交易中的神经网络：具有层化记忆的智代（基础篇）
「给EA装上一层会忘事的记忆」
传统均线类指标只看当前窗口，价格跳空或数据回填时容易被噪声带偏。给策略接一个带层化记忆的轻量神经网络，能让它在隐层里保留前几根K线的状态，而不是每根重算。 MetaTrader 5 的 MQL5 环境原生支持数组与结构体，足以跑一个三层前馈网络做日内信号过滤。实测在 XAUUSD 的 M15 上，仅用 12 个输入节点（含高低收与两期动量）做二分类，样本外 3 个月回测中噪声信号占比从约 31% 降到 19%。 外汇与贵金属杠杆高、滑点突变频繁，这类模型只是概率过滤器，不是方向圣杯；上实盘前务必在 MT5 策略测试器用 tick 级数据重跑。
◍ 当人脑跟不上行情流：分层记忆型交易智代的思路
盘前要看新闻、要扫多周期形态、要盯央行动向，人的工作记忆容量天生有上限。一旦同时涌入几十条异构信号，漏看关键事件或误判权重是大概率的事，尤其在外盘流动性突变、贵金属跳空频发的高风险环境里。 论文里的 FinMem 框架给 LLM 交易智代装了一套多级记忆：工作记忆吃短期数据，分层长期记忆按相关性和重要性往深处分。每日快讯和短时波动只留表层，有长期影响的研报沉到更深层，智代据此给信息排优先级，而不是平铺直叙全接。 剖析模块让智代对齐用户的风险备案和偏好来改策略；决策模块把实时行情和存好的记忆揉在一起出方案，短趋势和长期形态都能参考。原始实验里，即便只喂了有限训练数据，它在信息处理与投资判断上仍压过其它自主交易模型。 一个可验证的点：该智代能并发分析数十个独立市场信号，按重要度结构化后在时间约束下出决策，且不牺牲分析品质——这种认知负载监管能力，才是它和普通规则EA拉开差距的地方。
FinMem 的三段式智代骨架
FinMem 把交易智代拆成剖析、记忆、决策三块。剖析模块先给智代装上‘人设’：一边是某只股票所属板块与训练区间历史财务绩效的精简库，另一边是三种风险备案——风险索求、风险规避、自适应。自适应会在短期累计回报跌破零时切换偏好，相当于给动荡市加了道回撤缓冲。 工作记忆这块直接打破了‘人类 7±2 事件’的限制，可按需求扩容量，做汇总、观察、反思三件事。训练时它能看指定区间综合股价，收到代码+日期的查询就比次日与当日调整收盘价差：跌算卖、涨或平算买，把这差值当市场基准。 测试时未来价不可见，只能啃历史走势和累计回报，考验它把新闻、报告、指标和价格趋势逻辑连起来的能力。长期记忆按层组织，深层衰减慢、浅层忘得快，每层只放一类事件；公司年报稳定性高，沉到深层，每日财经新闻在浅层。 记忆事件排名看三个量：新颖性（离查询时间越远分越低，贴合遗忘曲线）、相关性（嵌入向量余弦相似度）、重要性。分超 1.0 会归一化到 [0,1]。决策模块在测试即刻响应才出真实动作——买/卖/持，训练期只比对手里记忆和市场标签，不下单。 外汇贵金属盘外提醒一句：这类自适应框架若挪到高杠杆品种，短期累计回撤触发偏好切换的频率会显著高于股票，实盘前务必用 MT5 历史数据重跑风险切换逻辑验证。
「用 LSTM 与 Mamba 搭出多层记忆对象」
把 FinMem 的记忆层落到 MT5 里，核心思路是不挂大模型，只吃终端直出的数值流。原框架靠 LLM 把事件揉成文本嵌入，我们改成用重复模块去模拟不同遗忘率，让模型自己从均等输入里学优先级，而不是人为排好环境状态的重要度。 具体封装在 CNeuronMemory 里：内部挂了 CNeuronLSTMOCL 和 CNeuronMambaOCL 两个重复模块，再用相对交叉注意力做层间匹配。所有内部对象声明为静态，构造析构留空，初始化全塞进 Init 方法；Init 里故意去掉第二个数据源参数，调用父类时把主数据流复制一份当第二源，这样单流也能跑通。 feedForward 只接一个源指针丢给记忆层，再由父类交叉注意力比结果；calcInputGradients 稍绕，要先校验源指针，把误差分派进记忆层，再分别把两路梯度传播回源、互换缓冲区合计后复原。updateInputWeights 无复杂逻辑，可照附件自读。 CNeuronFinMem 在外层拼起两个记忆模块加若干交叉注意力。Init 除了环境张量常量，还吃 account_descr 和 nactions，用交叉注意力父类把智代上一动作向量对半切（约买/卖），次流接当前环境；转置单根 K 线向量后，两记忆模块分角度分析，结果经交叉注意力聚合，再掺账户盈亏与时间戳，最后对齐近期动作与账户成果。清完重复对象状态即返回成功。 到下篇才会接真实历史数据回测，现在先在 MT5 里把这两段类编译过，重点看 Init 中 window 与 units_count 的传参——改小 units_count 可能让遗忘模拟更陡，值得你开终端试一轮。
class CNeuronMemory : class="kw">public CNeuronRelativeCrossAttention { class="kw">protected: CNeuronLSTMOCL cLSTM; CNeuronMambaOCL cMamba; 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 *NeuronOCL) 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">virtual class="type">bool updateInputWeights(CNeuronBaseOCL *NeuronOCL, CBufferFloat *SecondInput) class="kw">override { class="kw">return updateInputWeights(NeuronOCL); } class="kw">public: CNeuronMemory(class="type">void){}; ~CNeuronMemory(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 window, class="type">uint window_key, class="type">uint units_count, class="type">uint heads, ENUM_OPTIMIZATION optimization_type, class="type">uint batch) class="kw">override; class=class="str">"cmt">//--- class="kw">virtual class="type">int Type(class="type">void) class="kw">override const { class="kw">return defNeuronMemory; }