文章 "交易中的神经网络：跨域时间序列预测框架（结论）" 新评论 MetaQuotes 2026.09.07 11:22 新文章 交易中的神经网络：跨域时间序列预测框架（结论）已发布： 本文聚焦于TimeFound时间序列预测模型的工程落地实现，探讨如何基于MQL5实现该框架核心算法的关键步骤。 第一阶段，使用欧元兑美元（EURUSD）货币对一分钟周期的五年历史数据训练编码器。如此庞大且精细的数据量，足以生成对当前市场状态具备深度语义的隐表征。编码器学习识别关键模式、挖掘市场规律，并将市场行情编码为紧凑且富含信息的向量，供给其余全部模块使用。 第二阶段，对架构中的核心交互组件 —— Actor、Director和Critic开展离线训练。为此，基于2024年市场数据构建训练集，同时完整保留编码器训练阶段使用的全部参数。训练过程引入近最优轨迹（near‑perfect trajectory）理念：智能体的动作并非随机选取，而是基于后续价格走势分析确定。换言之，由于可以拿到完整的价格变化轨迹，我们能够预先获知哪些动作会产生最优结果，并将这些动作用于训练。该方法相当于直接向模型示范如何交易，而不是让模型在环境中如同无地图摸索一般，依靠反复试错盲目寻找有效策略。最终智能体从经过验证的样本中学习，这些样本结果清晰、逻辑充分，尽可能趋近理想效果。这样不仅简化了训练流程，还让训练目标更聚焦，具备实际交易价值。 最后一个阶段为在线微调，直接在策略测试器内执行。在此，模型以尽可能贴近实盘交易的模式读取历史数据，依据真实市场动态调整自身参数。这一步尤为关键：可以针对训练集中体现不出来的环境变化、市场噪声与随机扰动，进一步优化智能体的行为。 整套训练流水线完成之后，模型使用全新数据 —— 2025年1月的报价数据开展测试。完整保留训练阶段的全部参数与配置，以此保证评估过程完全客观公正。测试结果呈现如下。 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：跨域时间序列预测框架（结论）已发布：
第一阶段，使用欧元兑美元（EURUSD）货币对一分钟周期的五年历史数据训练编码器。如此庞大且精细的数据量，足以生成对当前市场状态具备深度语义的隐表征。编码器学习识别关键模式、挖掘市场规律，并将市场行情编码为紧凑且富含信息的向量，供给其余全部模块使用。
第二阶段，对架构中的核心交互组件 —— Actor、Director和Critic开展离线训练。为此，基于2024年市场数据构建训练集，同时完整保留编码器训练阶段使用的全部参数。训练过程引入近最优轨迹（near‑perfect trajectory）理念：智能体的动作并非随机选取，而是基于后续价格走势分析确定。换言之，由于可以拿到完整的价格变化轨迹，我们能够预先获知哪些动作会产生最优结果，并将这些动作用于训练。该方法相当于直接向模型示范如何交易，而不是让模型在环境中如同无地图摸索一般，依靠反复试错盲目寻找有效策略。最终智能体从经过验证的样本中学习，这些样本结果清晰、逻辑充分，尽可能趋近理想效果。这样不仅简化了训练流程，还让训练目标更聚焦，具备实际交易价值。
最后一个阶段为在线微调，直接在策略测试器内执行。在此，模型以尽可能贴近实盘交易的模式读取历史数据，依据真实市场动态调整自身参数。这一步尤为关键：可以针对训练集中体现不出来的环境变化、市场噪声与随机扰动，进一步优化智能体的行为。
整套训练流水线完成之后，模型使用全新数据 —— 2025年1月的报价数据开展测试。完整保留训练阶段的全部参数与配置，以此保证评估过程完全客观公正。测试结果呈现如下。
作者：Dmitriy Gizlyk