🧠
交易中的神经网络：配备注意力机制（MASAAT）的智代融汇（终章）·进阶篇
（2/3）· 从 TA 模块转置到投资组合生成，拆解多智代注意力框架的工程落地细节
不少人在复现多智代框架时，直接套用 CSA 模块处理时间维度，忽略了三维张量内转置的轴序差异。MASAAT 的 TA 模块与 CSA 结构近似却视角相反，用错张量形状会让注意力权重完全失真。先理清 [智代、资产、时间] 的排布，再谈再平衡。
智代怎么拼出自己的仓位权重
CSA 模块吐出资产间依赖，TA 模块吐出时间点间依赖，两者经注意力整合后，每个智代先形成带时间信息的资产嵌入，再过一个全连通层输出权重矢量，所有元素合计严格等于 1。实际落地时，我们没照搬原框架数学外的表述，而是把模块输出 reinterpret 成隐藏状态嵌入，方便后续接交易动作（方向、规模、止损止盈），因为原始输入里根本没有账户状态和产品动态。 核心类 CNeuronPortfolioGenerator 继承 CNeuronBaseOCL，内部对象全声明为静态，构造析构留空，初始化全挤在 Init 里。Init 必须收到 5 个大于零的参数：assets（CSA 资产数）、time_points（TA 时间点数）、dimension（嵌入维度，两模块共用）、agents（智代数）、projection（输出状态大小）。父类初始化传 projection，成功后存内部变量，再初始化内部对象——注意 TA 输出是 [智代, 时间, 嵌入] 三维张量且被用两次，所以要用 CNeuronTransposeVRCOCL 对最后两维做转置。 前馈时有两个数据源，TA 结果用两次，故设为主流。计算顺序：第二数据源乘第一数据源转置 → Softmax 归一化（每个资产每智代独立归一，头数 = 资产数 × 智代数）→ 乘原始 TA 流 → 父类全连通层投影到子空间。反向传播 calcInputGradients 完全逆着前馈走，但主流入梯度来自两条流，中间值暂存置换层辅助缓冲区，最后按主流激活函数导数调整再回传 CSA 与 TA。 参数调错一个就直接初始化失败，建议开 MT5 把 assets 和 agents 先设小（如 3 和 2）跑通前馈，再扩到实盘品种数。外汇与贵金属杠杆高，隐藏状态仅表征市场态势，不等于下单信号，需接风控层。
MQL5 / C++
class CNeuronPortfolioGenerator : class="kw">public CNeuronBaseOCL { class="kw">protected: class="type">uint iAssets; class="type">uint iTimePoints; class="type">uint iAgents; class="type">uint iDimension; class=class="str">"cmt">//--- CNeuronBaseOCL cAssetTime[class="num">2]; CNeuronTransposeVRCOCL cTransposeVRC; CNeuronSoftMaxOCL cSoftMax; class=class="str">"cmt">//--- class="kw">virtual class="type">bool feedForward(CNeuronBaseOCL *NeuronOCL) class="kw">override { class="kw">return class="kw">false; } class="kw">virtual class="type">bool feedForward(CNeuronBaseOCL *NeuronOCL, CBufferFloat *SecondInput) class="kw">override; class="kw">virtual class="type">bool calcInputGradients(CNeuronBaseOCL *prevLayer) class="kw">override { class="kw">return class="kw">false; } class="kw">virtual class="type">bool calcInputGradients(CNeuronBaseOCL *NeuronOCL, CBufferFloat *SecondInput, CBufferFloat *SecondGradient, ENUM_ACTIVATION SecondActivation = None) class="kw">override; class="kw">virtual class="type">bool updateInputWeights(CNeuronBaseOCL *NeuronOCL) class="kw">override; class="kw">public: CNeuronPortfolioGenerator(class="type">void) {}; ~CNeuronPortfolioGenerator(class="type">void) {}; class=class="str">"cmt">//--- class="kw">virtual class="type">bool Init(class="type">uint numOutputs, class="type">uint myIndex, COpenCLMy *open_cl, class="type">uint assets, class="type">uint time_points, class="type">uint dimension, class="type">uint agents, class="type">uint projection,
「组合生成器的初始化与前向传播骨架」
