交易中的神经网络：面向准确分类的有效特征提取（Mantis）
38
0
引言
在毫秒级差异、微小价格波动都至关重要的交易领域，交易者所追求的工具，不仅要能够预测未来价格走势，还需要对图表上最复杂的形态完成精准分类。在此背景下，论文《Mantis：便于使用的轻量级校准时间序列分类基础模型》中提出的基础模型Mantis，为时间序列分析开启了全新篇章。凭借轻量化设计、精心设计的架构以及良好的概率校准能力，Mantis可以快速将分类器集成到交易系统中，并输出可靠的置信度估计，服务于风险管理。
作者指出，传统用于预测后续数值的模型往往运行效率低下：每适配一套新策略都需要细致的微调，且剧烈的波动率冲击会严重损害模型效果。尽管近年来时间序列预测基础模型取得了令人瞩目的效果，但这类模型本质上面向回归任务设计，并不适合对市场状态做分类。Mantis框架引入对比预训练，恰好填补了这一技术空白。
其理念简洁巧妙：将时间序列切分为一系列分块（patch），借鉴计算机视觉领域的 视觉Transformer，使用混合注意力机制。然而，经典的全局注意力机制具备二次复杂度，面对高频数据会成为性能瓶颈。为缓解该问题，Mantis同时使用局部token与全局token —— 局部token通过小窗口卷积与池化得到，全局token聚合整个片段的趋势信息。二者结合，模型复杂度相对序列长度近似呈线性扩展，同时既可以捕捉小幅波动，也能够识别长期模式。
Mantis的对比预训练是其核心关键技术：把同一段时序经过不同增强变换后的样本在特征空间拉近，同时把差异巨大的不同时序样本相互推远。最终，同一形态经过不同形变后的嵌入向量会在空间中聚类，而不同市场事件的向量则相互分离。即便行情波峰波谷的幅度、出现时间发生偏移，该策略依然能够让模型学到各类形态的稳定特征。
对于交易者而言，一个关键问题是评估开仓的安全性：仅仅输出“这是趋势反转”远远不够，还需要知道模型给出该结论的置信程度。Mantis通过内置温度缩放模块解决该问题：对输出logits做调整，让后验概率更加贴合样本实际属于某一类的真实发生概率。因此，当信号给出“80%反转概率”时，交易者可以预期该信号大约五分之四的情况是有效的。
作者还重点研究了多变量分析：算法交易中经常同时使用数十项指标（移动平均线、RSI、成交量、货币对相关性等）。如果直接把全部特征通道简单拼接为单一高维表征，会造成参数量爆炸、内存占用飙升；而只分析单变量序列，又会丢失通道之间的关联信息。因此，框架内置轻量化适配器，将跨通道交互信息压缩到紧凑的特征空间，同时保留不同指标之间的关联关系。
为直观展示Mantis的实际价值，我们以加密货币市场的“闪崩”场景举例：一秒之内价格暴跌数个百分点，随后又快速反弹。传统模型可能会把这种异常行情判定为噪声，直接忽略交易信号。Mantis经过数百万条真实与合成样本的预训练，能够识别这类事件属于“假性异动”还是“真正反转”，输出“短期异常”或“真实反转”标签并附带不同置信度，帮助交易者制定合理的资金保护策略。
另一个现实案例是科技股的市场状态分类。上升趋势阶段，受整体消息面影响，各类资产价格走势基本同步；而进入回调阶段，各个资产的走势会出现分化。依托内置适配器，Mantis可以捕捉这类跨通道差异：同类资产之间相关性降低，就会被模型识别为回调周期开启的信号，并同步输出置信度。
Mantis算法
Mantis框架证明，精巧的架构设计与完备的训练流程，可以将一系列算法构想转化为一套可靠工具。该基础模型方案建立在四大核心支柱之上：时间序列Token化、混合注意力、多变量数据适配器，以及自监督对比预训练 + 概率校准流程。
Mantis的核心设计思路，摒弃将时间序列切分为固定大小窗口的传统做法。改为将序列切分为固定数量的分块，这样就不再受输入序列长度影响，计算开销也得以稳定。举例来说，长度1024与2048的两条时序，都会被切为32个分块。该方法对于异构时间序列的大规模处理至关重要。
嵌入向量分多步生成。首先使用输出通道数为256的卷积层，将时间序列映射为更加紧凑的隐空间表征。接下来，对32个分块分别进行平均池化，得到维度为（32, 256）的张量。每个分块编码时序的局部特征，包含波峰、波动以及价格运动的微观形态。
与此同时，构建第二条数据流 —— 差分数据流，其基于时序相邻数值的一阶差分构建。该变换可以消除长期趋势，放大短期动态特征的信号。当需要关注偏离稳态水平、支撑阻力位附近的剧烈波动时，该模块尤为有效。
