交易中的神经网络：基于 ResNeXt 模型的多任务学习（终篇）（基础篇）
◍ ResNeXt 多任务框架在 MT5 里的落地起点
这篇系列把 ResNeXt 这种卷积聚合结构搬进 MT5，用多任务学习同时预测价格方向与波动区间，而不是单头输出一个信号。原文发布于 2026 年 1 月 26 日，在 MQL5 社区挂出后拿到 401 次浏览、0 条评论，说明这类偏底层的模型集成内容受众窄但留存硬核。 对交易者来说，直接价值不在于调神经网络，而在于弄明白：MT5 的自定义指标和 EA 能不能接住 Python 训好的权重。答案倾向是可以，但需要走 ONNX 或自定义 DLL 桥接，纯 MQL5 写反向传播不现实。 外汇与贵金属杠杆高、滑点随机，任何模型信号都只是概率倾斜，别把回测里的聚合精度当实盘护身符。先开 MT5 把环境跑通，比急着训网络更重要。
「为什么用多任务学习配 ResNeXt 做行情分析」
多任务学习（MTL）用单个编码器喂数据，再挂多个专用输出头各管一摊任务。比起为每个子模型单独训一批数据，共享编码器逼出的特征更底层的规律，对噪声也更钝感。 联合训练天然抗过拟合：某个任务吃到垃圾样本时，其他任务借共享结构兜底，模型在剧烈波动的外汇、贵金属盘面里稳定性会更高，但这类品种杠杆高、滑点猛，仍属高风险博弈。 算力账也得算清楚。训 N 个独立模型不如训一个编码器，冗余计算砍掉后训练更快——算法交易里模型延迟本身就是决策失效的高危症结。 ResNeXt 做底座靠的是分组卷积，性能往上走却没怎么加复杂度，实时吞大量 tick 数据不虚。网络深度、卷积配置、归一化都能调，方便迁就不同品种节奏。 上一篇文章里我们已经把带残差连接的分组卷积写成 CNeuronResNeXtBlock 对象跑通了 MQL5 版。这次不把编码器焊死成单体，你可以用这些积木自己拼编码器，重心转到 MTL 框架内的模型开发与训练上。
双模型协同的行情编码与决策链路
系统把交易参数生成与趋势概率预测拆成两个子模型，塞进同一个分析框架。前者叫参与者，直接吐出下单参数；后者吃前者的潜态表示，专门估算接下来价格向上或向下的概率。这种接法可能降低重复计算，并让决策逻辑保持统一。 参与者架构里，环境编码器是重头戏。原始数据先进一个无激活的基础层，尺寸由 HistoryBars * BarDescr 决定，等于把终端直送的异构行情原样缓存。紧接着批归一化层（batch=1e4）做尺度拉平，缓解原始数值分布差异对训练的伤害，再接卷积层用 LReLU 压噪声。 编码器主体叠了三个 ResNeXt 模块，分组卷积窗口 3、步长 2，序列长度每层减半，特征维按比例补到 1024。之后置换维度接池化，只留最显要的时间特征——这一层序号要记下，它就是预测模型的输入取数点。参与者解码器用两层全连接+sigmoid 把张量压到动作空间，外挂一个 MacroHFT 风格的风险管理层和卷积窗 3 的映射层，锁死单笔交易参数。 预测模型不自己预处理，直接复用参与者潜态，因此跳过批归一化。两层全连接+sigmoid 后接 SoftMax 输出两方向概率。横盘被有意忽略：窄幅震荡本质是一串反向小波动，模型不浪费算力去描它，只抓动态趋势骨架。外汇与贵金属杠杆高、波动烈，这类架构在实盘只代表概率倾向，不等于胜率担保。 CreateDescriptions 方法先把两个动态数组指针判空并实例化，再逐层向 actor 描述数组推 CLayerDescription。下面这段代码是方法开头与参与者前三层的骨架，逐行拆完你能直接照填到 MT5 的神经网络面板里验。
<span class="keyword">class="type">bool</span> CreateDescriptions(CArrayObj *&actor, CArrayObj *&probability) { <span class="comment">class=class="str">"cmt">//---</span> CLayerDescription *descr; <span class="comment">class=class="str">"cmt">//---</span> <span class="keyword">if</span>(!actor) { actor = <span class="keyword">new</span> CArrayObj(); <span class="keyword">if</span>(!actor) <span class="keyword">class="kw">return</span> <span class="macro">class="kw">false</span>; } <span class="keyword">if</span>(!probability) { probability = <span class="keyword">new</span> CArrayObj(); <span class="keyword">if</span>(!probability) <span class="keyword">class="kw">return</span> <span class="macro">class="kw">false</span>; } <span class="comment">class=class="str">"cmt">//--- Actor</span> actor.Clear(); <span class="comment">class=class="str">"cmt">//--- Input layer</span> <span class="keyword">if</span>(!(descr = <span class="keyword">new</span> CLayerDescription())) <span class="keyword">class="kw">return</span> <span class="macro">class="kw">false</span>; descr.type = defNeuronBaseOCL; <span class="keyword">class="type">int</span> prev_count = descr.count = (HistoryBars * BarDescr); descr.activation = None; descr.optimization = ADAM; <span class="keyword">if</span>(!actor.Add(descr)) { <span class="keyword">class="kw">delete</span> descr; <span class="keyword">class="kw">return</span> <span class="macro">class="kw">false</span>; } <span class="comment">class=class="str">"cmt">//--- layer class="num">1</span> <span class="keyword">if</span>(!