CNeuronPortfolioGenerator 在 MT5 的 OpenCL 神经网络框架里，承担把多资产、多时间点的特征压缩成组合权重的角色。它的 Init 方法先卡死四个底线参数：assets、time_points、dimension、agents 任一为 0 直接返回 false，避免后续矩阵维度算出 0 长度缓冲。 Init 里依次挂了转置层 cTransposeVRC（维度 iAgents×iTimePoints×iDimension）、两个 AssetTime 缓冲与 SoftMax 头。注意 cSoftMax.SetHeads(iAssets * iAgents) 这行：把 softmax 拆成多个头，意味着输出不是单向量而是分资产分智能体的概率分布，调参时 head 数必须和前面 iAssets*iAgents 对齐，否则 FeedForward 会越界。 前向传播 feedForward 接收 SecondInput 作为第二路特征。流程是先转置 VRC 张量，再做 MatMul 把 SecondInput 与转置结果乘进 cAssetTime[0]，维度顺序是 (iAssets, iDimension) × (iDimension, iTimePoints) 按 iAgents 并行。外汇与贵金属行情的高波动下，这种张量并行能压低单根 K 线的噪声权重，但 GPU 显存占用随 iAgents 线性放大，实盘前建议在策略测试器里先跑小 batch 验证。 下面这段是类声明与两个核心方法的原码，逐行看能少踩很多 OpenCL 缓冲绑定的坑。
MQL5 / C++
ENUM_OPTIMIZATION optimization_type, class="type">uint batch); class=class="str">"cmt">//--- class="kw">virtual class="type">int Type(class="type">void) class="kw">const class="kw">override { class="kw">return defNeuronPortfolioGenerator; } class=class="str">"cmt">//--- class="kw">virtual class="type">bool Save(class="type">int class="kw">const file_handle) class="kw">override; class="kw">virtual class="type">bool Load(class="type">int class="kw">const file_handle) class="kw">override; class="kw">virtual class="type">bool WeightsUpdate(CNeuronBaseOCL *source, class="type">class="kw">float tau) class="kw">override; class="kw">virtual class="type">void SetOpenCL(COpenCLMy *obj) class="kw">override; }; class="type">bool CNeuronPortfolioGenerator::Init(class="type">uint numOutputs, class="type">uint myIndex, COpenCLMy *open_cl, class="type">uint assets, class="type">uint time_points, class="type">uint dimension, class="type">uint agents, class="type">uint projection, ENUM_OPTIMIZATION optimization_type, class="type">uint batch) { if(assets <= class="num">0 || time_points <= class="num">0 || dimension <= class="num">0 || agents <= class="num">0) class="kw">return class="kw">false; if(!CNeuronBaseOCL::Init(numOutputs, myIndex, open_cl, projection, optimization_type, batch)) class="kw">return class="kw">false; iAssets = assets; iTimePoints = time_points; iDimension = dimension; iAgents = agents; if(!cTransposeVRC.Init(class="num">0, class="num">0, OpenCL, iAgents, iTimePoints, iDimension, optimization, iBatch)) class="kw">return class="kw">false; if(!cAssetTime[class="num">0].Init(class="num">0, class="num">1, OpenCL, iAssets * iTimePoints * iAgents, optimization, iBatch)) class="kw">return class="kw">false; cAssetTime[class="num">0].SetActivationFunction(None); if(!cSoftMax.Init(class="num">0, class="num">2, OpenCL, cAssetTime[class="num">0].Neurons(), optimization, iBatch)) class="kw">return class="kw">false; cSoftMax.SetHeads(iAssets * iAgents); if(!cAssetTime[class="num">1].Init(Neurons(), class="num">3, OpenCL, iAssets * iDimension * iAgents, optimization, iBatch)) class="kw">return class="kw">false; cAssetTime[class="num">1].SetActivationFunction(None); class=class="str">"cmt">//--- class="kw">return