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）

MetaTrader 5 — 交易系统 | 31 八月 2026, 14:39

Dmitriy Gizlyk

引言

在上一篇文章中，我们探讨了 Mantis 框架的理论内容。该框架是一款时序分类基础模型，它在不损失精度的前提下规避了回归算法高昂的计算复杂度。它可将待分析序列的原始数据转换为置信度明确的清晰信号，带来更高质量的分析结果。

设想一个传统预测模型：它以最小化预测误差为训练目标，但面对波动率突然飙升时往往表现欠佳。这类算法会随市场变化发生模型漂移，自适应能力较差，容易出现过拟合，无法提供透明的可靠性评估。我们所需要的不只是未来价格的预测值。还需要实时识别市场状态，判断当前价格走势属于常态行情还是异常行情。而 Mantis 正是为此而生：该模型训练的核心目标并非回归预测，而是解读市场形态。

Mantis 的设计思路源自视觉 Transformer 中的时序分词技术。模型无需扫描数万条报价数据或秒级数据，而是将时间序列切分为固定数量的时序块（Patch）。由此，不同长度的时间序列均可通过相同步数完成运算，无需针对不同数据规模重新调整网络结构。随后引入混合注意力机制：在第一视角下，模型借助卷积与池化操作捕捉细粒度的局部变化；在第二视角下，则通过全局注意力捕获长期趋势。两种视角相互结合，使模型既能捕捉到微小波动，又能感知行情的整体走向。

该模型的核心 制胜秘诀 为对比预训练。假设取同一段价格历史，生成两份轻微扰动后的样本。Mantis 会学习将二者的嵌入向量在向量空间中拉近，如同将多束光线汇聚成一束；同时将完全不同的时序片段在嵌入空间中拉远。经过对比学习，模型能够稳定识别行情形态，当行情振幅发生变化、时序小幅偏移或是出现非标准噪声时，该特性尤为关键。

训练流程的最后一步为温度缩放，也就是模型输出结果的最终校准。交易者关心的不仅仅是 “反转 / 不反转” 的判定结果，更需要对应的置信水平。Mantis 输出的并非抽象评分值，而是经过良好校准、具备实际参考价值的概率。实践表明：若模型预测 “反转概率为 80%”，那么 100 条此类信号中，大约有 80 条信号最终判定正确。

当多通道数据输入模型时，Mantis 的真正价值便得以显现。同步变化的 RSI 指标、成交量、移动平均线以及货币对相关性共同构成了复杂的行情图景。直接拼接上述信号会造成参数量爆炸；而分开处理各通道又会丢失通道间的相互依赖关系。Mantis 的解决方案是采用轻量适配器对通道交互信息进行压缩，仅保留最核心的数据：各指标之间关联强度。该设计减少显存占用，同时减少交易者配置模型的耗时。

下面分步解析 Mantis 的网络架构，以对其进行深入了解。第一阶段：初始卷积。拥有 d 个通道的时间序列首先送入一个输出通道数为 256 的卷积层，生成高维稠密特征表示。随后张量被均匀切分，经过按通道均值池化处理后生成 32 个时序token，每个token均携带局部行情信息。

并行构建差分数据流：对输入数据求取一阶差分，以此提升模型对短期行情变化的敏感度。差分后的数据执行同样的时序分块流程。

第三、第四路数据流为统计数据流：在上述 32 个时间窗口内，分别计算输入序列的均值与标准差，以此传递波动率与价格基准的整体背景信息。

四路数据流分别经过独立的线性投影层完成维度对齐，随后拼接在一起并映射为指定尺寸的全局token。

向编码完成的token序列中加入分类token与正弦位置编码，保证模型不会丢失时序顺序信息。处理后的数据送入 Transformer 模块：该模块包含 6 层网络、8 头多头注意力、归一化层、双层前馈神经网络（FFN）搭配 GELU 激活函数，训练阶段丢弃率（Dropout）设置为 10%。

这些模型分两个阶段进行训练。第一阶段为对比学习阶段，训练数据集由 10 个公开数据集合并而成：包含超 700 万条时间序列样本，迭代 100 次，批次大小 2048，训练硬件为 4 张 NVIDIA Tesla V100 显卡。该阶段就好比模型的高强度集训营。第二阶段接入分类头，并对模型输出执行温度缩放。这种两阶段训练方式，实现了神经网络中较为少见的效果：高精度输出与可靠可解释性兼得。

