文章 "交易中的神经网络：一种跨领域时间序列预测框架（TimeFound）"

[MetaQuotes]

新文章 交易中的神经网络：一种跨领域时间序列预测框架（TimeFound）已发布：

本文将分步搭建 TimeFound 智能模型的核心模块，使其适配真实场景下的时序预测任务。如果你希望了解神经网络分块算法在 MQL5 中的工程落地实现，那么本文正是为你准备的。

过去，ARIMA和指数平滑等经典统计模型得到了广泛应用。就连线性回归往往也能发挥不错的效果。主张采用简易模型的论点听起来十分有说服力 —— 直到深度神经网络登上舞台。现如今，深度学习模型早已不再只是小有成果；它们收获了丰硕的成果，凭借着处理海量历史数据时出色的精度与运算速度令人惊叹。

然而，和任何强力工具一样，深度模型也存在自身的弊端。训练这类模型需要为特定任务准备海量带标注数据集。缺少足量标注数据，神经网络这个老大哥便无法运转。倘若你仅能获取有限的历史行情数据，或是某个标的刚刚上市交易，该如何处理？对于一款刚上线、交易终端还未来得及积累充足历史数据的新代币，我们该怎样预测它的价格？这时，零样本预测（Zero‑Shot Forecasting）的概念就应运而生 —— 它可以在传统方法束手无策的场景下保障模型的预测能力。

时序研究人员从大型语言模型身上找到了灵感。众所周知，LLMs在文本任务上表现优异：翻译、写诗、回答问题样样可行。为何不能将该思路迁移至价格趋势预测？于是，面向时序领域的基础大模型迎来了一波发展热潮。不妨设想：一个通用全能模型，无论是预测股票价格、用电量还是失业率，它都能够胜任。关键就在于使用多样化的数据集对其开展充分训练。

受这一基础理念启发，论文《TimeFound：一个面向时间序列预测的基础模型》的作者推出了TimeFound这一全新框架。该框架以Transformer架构为基础，旨在打造一款面向时序预测任务的基础模型。研究人员借鉴自然语言处理（NLP）领域成熟的设计思路，并将其改造适配到时序预测任务。

作者：Dmitriy Gizlyk

[Miguel Antonio Rojas Martinez]

您好，德米特里·吉兹利克，希望您一切都很好。

您是在哪个文件中实现了 CNeuronTimeFoundPatching 类？

我不太明白，也许它已经包含在zip压缩包的某个文件夹中了，或者这是尚未作为本文文件的一部分上传的内容。

这种方法非常有趣，希望不久后能看到后续内容（用西班牙语，我的母语）。拥抱。

[Miguel Antonio Rojas Martinez]

您能否（如果可以的话）更详细地说明哪些库是代码的依赖项，因为尝试编译任何文件时，都缺少许多依赖项

（目前只有“EXPERTS”文件，但可能缺少其他文件，例如“include”目录中的文件）。

[Dmitriy Gizlyk]

Miguel Antonio Rojas Martinez # :

你好，Dmitry Gizlyk，希望你一切都好。

你是在哪个文件中实现了 CNeuronTimeFoundPatching 类？

我不太明白，也许它已经在压缩包的某个文件夹里了，或者还未作为本文的附件上传。

这个思路非常有趣，希望很快能看到后续内容（用西班牙语，我的母语）。祝好。

下午好，米格尔。

CNeuronTimeFoundPatching 类位于 NeuroNet.mqh 库中。

[Dmitriy Gizlyk]

Miguel Antonio Rojas Martinez #:

您能否（如果可以的话）更详细地说明哪些库对代码有补充作用？因为尝试编译任何文件时，都会缺少许多依赖项

（目前只有“EXPERTS”文件，但可能缺少其他文件，例如“include”目录中的文件）。

该项目的所有最新文件均发布在forge.mql5.io/dng 上。