true; } class="type">bool CNeuronPortfolioGenerator::feedForward(CNeuronBaseOCL *NeuronOCL, CBufferFloat *SecondInput) { if(!SecondInput) class="kw">return class="kw">false; class=class="str">"cmt">//--- if(!cTransposeVRC.FeedForward(NeuronOCL)) class="kw">return class="kw">false; if(!MatMul(SecondInput, cTransposeVRC.getOutput(), cAssetTime[class="num">0].getOutput(), iAssets, iDimension, iTimePoints, iAgents)) class="kw">return class="kw">false; if(!cSoftMax.FeedForward(cAssetTime[class="num">0].AsObject()))
◍ 组合层反向传播里的矩阵梯度链
这一段是组合生成器（PortfolioGenerator）在训练时回传梯度的核心实现，直接决定了多资产权重矩阵能否在 OpenCL 上正确更新。
MQL5 / C++
逐行拆解：函数入口先判空，NeuronOCL、SecondGradient、SecondInput 任一为空直接返回 false，避免空指针在显存上炸核。接着调基类 calcInputGradients 对 cAssetTime[1] 做基础梯度初始化，失败即退出。
第一个 MatMulGrad 用 softmax 的输出与梯度，结合 NeuronOCL 输出和转置缓冲的上一帧输出，算出 cAssetTime[1] 的梯度；维度参数是 iAssets × iTimePoints × iDimension × iAgents，这四个量必须和前向 feedForward 里 MatMul 调用完全一致，否则梯度形状对不上会静默返回 false。
第二个 MatMulGrad 处理 SecondInput 这支旁路，把梯度写回 cAssetTime[0]；之后若 SecondActivation 不是 None 就做 DeActivation 反激活。最后对 NeuronOCL 隐藏层梯度计算后做 SumAndNormilize（末位参数 1 表示按特定轴归一），若 NeuronOCL 自身有激活函数再补一次 DeActivation。
在 MT5 里接这套网络时，重点核对 iDimension 与 SumAndNormilize 的归一轴：若组合层权重更新方向明显偏离，优先打印这四个维度变量与 PrevOutput 的 buffer 大小。外汇与贵金属市场波动剧烈，此类 GPU 训练策略仅作研究验证，实盘存在较高回撤风险。
class="type">bool CNeuronPortfolioGenerator::calcInputGradients(CNeuronBaseOCL *NeuronOCL, CBufferFloat *SecondInput, CBufferFloat *SecondGradient, ENUM_ACTIVATION SecondActivation = -class="num">1) { if(!NeuronOCL || !SecondGradient || !SecondInput) class="kw">return class="kw">false; if(!CNeuronBaseOCL::calcInputGradients(cAssetTime[class="num">1].AsObject())) class="kw">return class="kw">false; if(!MatMulGrad(cSoftMax.getOutput(), cSoftMax.getGradient(), NeuronOCL.getOutput(), cTransposeVRC.getPrevOutput(), cAssetTime[class="num">1].getGradient(), iAssets, iTimePoints, iDimension, iAgents)) class="kw">return class="kw">false; if(!cAssetTime[class="num">0].calcHiddenGradients(cSoftMax.AsObject())) class="kw">return class="kw">false; if(!MatMulGrad(SecondInput, SecondGradient, cTransposeVRC.getOutput(), cTransposeVRC.getGradient(), cAssetTime[class="num">0].getGradient(), iAssets, iDimension, iTimePoints, iAgents)) class="kw">return class="kw">false; if(SecondActivation != None) if(!DeActivation(SecondInput, SecondGradient, SecondGradient, SecondActivation)) class="kw">return class="kw">false; if(!NeuronOCL.calcHiddenGradients(cTransposeVRC.AsObject()) || !SumAndNormilize(NeuronOCL.getGradient(), cTransposeVRC.getPrevOutput(), NeuronOCL.getGradient(), iDimension, class="kw">false, class="num">0, class="num">0, class="num">0, class="num">1)) class="kw">return class="kw">false; if(NeuronOCL.Activation() != None) if(!DeActivation(NeuronOCL.getOutput(), cTransposeVRC.getPrevOutput(), cTransposeVRC.getPrevOutput(), NeuronOCL.Activation())) class="kw">return class="kw">false; class=class="str">"cmt">//--- class="kw">return true; }
