交易中的神经网络：针对金融市场的多模态、扩增工具型智代（终篇）·综合运用
「智能体网络描述符的窗口与头数设定」
在 MT5 里搭建强化学习交易智能体时，描述符（descr）的窗口数组直接决定网络输入维度。上面这段代码把 BarDescr、AccountDescr、2*NActions、Segments 四个量压进 windows 数组，分别对应单窗口的 K 线特征数、账户状态特征数、动作空间翻倍后的维度、以及分段数。 ArrayCopy 的返回值若小于 temp.Size()，说明拷贝没满，直接 return false 中断构建——这种防御写法在 EA 初始化阶段能避免后续空数组越界。 descr.window_out 写死为 32，意味着网络输出头（Heads）数量是 32；descr.step 设为 4，配合 descr.batch = 1e4（即 10000 条样本/批），在 EURUSD 这类高流动性品种上跑离线训练时，显存占用和单步更新耗时会有明显台阶。外汇与贵金属杠杆高，模型过拟合历史片段后实盘可能快速回撤，参数仅代表结构设定、不预示收益。 最后 actor.Add(descr) 失败就 delete 并 return false，确保描述符不泄漏。开 MT5 把这段贴进自定义 CNeuronFinAgent 派生类，改一下 Segments 从 4 到 8，能直观看到 windows 数组长度变化对构建耗时的扰动。
class="kw">return class="kw">false; descr.type = defNeuronFinAgent; class=class="str">"cmt">//--- Windows { class="type">int temp[] = {BarDescr, AccountDescr, class="num">2 * NActions, Segments}; class=class="str">"cmt">//Window, Account description, N Actions, Segments if(ArrayCopy(descr.windows, temp) < class="type">int(temp.Size())) class="kw">return class="kw">false; } descr.count = HistoryBars; descr.window_out = class="num">32; descr.step = class="num">4; class=class="str">"cmt">// Heads 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; }
◍ 用 EURUSD 历史数据给改版模型做压力测试
我们把前两篇里落地的 FinAgent 改版框架，直接推到真实历史数据上验有效性。这里测的是调过核心算法的自用版本，不是原版——算法改动动了模型关键链路，所以评估对象必须明确区分。 训练与测试都锁在 EURUSD 的 H1 周期：训练吃 2023 年全量历史，指标全部默认参数，不额外调优，专门看算法本身啃原始数据的能力。训练阶段沿用旧数据集，用一套能给智能体生成“近乎理想”目标动作的方案训，不持续刷数据集也能跑起来；不过定期更新训练集大概率能抬准确性、扩账户状态覆盖。 最终测试切到 2024 年 1 月历史，参数和指标一字未动，尽量贴近实盘环境。这一个月模型跑了 95 笔交易，比前几版同期明显多；盈利平仓占比 42% 出头，平均盈利单是平均亏损单的 1.5 倍，整体盈利，盈利因子记到 1.09。外汇与贵金属属高风险品类，单月样本小，该数字仅代表那段行情下的回测倾向，不等于实盘必复制。 利润大半落在月的上半月，那段价格卡在窄幅区间；等看跌趋势拉开，余额曲线就横着走还带了点回撤。我倾向于认为这行为跟市场分析模块、辅助工具模块里的算法输出有关，这块还没挖透，留待后面拆。
模型盈利跟着市况走
把 FinAgent 那套多模态思路落到 MT5 上，我们照框架逻辑用 MQL5 重写了采集、训练、测试三条线：Research.mq5 负责抽样本，Study.mq5 跑模型训练，Test.mq5 在真实历史里验。附件里 7 个文件（5 个 mq5、2 个 mqh 加一段 OpenCL 的 cl）就是可直接编译跑通的骨架。 实盘回测里模型确实出了盈利，但拆开不同年份数据看，收益曲线跟波动率 regime 绑得很死——震荡市钝化、趋势市才放得开。外汇和贵金属杠杆高，这种依赖市况的模型直接上实盘等于裸奔。 后续要紧的事只有一件：拿 Trajectory.mqh 里的状态结构去加一层动态权重，让网络在切换市况时别那么慢热。有余力的话把 NeuroNet.cl 的核函数改改，GPU 占用能再压一截。