文章 "交易中的神经网络：以分解替代模型规模扩张（SSCNN）" 新评论 MetaQuotes 2026.10.26 15:12 新文章 交易中的神经网络：以分解替代模型规模扩张（SSCNN）已发布： 在本文中，我们将开始探究 SSCNN 框架 —— 一套面向时间序列分析的现代架构方案，兼具精度、结构化设计与高计算效率。我们会系统剖析它的理论基础，重点对比它与前代模型的核心差异，并着手在 MQL5 环境中落地其基础组件。 如果我们想要得到一个效果好同时又足够精简的模型，就必须重新审视这套研究范式：与其在隐空间中重建数据结构，不如从一开始就保留并利用数据本身固有的规律。近期研究表明，特征分解能够在不依赖超大模型的前提下显著提升预测精度。但该方法同样存在局限。首先，它并不适合长期预测任务，尤其是当数据具备复杂时空关联的时候。除此之外，还有一个值得分析的问题：分解法起效的底层原因与机制是什么？它相比分块又好在哪里？ 论文《精简还是能力？分解同时兼顾二者：长期时间序列预测》的作者针对上述问题提出了一种全新方案 ——SSCNN（Selective Structured Components-based Neural Network，基于选择性结构化分量的神经网络）架构。该模型兼顾预测精度、模型精简性与理论严谨性。和以往方案不同，SSCNN 首次从效率与模型精简性两个角度，对 “特征分解优于分块” 给出形式化论证。除此之外，基础分解机制还额外增加了选择机制：模型可以在单个时间步的粒度上识别重要依赖关系，这大幅提升了结构化分量的重构精度，最终带来整体预测效果的提升。 框架作者在基准任务上对 SSCNN 开展的测试结果表明：该模型的预测效果持续优于现有方法；同时在 99% 的测试场景中，它的参数量少于 PatchTST 以及 iTransformer。更亮眼的一点是：在长期预测任务上，SSCNN 相比本身已经极为轻量的 DLinear 模型，参数量甚至减少了 87%。 SSCNN 代表一次技术进步：它不靠堆砌算力，而是依靠对数据结构的合理利用与精细的工程设计。这套方案说明，高质量预测的关键不在于模型体量，而在于对数据规律的理解。 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：以分解替代模型规模扩张（SSCNN）已发布：
如果我们想要得到一个效果好同时又足够精简的模型，就必须重新审视这套研究范式：与其在隐空间中重建数据结构，不如从一开始就保留并利用数据本身固有的规律。近期研究表明，特征分解能够在不依赖超大模型的前提下显著提升预测精度。但该方法同样存在局限。首先，它并不适合长期预测任务，尤其是当数据具备复杂时空关联的时候。除此之外，还有一个值得分析的问题：分解法起效的底层原因与机制是什么？它相比分块又好在哪里？
论文《精简还是能力？分解同时兼顾二者：长期时间序列预测》的作者针对上述问题提出了一种全新方案 ——SSCNN（Selective Structured Components-based Neural Network，基于选择性结构化分量的神经网络）架构。该模型兼顾预测精度、模型精简性与理论严谨性。和以往方案不同，SSCNN 首次从效率与模型精简性两个角度，对 “特征分解优于分块” 给出形式化论证。除此之外，基础分解机制还额外增加了选择机制：模型可以在单个时间步的粒度上识别重要依赖关系，这大幅提升了结构化分量的重构精度，最终带来整体预测效果的提升。
框架作者在基准任务上对 SSCNN 开展的测试结果表明：该模型的预测效果持续优于现有方法；同时在 99% 的测试场景中，它的参数量少于 PatchTST 以及 iTransformer。更亮眼的一点是：在长期预测任务上，SSCNN 相比本身已经极为轻量的 DLinear 模型，参数量甚至减少了 87%。
SSCNN 代表一次技术进步：它不靠堆砌算力，而是依靠对数据结构的合理利用与精细的工程设计。这套方案说明，高质量预测的关键不在于模型体量，而在于对数据规律的理解。
作者：Dmitriy Gizlyk