MQL5 / C++
class="type">bool CNeuronPortfolioGenerator::calcInputGradients(CNeuronBaseOCL *NeuronOCL, CBufferFloat *SecondInput, CBufferFloat *SecondGradient, ENUM_ACTIVATION SecondActivation = -class="num">1) { if(!NeuronOCL || !SecondGradient || !SecondInput) class="kw">return class="kw">false; if(!CNeuronBaseOCL::calcInputGradients(cAssetTime[class="num">1].AsObject())) class="kw">return class="kw">false; if(!MatMulGrad(cSoftMax.getOutput(), cSoftMax.getGradient(), NeuronOCL.getOutput(), cTransposeVRC.getPrevOutput(), cAssetTime[class="num">1].getGradient(), iAssets, iTimePoints, iDimension, iAgents)) class="kw">return class="kw">false; if(!cAssetTime[class="num">0].calcHiddenGradients(cSoftMax.AsObject())) class="kw">return class="kw">false; if(!MatMulGrad(SecondInput, SecondGradient, cTransposeVRC.getOutput(), cTransposeVRC.getGradient(), cAssetTime[class="num">0].getGradient(), iAssets, iDimension, iTimePoints, iAgents)) class="kw">return class="kw">false; if(SecondActivation != None) if(!DeActivation(SecondInput, SecondGradient, SecondGradient, SecondActivation)) class="kw">return class="kw">false; if(!NeuronOCL.calcHiddenGradients(cTransposeVRC.AsObject()) || !SumAndNormilize(NeuronOCL.getGradient(), cTransposeVRC.getPrevOutput(), NeuronOCL.getGradient(), iDimension, class="kw">false, class="num">0, class="num">0, class="num">0, class="num">1)) class="kw">return class="kw">false; if(NeuronOCL.Activation() != None) if(!DeActivation(NeuronOCL.getOutput(), cTransposeVRC.getPrevOutput(), cTransposeVRC.getPrevOutput(), NeuronOCL.Activation())) class="kw">return class="kw">false; class=class="str">"cmt">//--- class="kw">return true; }
把分散模块收进一个类里
MASAAT 各个子模块写完后，要塞进同一个类才方便跑端到端。这里选 CNeuronPortfolioGenerator 当父类，因为它本来就是流程末端的组合模块，继承它就能直接复用输出逻辑，不必再在内部 new 一个对象。新类 CNeuronMASAAT 里只声明了转置、分段线性表示（PLR）、级联层、横截面分析（CSA）和时序分析（TA）这几个成员，所有方法基本就是按顺序调内部对象。 所有成员都声明为静态，构造和析构函数留空，初始化全丢给 Init 方法。Init 的参数里包含输入窗口大小、序列长度、智代头数等常量。调用父类 Init 时有个坑：原始多模态序列会被压成三段式线性表示，时间点数量缩为原来的 1/3，所以传给父类的序列长度要除以 3。 智代数量也比阈值偏差向量长度多 1。作者早先验证过，把分段线性表示和原始序列拼起来用，模型效率倾向更高，所以多分配一个智代直接在未经修改的原始序列上干活。 前向通验 feedForward 看着平铺直叙：输入指针交给转置对象，输出和原始数据级联后送进 CSA 与 TA，再喂给父类方法。但信息流背后有分叉——转置后的原始数据和级联张量都被用了两次，这给反向传播的梯度分发埋了雷。 calcInputGradients 里先调父类方法，让 CSA 和 TA 按对输出的影响分梯度；两个模块都作用在级联张量上，所以梯度要从两条流汇回来，这里用缓冲区替换技术把第二支流的梯度提出来相加。级联张量再把梯度派给转置对象和 PLR 对象，必要时按激活函数导数修正，最后回传到输入层。外汇与贵金属信号建模属高风险，回测结论仅代表历史概率。 模型接进参与者架构时，动态窗口数组指定了分析窗口大小和隐藏状态长度，三位智代的阈值用几何级数生成，其余参数走标准值。完整代码在附件，架构基本沿用前作，不用重头捋。
MQL5 / C++