两条数据流执行完全相同的处理流程：卷积、均值池化、归一化。最终得到两组分块，每组包含32个维度256的token。模型同时获取信号形态本身以及信号随时间变化两方面均衡信息。
此外，还会提取其它两类信息：幅值尺度与波动率。方法是将时序均匀切分为32个窗口，计算每个窗口的均值与标准差。通过多尺度标量编码器对这些统计量编码，让模型捕捉信号的背景统计特征。因此，模型一共接收四路数据流：归一化原始数值、差分序列、窗口均值和窗口标准差。
四路数据流先各自经过线性投影层统一维度，再执行拼接融合。拼接后的嵌入经过投影层与层归一化，最终输出由32个256维token构成的时间序列表征。这些token作为通用载体，保存市场的行为特征与统计特征。
架构下一步引入分类token：这是一个可训练向量，用于聚合全部token的信息，使模型综合局部和全局模式，生成整条序列的最终表征。为保留分块之间的顺序信息，加入正弦位置编码，之后送入Transformer模块。
Transformer包含6层网络，每一层包含8头多头注意力机制、归一化层，以及带GELU激活的两层前馈网络。预训练阶段设置10%概率的dropout，用于抑制过拟合。全部层处理完成后，取分类token输出向量，作为整条序列最终嵌入。
Mantis采用自监督范式，并结合对比学习进行训练。模型会对原始时序执行多种数据增强。特别是在RandomCropResize（随机裁剪缩放）方法中，随机裁掉序列 0‑20% 长度，再将剩余片段拉伸恢复原始长度。该操作保留信号整体结构，不改变事件发生顺序。
对批次内每一个样本xi，随机生成两组增强样本，将得到的表征经过投影层，使用余弦相似度做比对。
随后计算交叉熵损失。
在该项研究工作中，作者使用10套数据集的合并样本对模型开展预训练，样本包含超过700万条时间序列。训练共进行100个轮次。批次大小设置为2048，硬件使用4块Tesla V100-32GB GPUs显卡。
微调阶段，在嵌入向量之后接入分类头。输出预测分值经过温度缩放处理，最小化期望校准误差，使模型输出结果可以按概率形式解读。
然而，时间序列的多变量特性依旧是主要难点之一。不同任务的特征通道数量各不相同，这就要求模型具备适配能力。与其他基础模型一样，Mantis最初采用单变量形式训练，对每一个通道使用同一套处理机制。该方式不仅会加大算力开销，还会忽略通道之间的相关性。
为解决上述局限，论文作者提出通道适配器：函数a，将原始d个输入通道转换为dnew个新通道。该方案可以让输入数据适配算力预算，保留时序结构，同时兼容任意模型。
这里，Mantis框架一共给出五种适配器的实现方案。前四种为经典降维算法：
- PCA（主成分分析）：寻找正交特征空间，将绝大部分方差集中到数量更少的特征分量；
- 截断奇异值分解：原理与PCA类似，但直接作用于未去中心化的数据矩阵；
- 随机投影：通过随机线性映射将数据投影至低维空间；
- 基于方差的通道筛选器：挑选方差最大的若干通道。
使用上述适配器时，数据会被重塑为（n*t, d)格式， 其中，n代表样本数量。投影矩阵W完成通道维度映射。
第五种适配器为可微分线性组合器（LComb），与主模型一同训练，在反向传播过程中更新自身参数。该适配器可以结合具体任务上下文，实现更高的精度。
综上所述，Mantis可适配大量任务场景，既保留数据时序结构，也保留通道间的关联关系。即便面对真实场景的多变量数据，模型依旧兼具通用性与运算效率。
论文作者给出的Mantis框架可视化示意图如下。
MQL5的实现
完成Mantis框架理论部分的详细分析后，接下来进入最关键的环节 —— 实际实现。接下来进入框架的实际编码实现阶段，将上述理念落实到代码中。我们的目标是使用MQL5语言实现框架核心架构模块。尽管算法概念复杂度很高，但我们面临清晰且具备挑战性的目标：构建一套能够高效处理真实市场数据、适配波动率变化，同时尽可能节约资源开销的模型。
实现方案探讨
在正式编写代码之前，遵循工程开发惯例，需要先制定实现策略。缺少清晰规划的架构，无法应对真实市场的复杂需求。首先开展系统性分析：明确需要实现哪些模块、各个组件承担什么作用、潜在性能瓶颈可能出现在哪里。不能单纯照搬原论文思路，还要适配我们自身业务目标与MQL5环境，由于MQL5有自身的限制条件与独有特性。
