交易中的神经网络：降低锐度强化变换器效率（终章）·综合运用
Actor 与 Critic 的隐层堆叠方式
下面这段构建逻辑把 Actor 网络从第 3 层一路铺到第 8 层，再单独初始化 Critic 的输入层。外汇与贵金属行情的高波动特性，意味着这类概率化网络结构在实盘里可能倾向过拟合，开 MT5 跑前务必用小样本先验证。 第 3、4 层是对称的 LatentCount 隐层，类型 defNeuronBaseSAMOCL，激活用 SIGMOID，优化器 ADAM，dropout 概率锁在 0.7f。第 5 层把维度拉到 2*NActions 且激活为 None，像是在给动作空间做双向映射。 第 6 层切到 defNeuronVAEOCL、输出 NActions，第 7 层用 defNeuronConvSAMOCL 做窗口 3、步长 3 的卷积压缩（count=NActions/3），第 8 层 defNeuronFreDFOCL 以 NActions 为窗、count=1 收口。Critic 则先 Clear，再建一个 count=NActions、激活 None 的输入层，prev_count 被同步记录供后续扩层。 逐行拆这几段能看清：所有 Add 失败分支都 delete descr 并 return false，说明内存回收和短路返回是硬编码约束，改结构时别漏了这两行。
class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">3 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronBaseSAMOCL; descr.count = LatentCount; descr.activation = SIGMOID; descr.optimization = ADAM; descr.probability=class="num">0.7f; if(!actor.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">4 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronBaseSAMOCL; descr.count = LatentCount; descr.activation = SIGMOID; descr.optimization = ADAM; descr.probability=class="num">0.7f; if(!actor.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">5 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronBaseSAMOCL; descr.count = class="num">2 * NActions; descr.activation = None; descr.optimization = ADAM; descr.probability=class="num">0.7f; if(!actor.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">6 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronVAEOCL; descr.count = NActions; descr.optimization = ADAM; if(!actor.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">7 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronConvSAMOCL; descr.count = NActions / class="num">3; descr.window = class="num">3; descr.step = class="num">3; descr.window_out = class="num">3; descr.activation = SIGMOID; descr.optimization = ADAM; descr.probability=class="num">0.7f; if(!actor.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">8 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronFreDFOCL; descr.window = NActions; descr.count = class="num">1; descr.step = class="type">int(class="kw">false); descr.probability = class="num">0.7f; descr.activation = None; descr.optimization = ADAM; if(!actor.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- Critic critic.Clear(); class=class="str">"cmt">//--- Input layer if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronBaseSAMOCL; prev_count = descr.count = NActions; descr.activation = None; descr.optimization = ADAM; descr.probability=class="num">0.7f; if(!critic.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; }
「Critic 网络的七层堆叠细节」
下面这段构建逻辑直接决定 Critic 对状态—动作价值的拟合能力。它在 MT5 里用 CLayerDescription 逐层向 critic 对象压入结构，任何一层 Add 失败就 delete 并回 false，整体返回 true 才算装配完成。 第一层是 BaseSAMOCL 类型，神经元数等于 EmbeddingSize，激活走 SIGMOID，优化用 ADAM，dropout 概率锁在 0.7f；prev_count 也同步成 EmbeddingSize，给后面层当输入维度参照。第二层换成 Concatenate，count 设为 LatentCount，window=EmbeddingSize、step=LatentCount，激活改 LReLU，用来把嵌入和隐变量拼到一块。 第三到第五层全是 BaseSAMOCL，count 保持 LatentCount，SIGMOID+ADAM+0.7f 概率不变，属于特征深度的重复抽取。第六层 count 改成 NRewards、激活 None，开始往奖励维度收口；第七层 FreDFOCL 只放 1 个神经元，window=NRewards、step=int(false) 即 0，输出层无激活，给最终价值打分。 把 probability 统一设 0.7f 意味着训练时每层有 30% 节点可能被随机屏蔽，外汇与贵金属行情噪声大，这种正则倾向降低过拟合概率，但也可能拖慢收敛，实盘前建议在 MT5 策略测试器里把该值调到 0.5~0.9 各跑一轮看权益曲线稳定性。
