神经网络在交易中的应用：用于多元时间序列预测的 LSTM 优化（终篇）·进阶篇
◍ 编码器后段的层堆叠与任务装配
这段逻辑接着前面搭好的编码器，从 layer 4 一路堆到 layer 9，最后把整个 encoder 拷进 task。每一层都用 CLayerDescription 的 new 实例去描述，加不进 encoder 就立刻 delete 并 return false，内存和流程双重保险。 layer 4 是线性注意力层：type 设 defNeuronLinerAttention，count 只有 1，window 吃整段 HistoryBars，window_out 给 32，batch 跑 1e4，优化用 ADAM，激活函数关成 None。 layer 5 换 CGLSTM 共用技能层（defNeuronCGLSTMOCL），count 绑定 NSkills、window 用 HistoryBars 序列、layers 指 BarDescr 变量集，batch 同样 1e4、ADAM、无激活。 layer 6 与 7 是两组一维卷积（defNeuronConvOCL）：第 6 层 window=step=NSkills，window_out 算成 4*NForecast，激活 SoftPlus；第 7 层 window=step=前层 prev_out，window_out 压到 NForecast，激活改 TANH。这里 prev_out 和 prev_count 被反复接力，决定下一层张量形状。 layer 8 做转置（defNeuronTransposeOCL），count=prev_count、window=prev_out；layer 9 是反归一化（defNeuronRevInDenormOCL），count 直接乘开成 prev_count*prev_out、layers=1。 task.Clear() 后，用 for 从 0 到 LatentLayer 把 encoder.At(i) 逐层塞进 task。在 MT5 里把 LatentLayer 调到比 9 小，就能截断后段重训练，观察外汇或贵金属预测误差倾向怎么变——这类品种杠杆高，回测结论只代表历史概率。
} class=class="str">"cmt">//--- layer class="num">4 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronLinerAttention; descr.count = class="num">1; descr.window = HistoryBars; descr.layers = BarDescr; descr.window_out = class="num">32; descr.batch = class="num">1e4; descr.optimization = ADAM; descr.activation = None; if(!encoder.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer class="num">5 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronCGLSTMOCL; descr.count = NSkills; class=class="str">"cmt">// Common Skkills descr.window = HistoryBars; class=class="str">"cmt">// Sequence descr.layers = BarDescr; class=class="str">"cmt">// Variables descr.batch = class="num">1e4; descr.activation = None; descr.optimization = ADAM; if(!encoder.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer class="num">6 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronConvOCL; descr.count = class="num">1; descr.window = NSkills; descr.step = NSkills; class="type">int prev_out = descr.window_out = class="num">4 * NForecast; prev_count=descr.layers = BarDescr; descr.activation = SoftPlus; if(!encoder.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer class="num">7 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronConvOCL; descr.count = class="num">1; descr.window = prev_out; descr.step = prev_out; prev_out = descr.window_out = NForecast; descr.layers = prev_count; descr.activation = TANH; if(!encoder.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer class="num">8 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronTransposeOCL; descr.count = prev_count; descr.window = prev_out; descr.activation = None; if(!encoder.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer class="num">9 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronRevInDenormOCL; descr.count = prev_count * prev_out; descr.layers = class="num">1; descr.activation = None; if(!encoder.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- Task task.Clear(); class=class="str">"cmt">//--- Task Encoder for(class="type">int i = class="num">0; i <= LatentLayer; i++) if(!task.Add(encoder.At(i)))
「注意力层与卷积输出层的参数落地」