最后我们介绍模型的灵活性设计。为适配不同规模的任务、针对不同算力预算与数据结构定制模型，Mantis 框架的开发者提供了多种适配器方案：

PCA（主成分分析）与截断奇异值分解（Truncated SVD）：久经实践检验的经典线性降维方法；
随机投影（Random Projection）：一种快速简洁且高效的特征向量降维方案；
方差选择器（Variance‑Based Selector）：基于方差筛选出信息含量最高的数据通道；
可微线性组合器（LComb）：可随主模型同步训练的自适应适配器，适配各类专项任务。

借助上述适配器，开发者能够在运算速度与预测精度之间取得平衡、节约算力资源，同时避免丢失通道之间关键的关联信息。

归根结底，Mantis 并不只是一个单一模型，而是一整套面向深度时序分析的工程工具套件。它的优势不在于宏大的理论口号，而在于严谨细致的工程实现：精心处理每一个时序块、有机融合局部特征与全局上下文、严格校准输出概率、审慎完成通道信息压缩。数据分析与人工智能的结合，让交易者能够依托统计规律和成熟的算法原理理性决策，而非依靠主观猜测。在这个速度与精度决定成败的时代，Mantis 就是一款帮助交易者在起伏不定的市场之中站稳脚跟的利器。

下文附有作者绘制的 Mantis 框架可视化示意图。

Mantis 框架可视化示意图（作者绘制）

在上一篇文章的实操章节中，我们实现了一款基础时序处理组件：CNeuronConcatDiff 模块。该对象集成了一阶差分计算算法以及多路数据流张量拼接机制。这标志着 Mantis 框架核心代码实操开发工作的开端。

今天我们将继续搭建该架构，实现神经网络模型下一个关键基础模块。在上一篇文章的方案规划阶段，我们确定了需要在数据流中实现时序位置编码。做出该决策，目的在于提升模型可解释性，保留原始数据的位置结构信息，同时不降低运算性能。当然我们无需从零开发：好在我们已有经过实战检验的成熟对象CMamba4CastEmbedding。该对象是我们开发 Mamba4Cast 框架时所编写，如今完全适配当前开发任务。

下一步需要完成时序分块功能。正是在该模块，模型摆脱了输入序列长度的约束；无论原始数据规模多大，模型都能够基于固定数量的时序块开展运算。毫不夸张地说，该模块属于分类器架构中最重要的组件之一，后续所有运算流程能否稳定运行都取决于该模块的实现质量。那么我们就从此处着手开发：一步步构建一套机制，将原始信息流切分为紧凑且富含信息的时序块。

分段处理对象

原版 Mantis 框架的设计者采用了一种新颖巧妙的思路解决时序分段问题。模型并非简单将序列切分为等长片段，而是先通过卷积运算完成数据变换。并且卷积运算并非多余操作：它将一维时间序列转换为多通道张量。乍看之下该方案或许多此一举，但在实际应用中优势显著：借助小窗口卷积，模型能够检测出信号的局部波动，捕捉到那些容易被整体趋势掩盖的市场细节特征。

经过变换后得到一个多通道张量。每一条通道都是原始时序数据的独立投影，也就是从各自视角生成的一份信号 “简化表示”。随后张量被均匀切分为固定数量的时序块（Patch）。这些时序块就是模型后续运算的基础单元。接下来进入下一阶段：对每个分段内部的信息进行聚合。

Mantis 的设计者选用经典的按通道均值池化（mean‑pooling）完成信息聚合。该算法简单直观，可以输出平滑后的分段特征。而最大池化（max‑pooling）只会保留分段内的最大值，均值池化则能够保留上下文信息，时序序列中每一个数据点都会对最终生成的token产生贡献。当单个时序块覆盖较大范围的数据时，该特性尤为重要，开发者需要综合全部可用信息，而不能只关注波峰波谷。通过该方式生成的token，紧凑完整地保留了原始数据的时序结构信息，可供 Transformer 模型开展后续分析。

但实践发现，均值池化有时过于 “温和”：它在平滑信息的同时，也将信号中的异常值与突变走势一并平均抵消。对于基础大模型来说，这属于可接受的取舍，算法足够简洁、运算迅速、泛化能力强。而我们选择更进一步优化实现方案。在本次开发中，我们舍弃标准均值池化，改用按通道卷积 + 最大池化的组合方案。