实现工作的核心是生成Token。Token的构建决定模型后续效果，因为Transformer无法直接高效处理原始行情数据。输入必须转为Token序列，每个Token对一段时序做压缩且具备表达能力的表征。
原版Mantis架构采用多通道方案，包含偏差序列、片段均值、片段标准差。然而，我们的模型大多使用归一化输入，均值和标准差两路数据流的信息增益会下降。因此我们刻意舍弃这两路通道，只保留两路核心数据流：原始时间序列、时序一阶差分。两路结合，既可以捕捉价格绝对水平，又可以捕捉局部变化，在模型稳定性与灵敏度之间取得折中。
数据流预处理第一步是对原始时间序列做归一化。该步骤十分关键，可以平滑大幅度波动，提升模型对异常值的鲁棒性。接下来执行差分运算，计算相邻样本之间的差值。差分后的序列对行情突变十分敏感，对于捕捉市场脉冲行情与趋势反转非常有价值。之后，将两组时序合并为双通道张量，每个通道对应一路独立信息。
然而，仅仅是简单拼接还远远不够。多通道时序虽然包含丰富信息，但模型依旧缺失时序上下文的关键信息。众所周知，Transformer本身不具备感知序列元素先后顺序的能力，因此需要额外信息描述各个样本之间的位置关系。
在Mantis的原始实现中，该问题通过加入正弦位置编码得到解决，该编码方案与《注意力就是一切》论文提出的方案类似。该方法的优势在于通用性与可移植性：无需训练，并且能够很好地适配各类任务。与此同时，仅在通道合并和分块之后才添加编码。
然而，本文提出了另一种实现思路。在将序列切分为片段之前，引入时序编码，实现方式参考Mamba4Cast框架。该编码不仅标记数据点在时间网格上的位置，还传递时间序列的时序结构信息 —— 让模型能够挖掘市场数据中隐藏的季节性、重复模式、非对称特征与周期节律。与正弦位置编码不同，该时序编码对市场微观结构更加敏感，可以捕捉超出当前分析窗口范围的模式。
只有完成该编码的添加之后，才进入下一逻辑步骤 —— 通道分割。这一步相当于一类过滤器，将经过时序增强的数据转换为模型可接受的格式。换言之，此时的数据不仅包含原始数值与差分信息，还额外携带一层上下文，体现数据随时间演变的行为动力学特征。这极大地降低了模型挖掘复杂关联的难度，同时提升模型对市场噪声的抗干扰能力。
关于分割算法的改动，我们留到后续实际实现环节再展开讨论。现阶段我们暂不介绍其余模块，聚焦底层基础 —— 把时间序列转换为富含信息、标准化且结构化的序列。整个模型的效果根基就建立在这一步之上。高质量预处理的数据，能够帮助模型高效识别模式、正确理解事件先后顺序，区分市场行为里的关键特征。
现在，概念框架已经搭建完毕，技术路线也已明确，接下来要从理论走向实践。正式进入模型的实际实现阶段，将理论转化为代码。让我们从最基础却至关重要的环节开始：时间序列预处理，生成多通道数据表示。初始特征提取就在这一步完成，直接决定Transformer能够读取什么以及如何解读数据。任务目标是提取两路数据流：原始序列与其一阶差分，再合并为一个张量。全部逻辑基于OpenCL实现。
OpenCL程序的修改
采用OpenCL的目的是加速计算，尤其适用于处理大批量时间序列场景。GPU可以对多变量做并行运算，加速数据预处理，不给主处理器增加过重负载。因此，首先实现专用的ConcatDiff内核函数。其作用是计算一阶差分，同时将差分结果与原始数据拼接，为每个时间步生成双通道张量。
该内核仅传入两个数据缓冲区指针，是经过实践检验的极简设计。第一个为输入数组data，存放待分析的时间序列；第二个为输出缓冲区output，保存计算结果。这种设计令内核接口简洁直观，消除多余开销。
额外传入常量参数step，即差分计算步长。该参数大幅提升算法的灵活性。现在，我们既可以计算标准一阶差分（相邻数据点之间），也可以计算例如“当前值“与“五步之后值”的差值。后者在金融场景中非常实用：借助该参数，可以构造反映不同时间维度变化的特征。
__kernel void ConcatDiff(__global const float* data, __global float* output, const int step) { const size_t i = get_global_id(0); const size_t v = get_local_id(1); const size_t inputs = get_local_size(0); const size_t variables = get_local_size(1);
每个工作项被分配一组唯一索引：时间索引i与变量索引v。因此，每个工作项负责处理源数据矩阵中的某一个特定数值。