class CNeuronMASAAT : class="kw">public CNeuronPortfolioGenerator { class="kw">protected: CNeuronTransposeOCL cTranspose; CNeuronPLRMultiAgentsOCL cPLR; CNeuronBaseOCL cConcat; CNeuronCrossSectionalAnalysis cCrossSectionalAnalysis; CNeuronTemporalAnalysis cTemporalAnalysis; class=class="str">"cmt">//--- class="kw">virtual class="type">bool feedForward(CNeuronBaseOCL *NeuronOCL) class="kw">override; class="kw">virtual class="type">bool feedForward(CNeuronBaseOCL *NeuronOCL, CBufferFloat *SecondInput) class="kw">override { class="kw">return feedForward(NeuronOCL); } class="kw">virtual class="type">bool calcInputGradients(CNeuronBaseOCL *prevLayer) class="kw">override; class="kw">virtual class="type">bool calcInputGradients(CNeuronBaseOCL *NeuronOCL, CBufferFloat *SecondInput, CBufferFloat *SecondGradient, ENUM_ACTIVATION SecondActivation = None) class="kw">override { class="kw">return calcInputGradients(NeuronOCL); } class="kw">virtual class="type">bool updateInputWeights(CNeuronBaseOCL *NeuronOCL) class="kw">override; class="kw">public: CNeuronMASAAT(class="type">void) {}; ~CNeuronMASAAT(class="type">void) {}; class=class="str">"cmt">//--- class=class="str">"cmt">//--- 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 heads, class="type">uint units_cout, class="type">uint layers, vector<class="type">class="kw">float> &min_distance, class="type">uint projection, ENUM_OPTIMIZATION optimization_type, class="type">uint batch); class=class="str">"cmt">//---
「MASAAT 神经元的初始化与前向传播链路」
CNeuronMASAAT 在类声明里重写了 Type、Save、Load、WeightsUpdate 和 SetOpenCL 五个虚函数，Type 直接返回 defNeuronMASAAT 常量，用于运行时类型辨识。其余几个留作外部持久化与 OpenCL 上下文注入的接口，具体实现由派生层完成。 Init 函数是这个神经元的装配核心。它先调用基类 CNeuronPortfolioGenerator::Init，注意这里把传入的 units_cout 除以 3 再喂给基类，同时用 min_distance.Size()+1 作为某一维规模——这种维度压缩在外接多资产序列时容易踩坑，调参时建议先打印确认实际张量形状。 随后依次初始化 cTranspose、cPLR、cConcat、cCrossSectionalAnalysis、cTemporalAnalysis 五个子模块，索引号从 0 到 4 硬编码在第二个参数里。cCrossSectionalAnalysis 与 cTemporalAnalysis 的 heads 维都用了 heads/2 作为中间通道数，若 heads 为奇数会截断，回测中 heads=8 时两模块各占 4 通道。 feedForward 严格按 Transpose → PLR → Concat → 双分析模块的顺序流动。Concat 调用把前两步输出按样本轴（第三参为 1）拼起来，再同时送进横截面和时间序列两个分析分支；任一步返回 false 就中断，说明中间张量尺寸不匹配是主要失败原因，开 MT5 跑自定义 EA 时可在每行后加 Print 查断点。
MQL5 / C++
class="kw">virtual class="type">int Type(class="type">void) class="kw">const class="kw">override { class="kw">return defNeuronMASAAT; } class=class="str">"cmt">//--- class="kw">virtual class="type">bool Save(class="type">int class="kw">const file_handle) class="kw">override; class="kw">virtual class="type">bool Load(class="type">int class="kw">const file_handle) class="kw">override; class="kw">virtual class="type">bool WeightsUpdate(CNeuronBaseOCL *source, class="type">class="kw">float tau) class="kw">override; class="kw">virtual