这项优化带来哪些实际收益？首先，卷积运算会在各个通道内部提取特征，完成初步过滤并放大局部行情变化。随后最大池化筛选出特征中最显著的部分。该方案让模型对时序动态变化更加敏感。模型不再对所有数据简单取平均值，而是提取核心特征，因此能够更快、更精准地响应行情突变。该特性对于高频交易或是波动率较高的品种至关重要。

正是得益于这套改进版时序分块算法，我们开发的分类器可以适配各类时间序列的形态与结构。模块不再只是单纯切割数据片段，而是同步完成数据分析、特征提取、过滤与特征评估。在该系统中，单个时序块不再只是一段信号切片，而是一个信息完备、同时承载上下文以及信号形态特征的高质量token。

本文提出的算法封装在 CNeuronMantisPatching 类中实现。该专用模块负责将时间序列切分为结构化时序块，输出可供后续运算使用的高层特征表示。数据真正意义上的特征解读便由此开启：从一维原始数据流中提取局部形态，转换为稠密向量特征。

CNeuronMantisPatching 类采用多阶段计算流水线结构。其内部包含多个子对象，每一个子对象负责一项高度专一的运算任务。该类的结构将在下文中展示。

class CNeuronMantisPatching   :  public CNeuronTransposeOCL
  {
protected:
   CNeuronTransposeOCL     cToVarSeq;
   CNeuronConvOCL          cProjecting;
   CNeuronTransposeVRCOCL  cToVarProjSeq;
   CNeuronConvOCL          cPatchingProj;
   CNeuronProofOCL         cProof;
   //---
   virtual bool      feedForward(CNeuronBaseOCL *NeuronOCL) override;
   virtual bool      updateInputWeights(CNeuronBaseOCL *NeuronOCL)  override;
   virtual bool      calcInputGradients(CNeuronBaseOCL *NeuronOCL)  override;

public:
                     CNeuronMantisPatching(void) {};
                    ~CNeuronMantisPatching(void) {};
   //---
   virtual bool      Init(uint numOutputs, uint myIndex, COpenCLMy *open_cl,
                          uint count, uint patchs, uint variables,
                          uint embedding_size, uint patch_filters,
                          ENUM_OPTIMIZATION optimization_type, uint batch);
   //---
   virtual bool      Save(int const file_handle) override;
   virtual bool      Load(int const file_handle) override;
   //---
   virtual int       Type(void)  override const {  return defNeuronMantisPatching; }
   //---
   virtual void      SetOpenCL(COpenCLMy *obj) override;
   virtual bool      WeightsUpdate(CNeuronBaseOCL *source, float tau) override;
  };

所有内部对象均采用静态声明，由此类的构造函数与析构函数便可置空。这些内部对象在 Init 方法中完成配置，该方法传入一组常量参数，能够唯一确定待创建对象的网络架构。

bool CNeuronMantisPatching::Init(uint numOutputs, uint myIndex, COpenCLMy *open_cl,
                                 uint count, uint patchs, uint variables,
                                 uint embedding_size, uint patch_filters,
                                 ENUM_OPTIMIZATION optimization_type, uint batch)
  {
   if(!CNeuronTransposeOCL::Init(numOutputs, myIndex, open_cl, variables * embedding_size,
                                                        patchs, optimization_type, batch))
      return false;

值得注意的是，送入 CNeuronMantisPatching 对象的输入数据应当为多通道时序数值矩阵，矩阵当中每一列代表一条独立通道。并且，每一条通道都由一组随时间变化的数值观测序列构成。换句话来讲，我们处理的矩阵维度为 [T * C]，其中 T 代表时间步总数，C 代表通道（变量）数量。

模块内部借助数据转置对象，实现各个通道的独立运算处理。该操作是为了保证通道轴与时间轴能够分开运算；如果不显式调换张量轴顺序，则很难实现这种运算隔离。除此之外，CNeuronMantisPatching 类本身继承自 CNeuronTransposeOCL。因此在完成全部变换运算后，便可调用父类方法执行逆转置，输出格式符合预期的张量。

初始化方法的第一步调用父类 CNeuronTransposeOCL 的同名初始化函数。该方法会搭建基础运算结构，对各项参数执行初始化预处理。只有完成该步骤，所有继承而来的运算机制才可以正常运行。