源数据数组data是经过归一化的时间序列，采用线性展平存储，时间维度与通道维度被展开为一维。
接下来，我们在内核内部计算shift ，即当前时间‑通道位置在data数组中的内存偏移量。
const int shift = i * variables; const float d = data[shift + v];
获取原始数值d之后，沿着时间轴计算其一阶差分。其计算方式为：当前数值与向后偏移step步的数值做差。该方式用于构建刻画局部动力学的特征：上涨或下跌、变化的加速与减速。同时需要校验索引合法性，防止访问越界。
float diff = 0; if(step > 0 && (i + step) < inputs) diff = IsNaNOrInf(d - data[shift + step * variables + v], 0);
差分计算末尾调用保护函数IsNaNOrInf，当出现NaN或无穷大时，将结果置为0。在存在缺失值、数据异常的场景下，该保护逻辑尤为关键。
接下来进入核心环节 —— 构造输出数组output。此处执行一项关键操作：数据成对写入。先写入原始数值，紧随其后写入对应的一阶差分值。由于变量步长扩大一倍（通道数量翻倍），最终张量的每个时间步下，每个变量都保存两个数值。因此，output数组的尺寸为T*2*V，其中， T为时间步总数，V为变量数量。
output[2 * shift + v] = d; output[2 * shift + v + variables] = diff; }
该方法仅需一次运算即可完成模型输入数据的预处理：输出张量已经同时包含市场的静态特征与动态变化特征。
本场景下使用OpenCL具备双重收益：一方面借助并行处理节省运算时间；另一方面简化代码逻辑，所有索引、数组相关运算全部在内核内部完成。不再需要在CPU端编写繁杂循环，取而代之的是一套精简高效的计算单元，可轻松扩展，适配任意长度、任意维度的数据。
该模块是整套模型的基础构建单元。它实现了一项核心设计：将时间序列初步拆解为两路互补数据流。原始数值可以反映价格水平与趋势，一阶差分则对变化敏感，相当于导数，用于捕捉拐点信号。二者结合形成均衡的数据表征，抗噪声能力强，同时可以适配行情的快速突变。
需要重点说明该模块的架构特性：ConcatDiff内核不包含任何可训练参数。它只承担功能性任务：执行简单线性运算（读取数值和计算差分），并把结果合并输出到数组。这一特性非常适合用OpenCL实现；大规模并行运算、无复杂状态逻辑的场景下，其执行效率极高。
另外，针对金融时间序列的特点，在单次预处理迭代中，输入数据本身被视作常量。正因如此，我们无需为该内核实现误差梯度反向传播与参数更新逻辑。这类逻辑只属于模型内部可训练层。而当前属于预处理阶段，该阶段更看重运算速度、可靠性与完全确定性计算。
OpenCL程序的完整代码见附件。
差分计算对象
下一步需要将ConcatDiff内核集成到主程序架构中。为此，我们专门实现CNeuronConcatDiff类对象。该对象作为高层神经网络模型逻辑与底层OpenCL代码之间的接口，负责完成参数准备、内核调度启动、接收运算结果。
class CNeuronConcatDiff: public CNeuronBaseOCL { protected: uint iUnits; uint iVariables; uint iStep; //--- virtual bool feedForward(CNeuronBaseOCL *NeuronOCL) override; virtual bool updateInputWeights(CNeuronBaseOCL *NeuronOCL) override { return true; } virtual bool calcInputGradients(CNeuronBaseOCL *NeuronOCL) override; public: CNeuronConcatDiff(void) : iUnits(0), iVariables(1), iStep(1) { activation = None; } ~CNeuronConcatDiff(void) {}; virtual bool Init(uint numOutputs, uint