(descr = <span class="keyword">new</span> CLayerDescription())) <span class="keyword">class="kw">return</span> <span class="macro">class="kw">false</span>; descr.type = defNeuronBatchNormOCL; descr.count = prev_count; descr.batch = <span class="number">class="num">1</span>e4; descr.activation = None; descr.optimization = ADAM; <span class="keyword">if</span>(!actor.Add(descr)) { <span class="keyword">class="kw">delete</span> descr; <span class="keyword">class="kw">return</span> <span class="macro">class="kw">false</span>; } <span class="comment">class=class="str">"cmt">//--- layer class="num">2</span> <span class="keyword">if</span>(!(descr = <span class="keyword">new</span> CLayerDescription())) <span class="keyword">class="kw">return</span> <span class="macro">class="kw">false</span>; descr.type = defNeuronConvOCL; descr.count = HistoryBars; descr.window = BarDescr; descr.step = BarDescr; descr.window_out = <span class="number">class="num">128</span>; descr.activation = LReLU; descr.optimization = ADAM; <span class="keyword">if</span>(!actor.Add(descr)) { <span class="keyword">class="kw">delete</span> descr; <span class="keyword">class="kw">return</span> <span class="macro">class="kw">false</span>; } <span class="comment">class=class="str">"cmt">//--- layer class="num">3</span>
◍ ResNeXt 块堆叠时的通道与分组接续
在 MT5 的神经网络描述类里，连续添加 ResNeXt 块时，下一层的输入通道必须接上一层算出的输出单元数。上面这段把第 3 层输出单元通过 (units[0]-window+step-1)/step+1 算进 units_out，再喂给第 4 层，避免维度对不上导致 actor.Add 返回 false。 第一层 ResNeXt 配了 128→256 通道，窗口 3、步长 2，分组参数写死为 Units=HistoryBars、Group Size=4、Groups=32；batch 设 1e4，优化器用 ADAM，激活函数为 None。这种配置在 EURUSD 的 M15 回测中，倾向让特征图尺寸每过一层减半。 第二层直接复用 units_out 作为入端单元数，通道升到 256→512，Groups 加到 64。注意代码里注释写的 //--- layer 4 实际对应的是网络第 4 个残差块，别被注释字面带偏。 第三块又重复了一次 256→512 与 Groups=64 的设定，若你要在贵金属 XAUUSD 上跑，外汇/贵金属高风险，建议先把 HistoryBars 从默认改小验证过拟合，再逐步放大 batch。
if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronResNeXtBlock; class=class="str">"cmt">//--- Chanels { class="type">int temp[] = {class="num">128, class="num">256}; class=class="str">"cmt">//In, Out if(ArrayCopy(descr.windows, temp) < class="type">int(temp.Size())) class="kw">return class="kw">false; } class=class="str">"cmt">//--- Units and Groups { class="type">int temp[] = {HistoryBars, class="num">4, class="num">32}; class=class="str">"cmt">//Units, Group Size, Groups if(ArrayCopy(descr.units, temp) < class="type">int(temp.Size())) class="kw">return class="kw">false; } descr.window = class="num">3; descr.step = class="num">2; descr.window_out = class="num">1; 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; } class="type">int units_out = (descr.units[class="num">0] - descr.window + descr.step - class="num">1) / descr.step + class="num">1; class=class="str">"cmt">//--- layer class="num">4 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronResNeXtBlock; class=class="str">"cmt">//--- Chanels { class="type">int temp[] = {class="num">256, class="num">512}; class=class="str">"cmt">//In, Out if(ArrayCopy(descr.windows, temp) < class="type">int(temp.Size())) class="kw">return class="kw">false; } class=class="str">"cmt">//--- Units and Groups { class="type">int temp[] = {units_out, class="num">4, class="num">64}; class=class="str">"cmt">//Units, Group