父类初始化成功之后，便可开始配置各个内部组件。首个待配置对象为 cToVarSeq，它是一层矩阵转置层，能够便捷访问每一条通道对应的独立时序序列。其作用是转换输入数据排布形式，让每一条通道变为一条独立时序序列，以便开展后续局部卷积运算。

   int index = 0;
   if(!cToVarSeq.Init(0, index, OpenCL, count, variables, optimization, iBatch))
      return false;

接下来初始化局部编码对象 cProjecting。该对象本质是卷积层，相当于一个 “敏锐观测器”，使用宽度为 3、步长为 1 的固定滑动窗口扫描时序数据的每一条通道。它负责提取短期局部行情形态，并将特征映射至维度为 embedding_size 的固定特征空间。

   index++;
   if(!cProjecting.Init(0, index, OpenCL, 3, 1, embedding_size, count - 2, variables,
                                                               optimization, iBatch))
      return false;
   cProjecting.SetActivationFunction(SoftPlus);

这里需要着重说明：运算过程严格按照单通道独立执行，每条通道单独分析，从而使模型能够适配各个信号独有的特征。并且每一条通道都配有一组互不相同的卷积滤波器，极大提升运算过程的灵活性与结果精度。

经过卷积运算之后得到维度为 [C * T' * D] 的张量，其中：

C — 通道（特征）数量，
T' — 使用窗口尺寸 3 完成卷积运算之后，输出结果在时间轴上的长度，
D — 编码完成后新特征向量的维度。

该张量属于原始数据经过局部压缩、且已完成初步结构化处理后的结果，可作为后续分段与特征聚合运算的输入。这就相当于生成了一份每个特征短期动态走势的精简快照；传统时序分析方法往往需要复杂且高资源开销的变换，才能够捕获这类信息。

接下来进入时序分段阶段。此处有一处关键细节需要理解。在本文的实现方案当中，分段操作本质上就是沿着时间轴切割数据，也就是将长序列切分为若干固定长度的片段。但是上一步卷积输出得到的张量，其时间轴位于第二维度。为了便于后续运算、同时匹配后续网络层的架构，我们需要重新排布张量各个轴的顺序。

于是我们调用三维张量转置对象，调整各维度的排列顺序，得到适配时序分段运算的数据排布形式。转置完成后张量的新结构为 [C * D * T']。

   index++;
   if(!cToVarProjSeq.Init(0, index, OpenCL, variables, count-2, embedding_size, optimization, iBatch))
      return false;

经过排布转换后的数据形式直观易用：此时便可直接沿着时间轴处理序列，将序列切分为多个等长片段，并且每一个片段都视作一条独立语义单元。这正契合我们最初的设计目标：从分析单个采样点升级为分析行情形态。

张量以该新结构送入下一阶段，执行核心的分段运算与信息聚合。该阶段的核心任务：将时序序列切分为固定数量的片段，并且从每一段当中提取富含信息的特征表示。但程序初始仅传入目标片段数量（patchs），因此首先需要计算出单个片段的尺寸，也就是每个时序块包含多少个时间步。

接下来初始化卷积层 cPatchingProj，由该层完成时序分段。卷积窗口大小与前面计算得出的片段尺寸相等，并且沿时间轴滑动的步长与窗口尺寸保持一致，以此生成互不重叠的时序片段。

   index++;
   int patch_size = (int(count + patchs) - 3) / int(patchs);
   if(!cPatchingProj.Init(0, index, OpenCL, patch_size, patch_size, patch_filters,
                        patchs, variables * embedding_size, optimization, iBatch))
      return false;
   cPatchingProj.SetActivationFunction(SoftPlus);

这里需要注意，该实现方案不同于简单的均值池化，此处使用带有多组滤波器（patch_filters）的完整卷积运算。模型不再只是对片段内部的数据求取平均值，而是通过识别片段内典型的局部形态，提取出每个片段中最有价值的特征。