这段 MT5 神经网络描述代码承接了潜变量层之后的三组网络层定义，直接决定模型对外汇或贵金属行情特征的抽取方式。外汇与贵金属杠杆高、波动剧烈，任何模型都只是概率工具，实盘前务必在策略测试器里跑过样本外数据。 第一块 LatentLayer+1 用的是交叉注意力类型 defNeuronCrossDMHAttention，窗口数组 temp 设为 {NSkills, NSkills}，单元数组设为 {BarDescr, BarDescr}，step=4、window_out=32、layers=2、batch=1e4，优化器选 ADAM 且激活函数为 None。若 ArrayCopy 拷贝长度不足会直接 return false，说明维度匹配是硬门槛。 随后 LatentLayer+2 与 +3 都是 defNeuronConvOCL 一维卷积：+2 的 window 与 step 等于 NSkills，window_out 算出为 4*NActions，layers=BarDescr，激活 SoftPlus；+3 直接拿上一层 prev_out 作窗口，window_out=NActions，激活 SIGMOID 把输出压到 0~1 区间，适合做动作概率。 把这段代码原样丢进 EA 的层构建函数，改一下 NSkills / NActions 常量，就能在 MT5 里复现该网络头并观察训练日志是否卡在 ArrayCopy 报错。
class="kw">return false; class=class="str">"cmt">//--- layer LatentLayer+class="num">1 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronCrossDMHAttention; { class="type">int temp[] = {NSkills, NSkills}; class=class="str">"cmt">// WIndow if(ArrayCopy(descr.windows, temp) < (class="type">int)temp.Size()) class="kw">return false; } { class="type">int temp[] = {BarDescr, BarDescr}; class=class="str">"cmt">// Units if(ArrayCopy(descr.units, temp) < (class="type">int)temp.Size()) class="kw">return false; } descr.step = class="num">4; descr.window_out = class="num">32; descr.layers = class="num">2; descr.batch = class="num">1e4; descr.optimization = ADAM; descr.activation = None; if(!task.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer LatentLayer+class="num">2 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronConvOCL; descr.count = class="num">1; descr.window = NSkills; descr.step = NSkills; prev_out = descr.window_out = class="num">4 * NActions; prev_count=descr.layers = BarDescr; descr.activation = SoftPlus; if(!task.Add(descr)) { class="kw">delete descr; class="kw">return false; } class=class="str">"cmt">//--- layer LatentLayer+class="num">3 if(!(descr = new CLayerDescription())) class="kw">return false; descr.type = defNeuronConvOCL; descr.count = class="num">1; descr.window = prev_out; descr.step = prev_out; prev_out = descr.window_out = NActions; descr.layers = prev_count; descr.activation = SIGMOID; if(!task.Add(descr)) { class="kw">delete descr; class="kw">return false; }
离线打底加在线微调的训练节奏
这套 MQL5 强化学习模型不是一次性喂完数据就完事，而是拆成数据集生成、离线训练和在线微调三段走。好处是把历史数据里练出的基本稳定性，和当下行情的灵活适应拧在一起，避免纯回测模型一上实盘就飘。 数据集用 Research.mq5 在 MT5 策略测试器里跑，只收 EURUSD 的 M1 数据，时间框死在 2024 全年。为了不把电脑跑爆，每次只灌一个月历史，智能体之间的行为差异靠随机策略拉开。每根 K 线收盘后，把市场状态、指标值、账户指标和智能体动作全写进体验回放缓冲区，形成完整轨迹。 离线训练交给 Study.mq5，从回放池随机抽轨迹和起点拼训练批次。它用了一种近乎完美的轨迹技术催收敛，让编码器能往前猜几步，顺带把技能编码器、演员、导演、评论家全训一遍，打出基础策略底子。 上线后用 StudyOnline.mq5 做微调，重心是在导演和评论家盯盘下训演员。每根新 K 线收盘就重估环境、调参数，目标模型定期软更新，在稳和变之间找平衡。外汇及贵金属属高风险品种，这种多阶段方案在真实行情里可能更鲁棒，但参数漂移风险仍得自己盯。
◍ 用训练集外数据验策略成色
想给一套已经写好的策略做客观评价，唯一硬标准就是拿没喂给训练过程的数据去跑。我们挑了 2025 年 1 月到 3 月这段完全在训练窗口之外的行情做测试，目的就是掐掉过拟合带来的虚假安全感，让结果落回真实盘口环境。 测试里市场环境、周期、终端参数全跟训练时锁死一致，这样波动只来自策略本身，不会被外部设置搅浑。 这三个月模型一共触发 37 笔交易，盈利单占比刚过 40%。但整体还是净赚，原因是平均盈利单的金额是平均亏损单的两倍以上，利润因子录得 1.67。外汇与贵金属属高风险品种，该数字仅代表历史样本表现，实盘可能偏离。
「模型离实盘还差最后几步」
DA-CG-LSTM 框架靠 CG-LSTM 与双注意力机制把短期波动和长期趋势分开提取，解码器简化成卷积块后，训练重心落在全局技能上，这是做稳健策略的关键。测试集上盈利交易比例只略超 40%，但平均收益对平均损失的比值够大，整体还是正收益——说明胜率不是这套方法的命门。 社区里有人拿 Research.mq5 跑了一个月 5 分钟周期，攒出 300MB 的 DACGLSTM.bd，接着 Study.mq5 一开始误差率高得离谱，调了几周奖励惩罚和 Trajectory 参数才恢复正常；另有用户反馈新数据上交易近乎随机，神经网络学会了「生存」而不是「盈利」，最短持仓限制和止损阈值卡死才逼出一点模式识别。 外汇和贵金属是高风险品种，这类模型目前还在探索期，真要上 MT5 实盘前，得换更具代表性的数据集重训，并跨多种行情全面测过。附带的那套 EA（Research / Study / Test 等）和 NeuroNet 类库可以直接下下来跑，但别指望下载即盈利。