其中 、 为可学习参数，分别决定特征 f 的记忆旋钮位置与宽度，可以表示为特征 f 的最终序列里，第 d 档分数阶差分序列记忆版本的权重占比，经 softmax 归一化后连续可微，可参与端到端的损失函数梯度下降。在实现层面，本章模型的数据处理管线分为三步：首先，在数据侧预计算各候选阶数的 GL 权重序列并构造卷积矩阵，谱构建在 GPU 上以卷积矩阵并行完成（每只股票、每个特征、每个阶数的加权和）其次在模型侧实现 d 注意力（及以可学习参数进行初始化），对谱张量沿第四维加权合成三维降维平稳化序列最后，将平稳化序列输入 Transformer 编码器，取末时间步经融合头输出因子得分，训练采用截面 IC 损失。