class="type">void SetOpenCL(COpenCLMy *obj) class="kw">override; }; class="type">bool CNeuronMASAAT::Init(class="type">uint numOutputs, class="type">uint myIndex, COpenCLMy *open_cl, class="type">uint window, class="type">uint window_key, class="type">uint heads, class="type">uint units_cout, class="type">uint layers, vector<class="type">class="kw">float> &min_distance, class="type">uint projection, ENUM_OPTIMIZATION optimization_type, class="type">uint batch) { if(!CNeuronPortfolioGenerator::Init(numOutputs, myIndex, open_cl, window, units_cout / class="num">3, window_key, (class="type">uint)min_distance.Size() + class="num">1, projection, optimization_type, batch)) class="kw">return class="kw">false; if(!cTranspose.Init(class="num">0, class="num">0, OpenCL, units_cout, window, optimization, iBatch)) class="kw">return class="kw">false; if(!cPLR.Init(class="num">0, class="num">1, OpenCL, window, units_cout, class="kw">false, min_distance, optimization, iBatch)) class="kw">return class="kw">false; if(!cConcat.Init(class="num">0, class="num">2, OpenCL, cTranspose.Neurons() + cPLR.Neurons(), optimization, iBatch)) class="kw">return class="kw">false; if(!cCrossSectionalAnalysis.Init(class="num">0, class="num">3, OpenCL, units_cout, window_key, heads, heads / class="num">2, window, layers, class="num">1, iAgents, optimization, iBatch)) class="kw">return class="kw">false; if(!cTemporalAnalysis.Init(class="num">0, class="num">4, OpenCL, units_cout, window_key, heads, heads / class="num">2, window, layers, class="num">1, iAgents, optimization, iBatch)) class="kw">return class="kw">false; class=class="str">"cmt">//--- class="kw">return true; } class="type">bool CNeuronMASAAT::feedForward(CNeuronBaseOCL *NeuronOCL) { if(!cTranspose.FeedForward(NeuronOCL)) class="kw">return class="kw">false; if(!cPLR.FeedForward(cTranspose.AsObject())) class="kw">return class="kw">false; if(!Concat(cTranspose.getOutput(), cPLR.getOutput(), cConcat.getOutput(), cTranspose.Neurons(), cPLR.Neurons(), class="num">1)) class="kw">return class="kw">false; if(!cCrossSectionalAnalysis.FeedForward(cConcat.AsObject())) class="kw">return class="kw">false; if(!cTemporalAnalysis.FeedForward(cConcat.AsObject())) class="kw">return class="kw">false; class=class="str">"cmt">//---
把张量排布交给小布核对
这些维度校验与模块装配的重复劳动，小布盯盘背后的 AIGC 已内置了检查逻辑，打开对应品种页就能看到张量形状提示，你只需专注策略层面的调参。
常见问题
结构高度相似，但分析视角正交；工程上可对原始序列转置后复用 CNeuronCrossSectionalAnalysis，但需确保三维张量按 [智代、资产、时间] 正确转置，否则跨时间点依赖会被误读。
不同阈值控制提取关键趋势的灵敏度，阈值宽则只捕捉显著变动、过滤噪声，阈值窄会纳入弱信号，可能在高波动外汇贵金属市场放大误判概率。
可以，小布盯盘集成的诊断视图能并行呈现多品种跨时间点的相关性热力，省去手动核对 CSA 与 TA 模块产出的繁琐，但外汇贵金属属高风险，信号仅作概率参考。
模块依据 CSA 与 TA 的注意力评估动态调配资本，波动期倾向降权高依赖资产，具体权重受分段线性尺度影响，实际效果随市况可能偏移。
每个模块作为独立类实现后，需统一结构体接收多模态序列对象；重点测试模块间张量接口，避免维度和粒度层级错配导致融汇失效。