子层 new 失败都会 delete 并返回 false，MT5 终端会在专家日志里直接报初始化中断。 feedForward 在训练态下只取 cLayers[1] 做前向锚点，说明第二层占位神经元同时承担梯度门控角色。外汇与贵金属行情用这类结构做特征提取时波动剧烈，过拟合概率偏高，建议先用小 window（如 32）和 heads=2 在策略测试器里跑样本内验证。
class="kw">virtual class="type">int Type(class="type">void) class="kw">override const { class="kw">return defNeuronPropertyAwareAttention; } }; class="type">bool CNeuronPropertyAwareAttention::Init(class="type">uint numOutputs, class="type">uint myIndex, COpenCLMy *open_cl, class="type">uint window, class="type">uint window_key, class="type">uint properties, 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 * properties, optimization_type, batch)) class="kw">return false; cLayers.Clear(); cLayers.SetOpenCL(OpenCL); CNeuronBaseOCL *neuron=NULL; CNeuronRelativeSelfAttention *self_attention = NULL; CNeuronRelativeCrossAttention *cross_attention = NULL; CResidualConv *ff = NULL; class="type">int idx = class="num">0; neuron = new CNeuronBaseOCL(); if (!neuron || !neuron.Init(window * properties, idx, OpenCL, class="num">1, optimization, iBatch) || !cLayers.Add(neuron)) class="kw">return false; CBufferFloat *temp = neuron.getOutput(); if (!temp.Fill(class="num">1)) class="kw">return false; idx++; neuron = new CNeuronBaseOCL(); if (!neuron || !neuron.Init(class="num">0, idx, OpenCL, window * properties, optimization, iBatch) || !cLayers.Add(neuron)) class="kw">return false; for (class="type">uint i = class="num">0; i < layers; i++) { idx++; self_attention = new CNeuronRelativeSelfAttention(); if (!self_attention || !self_attention.Init(class="num">0, idx, OpenCL, window, window_key, properties, heads, optimization, iBatch) || !cLayers.Add(self_attention) ) { class="kw">delete self_attention; class="kw">return false; } idx++; cross_attention = new CNeuronRelativeCrossAttention(); if (!cross_attention || !cross_attention.Init(class="num">0, idx, OpenCL, window, window_key, properties, heads, window, units_count, optimization, iBatch) || !cLayers.Add(cross_attention) ) { class="kw">delete cross_attention; class="kw">return false; } idx++; ff = new CResidualConv(); if (!ff || !ff.Init(class="num">0, idx, OpenCL, window, window, properties, optimization, iBatch) || !cLayers.Add(ff) ) { class="kw">delete ff; class="kw">return false; } } if (!SetOutput(ff.getOutput()) || !SetGradient(ff.getGradient())) class="kw">return false; class=class="str">"cmt">//--- class="kw">return true; } class="type">bool CNeuronPropertyAwareAttention::feedForward(CNeuronBaseOCL *NeuronOCL) { if(!NeuronOCL) class="kw">return false; CNeuronBaseOCL *neuron = NULL; if (bTrain) { neuron = cLayers[class="num">1];