文章 "交易中的神经网络：层次化双塔变换器（终篇）" 新评论 MetaQuotes 2026.01.09 10:55 新文章 交易中的神经网络：层次化双塔变换器（终篇）已发布： 我们继续构建 Hidformer 层次化双塔变换器模型，专为分析和预测复杂多变量时间序列而设计。在本文中，我们会把早前就开始的工作推向逻辑结局 — 我们将在真实历史数据上测试模型。 我们按 Hidformer 作者提出的方法解读，实现其方式已完成大部工作。现在我们到达关键阶段：基于真实历史数据评估我们的方案有效性。在我们的实现中，我们大量借鉴了 MacroHFT 框架。因此，新模型与其比较是合乎逻辑的。故此，我们采用之前为训练 MacroHFT 实现而编译的训练数据集来训练新模型。 该训练数据集是从 EURUSD 货币对，2024 年整个年度， M1 时间帧的历史数据中收集而来。所有指标参数均按其默认值设置。 模型的训练和测试均采用同一智能系统。测试基于 2025 年 1 月的历史数据，维持所有其它参数。测试结果呈现如下。 结果展示，该模型在训练数据集之外的历史数据中达成盈利。总体来看，在该日历月度内，该模型完成了 29 笔交易。每个交易日都有略多一笔交易，这对于高频交易来说还不够。超过 60% 的交易获利了结。平均盈利交易高出平均亏损交易 60%。 作者：Dmitriy Gizlyk 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
新文章 交易中的神经网络：层次化双塔变换器（终篇）已发布：
我们按 Hidformer 作者提出的方法解读，实现其方式已完成大部工作。现在我们到达关键阶段：基于真实历史数据评估我们的方案有效性。在我们的实现中，我们大量借鉴了 MacroHFT 框架。因此，新模型与其比较是合乎逻辑的。故此，我们采用之前为训练 MacroHFT 实现而编译的训练数据集来训练新模型。
该训练数据集是从 EURUSD 货币对，2024 年整个年度， M1 时间帧的历史数据中收集而来。所有指标参数均按其默认值设置。
模型的训练和测试均采用同一智能系统。测试基于 2025 年 1 月的历史数据，维持所有其它参数。测试结果呈现如下。
结果展示，该模型在训练数据集之外的历史数据中达成盈利。总体来看，在该日历月度内，该模型完成了 29 笔交易。每个交易日都有略多一笔交易，这对于高频交易来说还不够。超过 60% 的交易获利了结。平均盈利交易高出平均亏损交易 60%。
作者：Dmitriy Gizlyk