交易中的神经网络：配备注意力机制（MASAAT）的智代融汇（终章）·综合运用
「MASAAT 层的梯度回传与结构参数」
CNeuronMASAAT::calcInputGradients 负责把输出端的误差反向拆回时间维与截面维两条通路。先借基类 CNeuronPortfolioGenerator 的梯度接口处理截面分支，再对拼接层 cConcat 做隐藏梯度计算，最后用 SumAndNormilize 把两条梯度流合并归一，避免多维特征在回传时量级失衡。 代码里 DeConcat 按神经元数把梯度重新拆给 cPLR 与 cConcat，若层带激活则走 DeActivation 反函数；随后 cTranspose 按 iDimension 做转置梯度归一，最终交给 prevLayer 继续向后传。任一环节返回 false 即中断，说明该层对上游形状或激活配置敏感。 Layer 2 的建层描述里，window_out 固定为 32，step=4 对应多头注意力头数，layers=3 为堆叠深度，batch 设 1e4。radius 用长度为 3 的全 1 向量生成：ones*2 逐元素平方后乘累积偏移再乘 0.01f，得到由近及远递减的最小距离阈值。 在 MT5 里把 descr.step 从 4 调到 8，可能让注意力头数翻倍、显存占用上升但捕获周期更细；外汇与贵金属行情跳空频繁，这类结构改动属高风险实验，建议先用历史 Bars 离线校验再上实盘。
class="kw">return CNeuronPortfolioGenerator::feedForward(cTemporalAnalysis.AsObject(), cCrossSectionalAnalysis.getOutput()); } class="type">bool CNeuronMASAAT::calcInputGradients(CNeuronBaseOCL *prevLayer) { if(!prevLayer) class="kw">return class="kw">false; if(!CNeuronPortfolioGenerator::calcInputGradients(cTemporalAnalysis.AsObject(), cCrossSectionalAnalysis.getOutput(), cCrossSectionalAnalysis.getGradient(), (ENUM_ACTIVATION)cCrossSectionalAnalysis.Activation())) class="kw">return class="kw">false; if(!cConcat.calcHiddenGradients(cCrossSectionalAnalysis.AsObject())) class="kw">return class="kw">false; CBufferFloat *grad = cConcat.getGradient(); if(!cConcat.SetGradient(cConcat.getPrevOutput(), class="kw">false) || !cConcat.calcHiddenGradients(cTemporalAnalysis.AsObject()) || !SumAndNormilize(grad, cConcat.getGradient(), grad, class="num">1, class="num">0, class="num">0, class="num">0, class="num">0, class="num">1) || !cConcat.SetGradient(grad, class="kw">false)) class="kw">return class="kw">false; if(!DeConcat(cTranspose.getPrevOutput(), cPLR.getGradient(), cConcat.getGradient(), cTranspose.Neurons(), cPLR.Neurons(), class="num">1)) class="kw">return class="kw">false; if(cPLR.Activation() != None) if(!DeActivation(cPLR.getOutput(), cPLR.getGradient(), cPLR.getGradient(), cPLR.Activation())) class="kw">return class="kw">false; if(!cTranspose.calcHiddenGradients(cPLR.AsObject()) || !SumAndNormilize(cTranspose.getGradient(), cTranspose.getPrevOutput(), cTranspose.getGradient(), iDimension, class="kw">false, class="num">0, class="num">0, class="num">0, class="num">1)) class="kw">return class="kw">false; if(cTranspose.Activation() != None) if(!DeActivation(cTranspose.getOutput(), cTranspose.getGradient(), cTranspose.getGradient(), cTranspose.Activation())) class="kw">return class="kw">false; if(!prevLayer.calcHiddenGradients(cTranspose.AsObject())) class="kw">return class="kw">false; class=class="str">"cmt">//--- class="kw">return true; } class=class="str">"cmt">//--- layer class="num">2 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronMASAAT; class=class="str">"cmt">//--- Windows { class="type">int temp[] = {BarDescr, LatentCount}; if(ArrayCopy(descr.windows, temp) < (class="type">int)temp.Size()) class="kw">return class="kw">false; } class=class="str">"cmt">//--- Min Distance { vector<class="type">class="kw">float> ones = vector<class="type">class="kw">float>::Ones(class="num">3); vector<class="type">class="kw">float> cs = ones.CumSum() - class="num">1; descr.radius = pow(ones * class="num">2, cs) * class="num">0.01f; } descr.window_out = class="num">32; descr.count = HistoryBars; descr.step = class="num">4; class=class="str">"cmt">//Heads descr.layers = class="num">3; class=class="str">"cmt">//Layers descr.batch = class="num">1e4; descr.activation = None; descr.optimization = ADAM; if(!actor.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; }
EURUSD 历史回测里看见的盈亏结构
MASAAT 框架的 MQL5 实现版已经写完，下一步不是继续改代码，而是拿真实历史数据拷问这套实现到底行不行。要分清：这里验的是「我们改过的实现」，不是 MASAAT 原论文里的那套，因为落地时动了些逻辑。 模型用 EURUSD 的 2023 年 H1 周期数据训练，分析指标全走默认参数，训练中途按周期刷新数据集，好让策略跟得上参与者当时的行为分布。滚了几轮之后，训练集和测试集上都能跑出正收益的策略。 最终验收放在 2024 年 1 月的历史数据上，参数一律不动。测试期一共触发 16 笔交易，赢的家数刚过三分之一。但最大盈利单比最大亏损单大了 2.5 倍，平均盈利更是平均亏损的 3 倍，所以权益曲线整体向上走。 外汇与贵金属属高风险品种，样本仅覆盖特定年份与品种，回测盈利不预示实盘概率。想自己复核，开 MT5 用同周期同品种跑一遍默认参数策略即可。
◍ 别急着下结论
MASAAT 框架把多个交易智代和注意力机制揉在一起，用横断面分析抓资产间与时间点的关联，再经时空融合模块整合成策略。它在降低决策偏见上有设计逻辑，但原文给出的实盘验证只说「展示出潜力」，没给具体收益曲线或回测胜率，不能当成已验证可用的黑盒。 我们在 MT5 里用 Research.mq5 到 Test.mq5 这一组程序跑过样本收集和训练测试，过程能复现，但附件 ZIP 标称 2222.68 KB，且作者声明不对准确性负责。外汇和贵金属杠杆高，这类多智代模型过拟合概率不低，先开 MT5 加载 Study.mq5 看训练损耗再决定是否接真仓。