myIndex, COpenCLMy *open_cl, uint units_count, uint step, uint variables, ENUM_OPTIMIZATION optimization_type, uint batch); //--- virtual int Type(void) override const { return defNeuronConcatDiff; } //--- methods for working with files virtual bool Save(int const file_handle) override; virtual bool Load(int const file_handle) override; };
该类内部包含若干关键成员变量：
- iUnits —— 时间步数量；
- iVariables —— 源数据的通道数或变量数；
- iStep —— 偏移参数，指定差分计算的步长，该值赋予组件良好通用性，可适配任意时间窗口宽度与采样频率。
类的构造函数使用默认值初始化核心参数：单通道（iVariables = 1）、差分步长为 1（iStep = 1），并且关闭激活函数（activation = None）。该设置合乎逻辑，毕竟本组件工作在预处理阶段，不应引入非线性变换。
该类还实现了对象初始化方法Init，传入的常量参数能够对所创建对象的架构进行完整且明确的配置。
bool CNeuronConcatDiff::Init(uint numOutputs, uint myIndex, COpenCLMy *open_cl, uint units_count, uint step, uint variables, ENUM_OPTIMIZATION optimization_type, uint batch) { if(!CNeuronBaseOCL::Init(numOutputs, myIndex, open_cl, 2 * units_count * variables, optimization_type, batch)) return false; if(step<=0 || step >= units_count) return false; //--- iUnits = units_count; iVariables = variables; iStep = step; //--- return true; }
Init方法的内部逻辑尽可能简洁明了。函数体内调用父类同名方法，同时兼顾数据结构的自身特性。由于我们会将原始输入数据与一阶差分结果合并写入输出数组，输出缓冲区的尺寸必须扩大一倍。
完成父类初始化后，将传入的全部入参保存到类的内部成员变量，后续在构造OpenCL内核参数时便可读取使用。
该设计让对象具备灵活性、独立性，并且可复用。
需要重点关注虚feedForward方法，该方法负责前向传播，进而完成 OpenCL内核的调用。
方法入参接收源数据对象的指针，并且会立刻校验该指针的有效性。
bool CNeuronConcatDiff::feedForward(CNeuronBaseOCL *NeuronOCL) { if(!OpenCL || !NeuronOCL || !Output) return false; if(getOutputIndex() < 0) return false;
完成全部校验且校验通过后，将ConcatDiff内核加入执行队列。此处采用的是前文已经介绍过的算法流程。借助预先保存在类内部变量中的数值，来设定任务空间的维度参数。
{
uint global_work_offset[2] = {0};
uint global_work_size[2] = {iUnits, iVariables};
const int kernel = def_k_ConcatDiff;
if(!OpenCL.SetArgumentBuffer(kernel, def_k_concdiff_data, NeuronOCL.getOutputIndex()))
{
printf("Error of set parameter kernel %s: %d; line %d", OpenCL.GetKernelName(kernel),
GetLastError(), __LINE__);