张量经过 cPatchingProj层运算之后，输出一个四维张量，张量形状为 [C × D × P × F]，其中：

P — 分段（时序块）的数量，
F — 每个时序块所使用的滤波器数量。

该张量存储了所有滤波器作用下，每一条通道内各个分段经过特征增强后的结果。但是后续运算还需要对这份数据执行聚合处理。于是沿着最后一个维度，也就是滤波器轴 F执行 max‑pooling最大池化运算。该运算选取每个维度当中响应最显著的值，筛除冗余或是激活程度较低的滤波器结果。池化完成后，张量维度变为 [C × D × P]。

   index++;
   if(!cProof.Init(0, index, OpenCL, patch_filters, patch_filters, 
            patchs*variables*embedding_size, optimization, iBatch))
      return false;
//---
   return true;
  }

最后一步的数据变换交由前面已经初始化完成的父类执行。因此本方法末尾向调用方返回一个布尔值，反馈整套初始化流程的执行结果。

值得一提，CNeuronMantisPatching 架构采用高度模块化的设计思路。每一个内层网络层都能够独立处理单通道数据，这使得整套架构拥有极强的可扩展性。无论待分析通道数量多少，运算逻辑均可保持一致，每一条通道都被当作一条独立的数据流进行运算。

除此之外，这种独立通道运算结构能够让计算任务实现高效并行。由于全部神经网络层都基于 OpenCL开发实现，网络层会自动调用可用的 GPU 或是其他兼容运算设备。系统可同时启动数百条并行线程，每条线程单独处理一条通道，几乎不会带来额外的耗时开销。

我们在讲解初始化方法内部结构的时候，已经详细介绍了 CNeuronMantisPatching 类的主体运算逻辑以及各个内部组件之间的协作关系。多通道时序数据处理的全部关键步骤，都是在该方法当中按顺序搭建完成：从最开始的数据转置，到时序分段，最后完成特征聚合。

为避免文章内容过于冗长，本文省略了前向传播（feedForward）以及反向传播（calcInputGradients、updateInputWeights）的相关说明。上述函数内部按照流水线架构，依次调用各个内部对象的同名成员方法即可完成运算。

该类的完整源代码（包括所有辅助方法的实现）已附于文后，读者可自行查阅并进一步了解技术细节。

注意力模块

遵照 Mantis框架的整体设计思路，经过预处理、已经由各通道时序块转换为token形式的时序序列，送入 Transformer模块。时序信息与跨通道信息的最终处理就在该模块内执行：程序会向token序列添加一个特殊的分类token，并且嵌入位置编码信息。

class token分类token充当一种全局信息聚合器。当token流经六层多头自注意力（Self‑Attention）网络时，它会聚合整条序列的结构化特征信息。最终输出向量即可视作待分析时序序列的类别标识；无论任务是识别市场行情阶段、指标状态分类，还是预判未来行情走势类型，都依靠该向量完成判断。

而在我们本次的实现版本中，对该阶段流程作出了一定改动。首先，我舍弃位置编码。原因在于借助引自 Mamba4Cast架构的内置时序编码，token本身就已经显式存储了序列的时序结构信息。该方案无需像传统 Transformer 那样使用正弦位置向量或是可学习位置向量，就可以完成通道内每个元素绝对位置、相对位置的编码。

这项改动同时带来两点好处。第一，降低模型对于输入序列偏移与形变的敏感度。第二，消除固定位置编码与数据本身自带时序上下文之间产生冲突的隐患。将该方案运用于真实金融时序行情时，可以提升模型鲁棒性，使 Transformer 能够更加专注于输入信号本身的内容特征。

除此之外，原版 Mantis的实现方案在 Transformer 输出端，只会取用分类token，该专用向量用于累积整条序列的全局概括信息。分类token被放置在输入序列首部，经过 Transformer 全部网络层运算之后，再从输出结果中将该token提取出来。

但是在我们的实现方案当中，选用了另一种解决思路。放弃传统 “序列首部插入分类token、运算结束后再提取token” 的实现方式，转而使用交叉注意力模块（Cross‑Attention）。该方案的独到之处：分类token被设置为主查询向量（query），原始序列生成的token则充当上下文（键向量与值向量）。这种配置可以让分类token聚焦于序列中最关键的元素，过滤噪声干扰，强化有效特征之间的关联。

更进一步，我们采用了通道独立版交叉注意力机制，每一条通道都单独完成注意力计算。由此便可单独评估每一条通道对注意力结果的贡献占比。该方案在多模态、异质信号分析场景下效果突出，能够避免单条通道权重过高、压制其余通道，得到一份客观均衡、覆盖时序完整结构的聚合特征。

