文章 "交易中的神经网络：面向准确分类的有效特征提取（Mantis）"

MetaQuotes 2026.08.31 14:39

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。

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。该框架作者提出的基础方法建立在四大核心支柱之上：时间序列令牌化、混合注意力、多维适配模块，以及自监督对比预训练，再加上后续概率校准。

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。例如，长度1024和2048的时间序列，会被转换得到相同数量即32个分块。该方案对于批量处理异构时间序列至关重要。

嵌入向量分多步生成。首先使用输出通道数为256的卷积层，该层将时间序列转换为更加紧凑的空间表征。接下来，对32个分块分别进行平均池化，输出维度为（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，构建第二路数据流 —— 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。