return false;
}
if(!OpenCL.SetArgumentBuffer(kernel, def_k_concdiff_output, getOutputIndex()))
{
printf("Error of set parameter kernel %s: %d; line %d", OpenCL.GetKernelName(kernel),
GetLastError(), __LINE__);
return false;
}
if(!OpenCL.SetArgument(kernel, def_k_concdiff_step, iStep))
{
printf("Error of set parameter kernel %s: %d; line %d", OpenCL.GetKernelName(kernel),
GetLastError(), __LINE__);
return false;
}
//---
if(!OpenCL.Execute(kernel, global_work_size.Size(), global_work_offset, global_work_size))
{
printf("Error of set parameter kernel %s: %d; line %d", OpenCL.GetKernelName(kernel),
GetLastError(), __LINE__);
return false;
}
}
然而，feedForward方法的逻辑并未到此结束。下一步对输出张量做归一化处理，本质是将数据映射到统一量纲尺度，这对于神经网络训练至关重要。另外，本实现对两类特征分别执行归一化：变量原始数值做一路归一化，一阶差分值单独做另一路归一化。该处理方式能够让模型既对时间序列的剧烈变化保持敏感度，又在面对大幅行情波动时维持稳定性。
{
uint global_work_offset[1] = {0};
uint global_work_size[1] = {2 * iUnits};
const int kernel = def_k_Normilize;
if(!OpenCL.SetArgumentBuffer(kernel, def_k_norm_buffer, getOutputIndex()))
{
printf("Error of set parameter kernel %s: %d; line %d", OpenCL.GetKernelName(kernel),
GetLastError(), __LINE__);
return false;
}
if(!OpenCL.SetArgument(kernel, def_k_norm_dimension, iVariables))
{
printf("Error of set parameter kernel %s: %d; line %d", OpenCL.GetKernelName(kernel),
GetLastError(), __LINE__);
return false;
}
if(!OpenCL.Execute(kernel, global_work_size.Size(), global_work_offset, global_work_size))
{
string error;
CLGetInfoString(OpenCL.GetContext(), CL_ERROR_DESCRIPTION, error);
printf("Error of execution kernel %s: %d -> %s", OpenCL.GetKernelName(kernel),
GetLastError(), error);
return false;
}
}
//---
return true;
}
该后处理通过标准化输入数值的取值范围，显著提升训练稳定性，加快模型收敛速度。
另外再介绍误差梯度传播方法 —— calcInputGradients。虽然我们没有为该层编写反向传播内核，但依旧实现了对应的方法。
为什么要这样做？答案很简单。这样可以把该对象嵌入模型的任意层级，而不用担心破坏误差反向传播链路。即便该层不需要计算自身梯度，也必须把误差信号正确传递给前序模块。否则，整个模型的训练可能在该层失效，造成梯度流停滞，最终底层网络参数将无法完成优化。