class=class="str">"cmt">//--- layer class="num">1 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronBaseSAMOCL; prev_count = descr.count = EmbeddingSize; descr.activation = SIGMOID; descr.optimization = ADAM; descr.probability=class="num">0.7f; if(!critic.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">2 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronConcatenate; descr.count = LatentCount; descr.window = EmbeddingSize; descr.step = LatentCount; descr.activation = LReLU; descr.optimization = ADAM; if(!critic.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">3 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronBaseSAMOCL; descr.count = LatentCount; descr.activation = SIGMOID; descr.optimization = ADAM; descr.probability=class="num">0.7f; if(!critic.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">4 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronBaseSAMOCL; descr.count = LatentCount; descr.activation = SIGMOID; descr.optimization = ADAM; descr.probability=class="num">0.7f; if(!critic.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">5 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronBaseSAMOCL; descr.count = LatentCount; descr.activation = SIGMOID; descr.optimization = ADAM; descr.probability=class="num">0.7f; if(!critic.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">6 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronBaseSAMOCL; descr.count = NRewards; descr.activation = None; descr.optimization = ADAM; descr.probability=class="num">0.7f; if(!critic.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">7 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronFreDFOCL; descr.window = NRewards; descr.count = class="num">1; descr.step = class="type">int(class="kw">false); descr.probability = class="num">0.7f; descr.activation = None; descr.optimization = ADAM; if(!critic.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- class="kw">return true; }
◍ EURUSD H1 上的跨模型实测对照
模型训练沿用 EURUSD 2023 全年真实历史数据，固定 H1 周期，指标全默认；为隔离训练集变动干扰，R-MAT 基线被选作 SAM 优化的对照，训练期不更新数据集，代价是可能拖累新模型表现，但对比更干净。 三个模型同步训练，测试切到 2024 年 1 月真实行情，其余参数不动。SAM 优化带来平滑损失面，学习率从早先的 3.0e-04 提到 1.0e-03；单层注意力把可训练参数量压下来，抵消了 SAM 额外前馈通验的计算开销。 实测结果：新模型在样本外跑出 19 笔交易、11 笔盈利（57.89%），总回报率接近 R-MAT 基线两倍；基线同期 15 笔交易、9 笔盈利（60.0%）。外汇高杠杆品种，样本外胜率与收益背离属正常噪声，结论仅代表该段历史，换周期或品种需重测。
浅层架构配 SAM 让变换器不再挑数据
SAMformer 针对传统变换器在多变量长期预测里的两个老毛病下了手：一是训练复杂度高，二是小样本下普适能力差。它的做法不复杂——浅层网络结构加上锐度感知最小化（SAM），让优化过程避开又陡又窄的局部最小值，训练稳定性和精度都更稳。 我们在 MT5 里用 MQL5 自己复现了这套思路，拿真实历史报价训练后做测试。结果上，集成 SAM 能在不增加额外训练成本的前提下强化基线模型，部分情形下甚至把训练开销压了下来，这对小样本外汇或贵金属序列尤其有意义。 这类方法仍依赖历史分布，面对突发流动性断裂会失效。贵金属与外汇杠杆高、回撤快，实盘前务必用策略测试器跑通样本外再谈仓位。
「把工具请下神坛」
这套 LSTM 预测方案落到代码层面，一共给了 8 个文件：6 个智能系统（Research、ResearchRealORL、Study、StudyEncoder、Test 及前文对应的主程序）加 2 个类库 Trajectory.mqh 与 NeuroNet.mqh，另带一份 OpenCL 函数库 NeuroNet.cl，完整包约 2147 KB。它们只负责采样、训练与回测，不替你下单，也不保证EURUSD或XAUUSD的胜率。 作者原帖里有人算过账：测试账户负载仅 1–2%，月化总利润约 0.35%，作者自己也说“没人把它当圣杯”。外汇与贵金属杠杆高、滑点跳空频繁，直接照搬文件跑实盘大概率跑不赢存款利率。 真正该做的，是把 ZIP 解进 MT5 的 MQL5/Files 跑一遍 Test.mq5，看在你自己品种上的预测误差分布，再决定要不要改隐藏层维度。工具只是放大镜，市场不会因你用了神经网络就少给你止损。