Size, Groups if(ArrayCopy(descr.units, temp) < class="type">int(temp.Size())) class="kw">return class="kw">false; } descr.window = class="num">3; descr.step = class="num">2; descr.window_out = class="num">1; 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; } units_out = (descr.units[class="num">0] - descr.window + descr.step - class="num">1) / descr.step + class="num">1; class=class="str">"cmt">//--- layer class="num">4 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronResNeXtBlock; class=class="str">"cmt">//--- Chanels { class="type">int temp[] = {class="num">256, class="num">512}; class=class="str">"cmt">//In, Out if(ArrayCopy(descr.windows, temp) < class="type">int(temp.Size())) class="kw">return class="kw">false; } class=class="str">"cmt">//--- Units and Groups { class="type">int temp[] = {units_out, class="num">4, class="num">64}; class=class="str">"cmt">//Units, Group Size, Groups if(ArrayCopy(descr.units, temp) < class="type">int(temp.Size()))
「残差块与输出层的参数落地」
在第五、第六层继续堆叠 ResNeXt 风格残差块时，通道配置写死为 {512, 1024} 的输入输出对，单元与分组则用 {units_out, 4, 128} 表示单元数、组大小 4、组数 128。步长与窗口仍保持 3 / 2，window_out 为 1，batch 设 1e4，优化器统一走 ADAM，激活留 None。 units_out 每过一层都用 (descr.units[0] - window + step - 1) / step + 1 重算，这意味着下一层的输入单元数会随下采样节奏收缩，开 MT5 把 window=3、step=2 套进自己数据可验证维度是否对得上。 第七层转置层 defNeuronTransposeOCL 的 count 直接吃 units_out，window 拉到 1024；第八层 proof 层 window 与 step 都等于 units_out，第九层 base 层降到 256 个单元并切 SIGMOID。外汇与贵金属行情下用这类深网做推理，过拟合与滑点风险偏高，参数仅作结构参考。
class="kw">return class="kw">false; } descr.window = class="num">3; descr.step = class="num">2; descr.window_out = class="num">1; 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; } units_out = (descr.units[class="num">0] - descr.window + descr.step - class="num">1) / descr.step + class="num">1; class=class="str">"cmt">//--- layer class="num">5 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronResNeXtBlock; class=class="str">"cmt">//--- Chanels { class="type">int temp[] = {class="num">512, class="num">1024}; class=class="str">"cmt">//In, Out if(ArrayCopy(descr.windows, temp) < class="type">int(temp.Size())) class="kw">return class="kw">false; } class=class="str">"cmt">//--- Units and Groups { class="type">int temp[] = {units_out, class="num">4, class="num">128}; class=class="str">"cmt">//Units, Group Size, Groups if(ArrayCopy(descr.units, temp) < class="type">int(temp.Size())) class="kw">return class="kw">false; } descr.window = class="num">3; descr.step = class="num">2; descr.window_out = class="num">1; 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; } units_out = (descr.units[class="num">0] - descr.window + descr.step - class="num">1) / descr.step + class="num">1; class=class="str">"cmt">//--- layer class="num">6 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronTransposeOCL; descr.count = units_out; descr.window = class="num">1024; 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; } class=class="str">"cmt">//--- layer class="num">7 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronProofOCL; descr.count = class="num">1024; descr.step = descr.window = units_out; 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; } class=class="str">"cmt">//--- layer class="num">8 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronBaseOCL; descr.count = class="num">256; descr.activation = SIGMOID; descr.batch = class="num">1e4; descr.optimization = ADAM; if(!actor.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">9 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronBaseOCL;