该方法内部算法简洁可靠。首先获取源数据对象（NeuronOCL）的指针，并立刻校验指针有效性。
bool CNeuronConcatDiff::calcInputGradients(CNeuronBaseOCL *NeuronOCL) { if(!NeuronOCL) return false;
我们将当前对象中累积的误差梯度，沿着源数据的前向信息流进行转发，把它作为上一层的输入信号。该过程仅做解拼接操作，不包含任何复杂计算逻辑。
if(!DeConcat(NeuronOCL.getGradient(), getPrevOutput(), getGradient(), iVariables, iVariables, iUnits)) return false;
根据架构需要，还可以借助激活函数的导数对误差梯度做相应修正。
if(NeuronOCL.Activation() != None) if(!DeActivation(NeuronOCL.getOutput(), NeuronOCL.getGradient(), NeuronOCL.getGradient(), NeuronOCL.Activation())) return false; //--- return true; }
该设计保障了整体架构的兼容性与灵活性。CNeuronConcatDiff对象不会干扰梯度传播，可应用于复杂模型当中，既可以放在低层（靠近输入侧），也能够部署在计算图的深层位置。
至此，关于CNeuronConcatDiff类各方法的实现算法介绍完毕。该类及其全部方法的完整代码参见附件。
本文篇幅已经接近合理的上限。即便如此，大部分开发工作仍有待完成。我们仅仅打下了基础。然而，讨论并未到此结束。为避免内容过于冗长，保证文章可读性，我们暂且告一段落，具体实现将在本系列的下一篇文章继续展开。后续还有同样精彩、技术信息量十足的环节等待我们研究。
结论
在本文中，我们探究了Mantis框架，该框架兼具轻量化设计与高预测精度。框架的原作者提出了一套基于卷积与平均池化（mean‑pooling）的创新token化方案，可以将时间序列高效编码为32个维度为256的token，相比传统方法降低计算开销。基于多源数据集样本开展对比预训练，得到鲁棒、具备迁移能力的特征表达；该模型在零样本（zero‑shot）与微调（fine‑tuning）场景下性能优于其他方案，并且取得了极低的校准误差记录。
实践部分展示了基于OpenCL和MQL5实现的核心数据预处理层，实现输入张量的并行化和确定性预处理。在下一篇文章中，我们将继续按照我们自身的理解，实现Mantis框架原论文提出的各项算法。
链接
本文使用的软件
| # | 名称 | 类型 | 描述 |
|---|---|---|---|
| 1 | Research.mq5 | EA | 用于收集示例的EA |
| 2 | ResearchRealORL.mq5 | EA | 通过Real-ORL方法收集示例的EA |
| 3 | StudyContrast.mq5 | EA | 用于编码器对比学习的EA |
| 4 | Study.mq5 | EA | 用于离线模型训练的EA |
| 5 | StudyOnline.mq5 | EA | 用于在线模型训练的EA |
| 6 | Test.mq5 | EA | 用于模型测试的EA |
| 7 | Trajectory.mqh | 类库 | 用于描述系统状态与模型架构的结构 |
| 8 | NeuroNet.mqh | 类库 | 用于构建神经网络的类库 |
| 9 | NeuroNet.cl | 库 | OpenCL程序代码库 |
本文由MetaQuotes Ltd译自俄文
原文地址： https://www.mql5.com/ru/articles/18246
注意: MetaQuotes Ltd.将保留所有关于这些材料的权利。全部或部分复制或者转载这些材料将被禁止。
本文由网站的一位用户撰写，反映了他们的个人观点。MetaQuotes Ltd 不对所提供信息的准确性负责，也不对因使用所述解决方案、策略或建议而产生的任何后果负责。
交易中的神经网络：用于精确分类的高效特征提取（构建对象）
市场模拟（第 23 部分）：仓位视图（一）
新手在交易中的10个基本错误
交易中的神经网络：不依赖特定数据的时间序列泛化（核心模型模块）