最终由交叉注意力模块输出的全局向量，已经包含整条时序序列均衡且高度概括的特征表示，完全可以送入后续分类或预测流程。

从代码实现层面来讲，整套逻辑封装在 CNeuronMantisAttentionUnit 类当中，该类继承自 CNeuronSoftMaxOCL。也就意味着该类可以直接输出待分析序列属于各个类别的预测概率。新版对象的架构示意图展示于下文。

class CNeuronMantisAttentionUnit :  public CNeuronSoftMaxOCL
  {
protected:
   CNeuronBaseOCL                cClassToken[2];
   CNeuronMVCrossAttentionMLKV   cAttention;
   //---
   virtual bool      feedForward(CNeuronBaseOCL *NeuronOCL) override;
   virtual bool      updateInputWeights(CNeuronBaseOCL *NeuronOCL)  override;
   virtual bool      calcInputGradients(CNeuronBaseOCL *NeuronOCL)  override;

public:
                     CNeuronMantisAttentionUnit(void) {};
                    ~CNeuronMantisAttentionUnit(void) {};
   //---
   virtual bool      Init(uint numOutputs, uint myIndex, COpenCLMy *open_cl,
                          uint token_size, uint window, uint window_key, uint heads,
                          uint units_count, uint layers, uint variables,
                          ENUM_OPTIMIZATION optimization_type, uint batch);
   //---
   virtual bool      Save(int const file_handle) override;
   virtual bool      Load(int const file_handle) override;
   //---
   virtual int       Type(void)  override const {  return defNeuronMantisAttentionUnit; }
   //---
   virtual void      SetOpenCL(COpenCLMy *obj) override;
   virtual bool      WeightsUpdate(CNeuronBaseOCL *source, float tau) override;
  };

在这个新建的类当中，包含两大核心组件：

cClassToken[2] — 一个双层MLP多层感知机，用于生成可训练的分类token；
cAttention 即为多层交叉注意力对象本身。

所有内部对象均采用静态声明，由此类的构造函数与析构函数便可置空。与往常一样，内部对象在 Init 方法中完成初始化。

bool CNeuronMantisAttentionUnit::Init(uint numOutputs, uint myIndex, COpenCLMy *open_cl,
                                      uint token_size, uint window, uint window_key,
                                      uint heads, uint units_count, uint layers, uint variables,
                                      ENUM_OPTIMIZATION optimization_type, uint batch)
  {
   if(!CNeuronSoftMaxOCL::Init(numOutputs, myIndex, open_cl, token_size, optimization_type, batch))
      return false;

此处我们首先调用父类的同名初始化方法。如前文所述，继承而来的对象与接口已经在父类方法内完成初始化处理。当父类方法成功执行完毕后，便可开始初始化各类内部对象。第一步初始化用于生成可训练分类token的MLP多层感知机。其第一层输入固定为一个常数标量，第二层再通过可训练参数生成指定尺寸的分类token。

   int index = 0;
   if(!cClassToken[0].Init(token_size, index, OpenCL, 1, optimization, iBatch))
      return false;
   if(!cClassToken[0].getOutput().Fill(1))
      return false;
   index++;
   if(!cClassToken[1].Init(0, index, OpenCL, token_size, optimization, iBatch))
      return false;
   cClassToken[1].SetActivationFunction(SIGMOID);

为了让token内各元素的数值落在指定区间，我们在最后一层使用 Sigmoid 激活函数。

下一步对交叉注意力模块执行初始化。初始化所需的全部配置参数均由调用方通过本方法的入参传入。

   index++;
   if(!cAttention.Init(0, index, OpenCL, token_size, window_key, heads * variables, window,
                       heads, 1, units_count, layers, 1, 1, variables, optimization, iBatch))
      return false;
//---
   return true;
  }

方法执行的最后，向调用程序返回布尔值以反馈整套运算的执行结果。

feedForward前向传播方法同样十分简洁。方法入参接收待分析序列上下文对象的指针，并第一时间校验该指针是否有效。

bool CNeuronMantisAttentionUnit::feedForward(CNeuronBaseOCL *NeuronOCL)
  {
   if(!NeuronOCL)
      return false;

接下来需要生成分类token。但是该操作仅会在模型训练阶段执行。模型推理运行期间参数不会发生变化，因此分类token将保持固定不变。我们无需在每一次迭代时都重新生成。

