交易中的神经网络：使用小波变换和多任务注意力的模型（终篇）·综合运用
◍ 用 EURUSD 历史数据给模型验真
前面两篇文章里，我们用 MQL5 把多任务-Stockformer 框架作者提的思路落了地，但落地时做了几处修改，所以这次测的是「我们改过的实现版」，不是原框架本身。 训练直接喂了 EURUSD 2023 全年 H1 周期的历史数据，分析指标全走默认参数，没额外调优。初始训练集来自之前研究攒下的数据，之后每隔一段时间重训并更新数据集，好让模型跟得上参与者策略的演化；跑了几轮之后，训练集和测试集上都能看出正收益。 拿训好的策略去跑 2024 年 1 月数据，其它参数一律不动。这一个月里模型一共下了 19 单，10 单盈利，胜率刚过 50%。但因为盈利单平均赚得比亏损单平均亏得多，整体还是净赚，盈利系数 1.45。 有意思的是交易时段分布：差不多一半仓位开在美国时段，而波动最猛的那段它几乎不出手。外汇和贵金属杠杆高、滑点吃肉，这种时段回避倾向可能降低回撤，但是否长期有效得你自己换品种换周期复测。
「实盘前先在测试器里把模型跑穿」
上面这套把离散小波变换和多任务自注意力拼起来的选股框架，在 MQL5 里已经能自己搭出可训练的模型架构，并在 MetaTrader 5 策略测试器里回测。实验结果显示该实现路线有进一步挖掘的空间，但样本外的泛化能力还没被证明。 目前用的真实历史数据规模偏小，直接上实盘属于把验证环节跳过去了。外汇与贵金属市场高杠杆、高波动，这类基于价格-成交量因子的模型在换周期或换品种后，准确率倾向明显衰减。 稳妥的做法是先在策略测试器里用更具代表性的数据集重训，把不同年份、不同波动率 regime 都覆盖到，再观察 equity 曲线的回撤结构，而不是只看某一段拟合好的输出。
收束
这套 LSTM 预测工程在 MT5 里拆成了七份文件：Research.mq5 与 ResearchRealORL.mq5 负责按两种采样逻辑收集行情样本，Study.mq5 做模型训练，Test.mq5 跑模型验证，Trajectory.mqh 定义系统状态与网络架构，NeuroNet.mqh 封装建网类，NeuroNet.cl 则是 OpenCL 端的算子库。压缩包 MQL5.zip 约 2279.09 KB，直接在 MT5 的 MQL5 目录下解压即可看到完整工程。 外汇与贵金属市场高杠杆、高波动，用神经网络做多元时间序列预测只是概率上的辅助，实盘前务必用 Test.mq5 在自有样本上回测，别把训练集表现当泛化能力。 工程里 Real-ORL 那条采样分支值得单独跑一遍——它和默认 Research 的样本分布差异，可能直接影响后续 DA-CG-LSTM 的收敛倾向。