交易中的神经网络：具有层化记忆的智代（终篇）·综合运用
（3/3）· 剥离大语言模型后，如何用 CNeuronFinMem 在 MT5 复现短期与长期记忆协同的决策流
空单信号的止损止盈归一化
当 argmax 为 0 或大于 argmin 时，引擎进入做空分支，先在循环里累计 tp 与 sl。tp 取各候选位 target[i]+fstate[i,2]-fstate[i,0] 的最小值，sl 取对应下沿的最大值，循环遇到 cur_sl 已覆盖下沿就 break，避免无谓延伸。 若最终 tp<0，说明综合投射偏空，此时把 sl 和 tp 分别除以 MaxSL*Point() 与 MaxTP*Point() 并夹紧到 [0,1]，得到网络可用的归一化动作值。result[3] 还写入当前权益占比 account[0]/100*0.01，作为仓位参考。 下面这段是做空分支的核心赋值，注意 result[0~2] 先清 0 再只填 3/4/5 三个通道： for(int i=0; i<3; i++) result[i]=0; bActions.AssignArray(result); 在 MT5 里把 MaxSL、MaxTP 调小，能让归一化后的 sl/tp 更敏感，适合黄金 15 分钟这类高波动品种；外汇直盘则倾向放大以避免被噪音扫损。杠杆交易高风险，参数仅作概率参考。
for(class="type">int i=class="num">0; i<class="num">3; i++) result[i]=class="num">0; bActions.AssignArray(result);
「Actor 反向传播与训练进度节流」
这段逻辑处在策略网络（Actor）的训练循环尾部，核心是把动作缓冲、账户状态和梯度缓冲一并送进 backProp，若返回失败立即置 Stop 并跳出循环，避免脏权重继续写盘。 代码中用 GetTickCount 做了 500 毫秒的节流：每过 500ms 才用 Comment 刷新一次进度，显示 Actor 的训练百分比与近期平均误差（getRecentAverageError）。把刷新频率压在 500ms 这一档，能明显减轻 MT5 主线程的 UI 开销，回测时尤其看得出来不卡顿。 循环结束后清空 Comment 并打印最终 Actor 平均误差，随后调用 ExpertRemove 让 EA 自我卸载。外汇与贵金属行情噪声大，这类强化学习训练结果仅代表样本内拟合，实盘迁移有较高失效概率，务必先开 MT5 用历史数据验证再上真仓。
}
}
}
}
}
class=class="str">"cmt">//--- Actor Policy
if(!Actor.backProp(GetPointer(bActions), (CBufferFloat*)GetPointer(bAccount), GetPointer(bGradient)))
{
PrintFormat("%s -> %d", __FUNCTION__, __LINE__);
Stop = true;
class="kw">break;
}
if(GetTickCount() - ticks > class="num">500)
{
class="type">class="kw">double percent = class="type">class="kw">double(iter + i - start) * class="num">100.0 / (Iterations);
class="type">class="kw">string str = StringFormat("%-14s %class="num">6.2f%% -> Error %class="num">15.8f\n", "Actor", percent,
Actor.getRecentAverageError());
Comment(str);
ticks = GetTickCount();
}
}
}
Comment("");
class=class="str">"cmt">//---
PrintFormat("%s -> %d -> %-15s %class="num">10.7f", __FUNCTION__, __LINE__, "Actor", Actor.getRecentAverageError());
ExpertRemove();
class=class="str">"cmt">//---
}◍ 用 EURUSD 历史数据验真模型
前两步把 FinMem 框架落成了 MQL5 版，但实现时对原算法做了大幅改写，所以这一轮只验我们自己的版本，不背原框架的锅。 模型在 EURUSD 的 2023 年 H1 周期上训练，指标全用默认值；训练集沿用之前研究积累的样本，算法能给智能体产出“近乎理想”的目标动作，因此不刷新数据集也能训。不过账户状态会变，定期重采训练集更稳。 拿 2024 年 1 月数据做封闭测试，参数不变：共成交 33 笔，胜率略超 50%，平均与最大盈利额都高于对应亏损额，余额曲线整体向上。外汇及贵金属杠杆高、滑点随时吃利润，这只是一个历史片段里的倾向性结果，实盘仍需自担风险。 想复现就开 MT5 载入同周期 EURUSD，把训练集按月份切开，先跑 2023 再锁参数测 2024-01，看那 33 笔是否对得上。
收束
FinMem 这套把分层记忆和大模型思路揉进自主交易的框架，本质是在不稳定行情里尽量让智代少做情绪化决策。我们在 MT5 里落了去掉大语言模型的 MQL5 版，用 Research.mq5 收样本、Study.mq5 训模型、Test.mq5 测表现，实验跑下来能确认思路在真实盘口有适用性。 不过真要丢进实时外汇或贵金属行情跑，风险依旧很高，模型还得在更有代表性的数据集上做额外调谐和更狠的综合性测试，别直接拿去顶实盘。 附件里 MQL5.zip 约 2.3 MB，含 7 个文件，自己开 MT5 把 Trajectory.mqh 和 NeuroNet.mqh 先读一遍，比看结论来得实在。