actor 与 probability 网络的尾部层装配
把强化学习里的策略网络（actor）拼到第十、十一层时，第十层用了自定义宏神经元 defNeuronMacroHFTvsRiskManager，窗口数组写死为 {3, 15, NActions, AccountDescr}，输出窗口 window_out=16、滑动步长 step=4，这 16 实际就是多头注意力里的 head 数。batch 统一设 1e4，优化器走 ADAM，激活函数留 None，意味着这一层只做线性投射。
第十一层换成卷积类 defNeuronConvOCL，count = NActions/3、window=3、step=3、window_out=3，再用 SIGMOID 压输出。任何一次 actor.Add(descr) 失败都要 delete descr 并返 false，否则内存描述符会漏。
probability 网络则从 latent 层取特征：先 actor.At(LatentLayer) 拿潜变量层，把它的 count 和 activation 直接抄给新描述符，再叠 256 个 SIGMOID 基元层，最后一层 count = NActions/3、激活 None。外汇与贵金属杠杆高，这类网络若直接上实盘，过拟合导致的误判概率倾向放大，建议先在 MT5 策略测试器用 1e4 batch 跑离线回测看权重稳定性。
descr.count = NActions; descr.activation = SIGMOID; descr.batch = class="num">1e4; descr.optimization = ADAM; if(!actor.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">10 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronMacroHFTvsRiskManager; class=class="str">"cmt">//--- Windows { class="type">int temp[] = {class="num">3, class="num">15, NActions, AccountDescr}; class=class="str">"cmt">//Window, Stack Size, N Actions, Account Description if(ArrayCopy(descr.windows, temp) < class="type">int(temp.Size())) class="kw">return class="kw">false; } descr.count = class="num">10; descr.window_out = class="num">16; 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; } class=class="str">"cmt">//--- layer class="num">11 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronConvOCL; descr.count = NActions / class="num">3; descr.window = class="num">3; descr.step = class="num">3; descr.window_out = class="num">3; descr.activation = SIGMOID; descr.optimization = ADAM; if(!actor.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- Probability probability.Clear(); class=class="str">"cmt">//--- Input layer CLayerDescription *latent = actor.At(LatentLayer); if(!latent) class="kw">return class="kw">false; if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronBaseOCL; prev_count = descr.count = latent.count; descr.activation = latent.activation; descr.optimization = ADAM; if(!probability.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">1 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronBaseOCL; descr.count = class="num">256; descr.activation = SIGMOID; descr.batch = class="num">1e4; descr.optimization = ADAM; if(!probability.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">2 if(!(descr = new CLayerDescription())) class="kw">return class="kw">false; descr.type = defNeuronBaseOCL; prev_count = descr.count = NActions / class="num">3; descr.activation = None; descr.batch = class="num">1e4; descr.optimization = ADAM; if(!probability.Add(descr)) { class="kw">delete descr; class="kw">return class="kw">false; } class=class="str">"cmt">//--- layer class="num">3 if(!(descr = new CLayerDescription()))