文章 "交易中的神经网络：智能预测流程（Time-MoE）" 新评论 MetaQuotes 2026.09.28 08:55 新文章 交易中的神经网络：智能预测流程（Time-MoE）已发布： 诚邀大家一起来研究现代Time-MoE框架，该框架已针对时间序列预测任务完成适配。本文将分步实现该架构的核心组件，并同步提供原理讲解与实操示例。该方法使得您不仅能够理解模型的运行机制，还可以将相关原理应用于真实交易场景。 Time-MoE是专为时间序列数据打造的新一代仅解码器Transformer 。它以稀疏学习、模块化、多尺度预测为设计原则。该框架的作者论证了大模型的可扩展性与灵活性同样适用于时间序列领域，且不会牺牲计算效率。论文提出的模型架构支持任意长度的分析序列与预测时域。另外，该模型可以对数据流进行实时处理。 该架构的第一个组件为逐点分词（Point-Wise Tokenization）。不同于基于窗口或者聚合统计的处理方式，这里每一个时间步都会转换为一个独立的词元（token）。该特性在高频交易场景下十分有用，哪怕仅有一笔tick，都有可能改变市场格局。在MQL5环境中，词元可以由K线、tick数据以及衍生指标构建而成，包含波动率、成交量、自定义策略输出信号等。 完成分词之后，数据送入带有SwiGLU激活函数的嵌入层，它是Swish激活函数与 门控线性单元（Gated Linear Unit）的混合变体。它可以生成更加平滑、鲁棒的信息表征，当市场存在噪声、趋势不稳定时，该特性尤为重要。 作者：Dmitriy Gizlyk 新评论
新文章 交易中的神经网络：智能预测流程（Time-MoE）已发布：
Time-MoE是专为时间序列数据打造的新一代仅解码器Transformer 。它以稀疏学习、模块化、多尺度预测为设计原则。该框架的作者论证了大模型的可扩展性与灵活性同样适用于时间序列领域，且不会牺牲计算效率。论文提出的模型架构支持任意长度的分析序列与预测时域。另外，该模型可以对数据流进行实时处理。
该架构的第一个组件为逐点分词（Point-Wise Tokenization）。不同于基于窗口或者聚合统计的处理方式，这里每一个时间步都会转换为一个独立的词元（token）。该特性在高频交易场景下十分有用，哪怕仅有一笔tick，都有可能改变市场格局。在MQL5环境中，词元可以由K线、tick数据以及衍生指标构建而成，包含波动率、成交量、自定义策略输出信号等。
完成分词之后，数据送入带有SwiGLU激活函数的嵌入层，它是Swish激活函数与 门控线性单元（Gated Linear Unit）的混合变体。它可以生成更加平滑、鲁棒的信息表征，当市场存在噪声、趋势不稳定时，该特性尤为重要。
作者：Dmitriy Gizlyk