//---
   if(bTrain)
     {
      if(!cClassToken[1].FeedForward(cClassToken[0].AsObject()))
         return false;
     }

生成完成的分类token，连同待分析序列的上下文数据，一并送入注意力模块。

   if(!cAttention.FeedForward(cClassToken[1].AsObject(), NeuronOCL.getOutput()))
      return false;

注意力模块的输出结果，也就是经过特征增强后的分类token，将送入父类CNeuronSoftMaxOCL的输入端。该步骤会把预测结果转换为概率形式，输出各个类别上的概率分布。

   if(!CNeuronSoftMaxOCL::feedForward(cAttention.AsObject()))
      return false;
//---
   return true;
  }

最后补充说明：反向传播相关方法（calcInputGradients以及updateInputWeights）内部依次调用各个嵌套子组件对应的成员函数。读者可自行查阅源码实现，完整理解CNeuronMantisAttentionUnit模块的训练流程与权重更新逻辑。该类所有方法的完整源代码已附在文章附件中。

至此，本文计划完成的开发工作已经全部结束。在下一篇文章当中，我们将剖析整套模型架构，并采用真实的历史行情数据对当前实现方案的实际效果开展评测。

结论

我们完成了从初始数据预处理（一阶差分计算、特征拼接、基于CMamba4CastEmbedding的时序编码），再到时序块复杂处理、借助分类token实现交叉注意力智能聚合的全部开发流程。流水线当中的每一步运算，从张量转置、局部卷积运算，再到max‑pooling最大池化与多头注意力，都经过精心设计。在依托OpenCL并行计算优化算力开销的同时，尽可能完整地保留时序动态特征信息。

最终得到一套模块化架构。在不改动底层运算逻辑的前提下，就可以灵活调整通道数量、时序块尺寸、嵌入向量深度以及注意力头数。该特性能够让模型快速适配各类金融场景，既可以用于高频交易，也能够胜任长期趋势分析任务。

在下一部分内容里，我们将给出基于上述组件搭建完成的可训练模型完整结构图，并展示模型在历史数据集上的运行结果。

参考

本文使用的程序

#	名称	类型	说明
1	Research.mq5	EA	用于采集训练样本的EA
2	ResearchRealORL.mq5	EA	使用Real-ORL方法采集训练样本的EA
3	StudyContrast.mq5	EA	用于对比编码器训练的EA
4	Study.mq5	EA	用于离线模型训练的智能交易系统
5	StudyOnline.mq5	EA	用于在线模型训练的智能交易系统
6	Test.mq5	EA	模型测试EA
7	Trajectory.mqh	类库	用于描述系统状态与模型架构的结构体
8	NeuroNet.mqh	类库	用于构建神经网络的类库
9	NeuroNet.cl	库文件	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/18307

附加的文件 |

下载ZIP

MQL5.zip (2794.71 KB)

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。

Dmitriy Gizlyk

任何的MT4和MT5複雜專業寫作計劃。

该作者的其他文章

前往讨论

交易策略

各种交易策略的分类都是任意的，下面这种分类强调从交易的基本概念上分类。

交易中的神经网络：面向准确分类的有效特征提取（Mantis）

认识Mantis —— 一款基于 Transformer 架构的轻量级时间序列分类基础模型，采用对比预训练与混合注意力机制，实现创纪录的精度，并具备出色的可扩展性。

新手在交易中的10个基本错误

新手在交易中会犯的10个基本错误: 在市场刚开始时交易, 获利时不适当地仓促, 在损失的时候追加投资, 从最好的仓位开始平仓, 翻本心理, 最优越的仓位, 用永远买进的规则进行交易, 在第一天就平掉获利的仓位,当发出建一个相反的仓位警示时平仓, 犹豫。

市场模拟（第 23 部分）：仓位视图（一）

接下来我们将要介绍的内容，在理论和概念方面要复杂得多。我会让这些材料尽可能简单易懂。编程部分本身相当简单明了。但是，如果你不了解背后的理论，那么在将回放模拟系统改进或调整以适应不同于我将要展示的任务时，你就几乎没有任何可用于进一步改进或适配系统的实际依据。我不希望你只是编译和使用我提供的代码。我希望你能学习、理解，并且如果可能的话，能够创造出更好的东西。