从关联规则切入市场隐性结构
◍ 从关联规则切入市场隐性结构
在 MT5 里做价格行为挖掘，多数人盯的是单根 K 线或指标交叉，却忽略了品种间、时段间的共现关系。关联规则要解决的正是这类问题：当 A 事件出现，B 事件以多大概率紧随其后。 原文给出的系列文章背景是 2022 年 9 月发布于 MetaTrader 5 社区、阅读量 1 428 次的技术帖，作者 Dmitriy Gizlyk 把神经网络与关联规则结合，说明这类方法在零售交易者圈子里已有实盘讨论基础，而非纯学术玩具。 本小节只铺底：后续会拆解 Apriori 与 FP-Growth 两种算法如何把『欧元动、黄金跟』这类经验直觉，转成可回测的支持度与置信度数字。外汇与贵金属波动受杠杆与消息驱动，高风险，任何共现规律都只在特定行情阶段有效，需自行在 MT5 历史数据里验证。
「从超市篮筐到K线：关联规则能挖什么」
无监督学习这两年在量化圈走热，核心原因是历史 tick 和逐笔成交数据量膨胀，人工标注成本扛不住。前几篇我们拆过聚类与降维，这一节换条线：关联规则挖掘（Association Rule Mining）。 它最早是超市用来做市场篮子分析的——找出「买啤酒的人常顺手拿尿布」这类商品组合。现在这套逻辑被搬进不少非零售场景，包括交易。 思路直接平移：把每根 K 线或每段行情窗口看成一只「购物篮」，里面装着同时出现的指标状态或价格波动特征。跑关联算法，可能挖出「美盘开盘后金价站上 MA20 且 RSI<30，随后 4 小时内反弹概率偏高」这类隐含组合。外汇与贵金属杠杆高、滑点跳空频繁，这类规律只作概率参考，实盘前务必在 MT5 用历史数据自测。
关联规则怎么从噪声里捞信号
关联规则属于数据挖掘里最基础的一类方法，核心是在大样本里找出数据之间「经常一起出现」的关系。它最早来自零售 POS 流水分析：不再只看总销量，而是看顾客把哪些具体商品放进了同一个篮子。
- 年 IBM 的开发组给出第一个算法，之后整族算法都建立在两个门槛参数上。第一个是最小支持率 MinSup，以 1 为底，表示某条规则出现次数占样本总业务数的比率。低于 MinSup 的规则被视为随机，直接丢弃。
组合爆炸是实打实的问题：3 个项 a、B、C 不考虑顺序就能拼出 7 个子集，项数一多，穷举重算频率在 MT5 历史样本里根本跑不动。算法用了抗单调属性——若单项 A 的频率已小于 MinSup，那所有含 A 的集合频率必然更小，所以只算单项频率就能砍掉绝大部分噪声集。 第二个参数是最小置信度 MinConf，也是 1 为底的分数。一条规则分前因和后果，格式是「前因为真时，后果通常也真」。置信度 = 规则执行次数 / 前因出现次数，只有 ≥ MinConf 才留进规则数组。注意后果概率从不是 100%，外汇与贵金属市场用这套筛关系时，样本偏差会导致规则失效，属高风险玩法，结论都只是「倾向」而非确定。
◍ 用 10 笔交易跑通 Apriori 的剪枝逻辑
Apriori 由 Agrawal 与 Srikant 在 1994 年提出，核心是靠「抗单调性」反复扫库找高频形态再提规则。把它套到一份 10 笔业务、5 项的小样本上，设最小支持率 0.3、最小置信度 0.7，能看清每一步怎么砍数据。 先转二元表：A 只出现 2 次，支持率 0.2 直接出局；B 0.6、C 0.7、D 0.8、E 0.4 留场。二项候选 BC/BD/BE/CD/CE/DE 扫完库，支持率分别是 0.5/0.4/0.3/0.6/0.4/0.3，全过线。 三项候选里 BDE 支持率仅 0.2 被剔；到四项阶段，唯一候选 BCDE 因子集 BDE 已死，按抗单调性其支持率不可能超 0.2，低于门槛，搜索停止。规则生成阶段用「形态支持率 ÷ 前因支持率」算置信度，例如 E->C 与 BD->C 置信度都是 1.00，而 D->B 只有 0.50 被丢。 别把扫描次数当小事。Apriori 每轮候选都要全表重扫，样本从 10 笔扩到实盘 tick 级数据库时，IO 开销会非线性膨胀，这也是它虽简单却在生产环境少用的原因。下一节要说的算法把遍历压到常数次。
「FP-成长如何用两遍扫描压住样本量」
FP-成长（频繁模式增长）解决关联规则挖掘里反复扫库的老问题：训练样本只被完整迭代两遍，此后算法不再回碰原始数据库。第一遍统计每项支持率，剔除低于 MinSup 的项，剩余项按支持率降序排成序列，例如 D(0.8)→C(0.7)→B(0.6)→E(0.4)。 第二遍建 FP 树：每笔事务只保留排好序的频繁项，从根（支持率最高）向叶（最低）建路径，节点计数器首轮置 1（或 1/N，N 为样本量）。后续事务若路径重合就累加计数器，不重合才开新分支。沿样本推进时新分支越来越少，树能把样本压缩到可全驻 RAM 的程度，这是它区别于 Apriori 的关键性能点。 规则判定完全在 FP 树上做。从叶往根走，取最低支持率项（如上例 E=0.4）回溯所有路径：DCBE(0.2)、DCE(0.1)、CBE(0.1)，路径入选看「该项支持率 / 前一节点支持率」是否 ≥ 最小置信度。上例 E 的三条路径均不满足 MinSup，两条还破置信度，故无法由 E 出规则，删 E 叶后继续。 下一个叶是 B，路径 DCB(0.4)、B(0.1)、CB(0.1)；选定路径后各项新支持率按「路径出现次数 / 原样本总数」重算，本例得 C(0.5)、D(0.4)，顺序和数值都可能较初始树改变。据此建私有树，其分支为规则前因、B 为后果，建完即从原树删 B 叶——因叶节点删除不影响上层因果路径，树随之缩减，后续项搜索量下降。 只能对「非根节点」项出规则；根节点（如序列首项 D）无前因可参考，算法不为它生成规则。外汇与贵金属市场数据若套此框架做形态关联，需注意过拟合与样本非平稳风险，回测结论仅具概率意义。
下一篇才动真格写代码
这一节只交代了来龙去脉：前面聊的非监督学习里，关联规则挖掘是另一类问题，Apriori 和 FP-成长两种算法过了理论，但同型算法还有不少，一篇文章塞不下。 真正落地的部分留到后续——下一篇会用 MQL5 实际搭出关联规则挖掘算法，并拿实际交易任务测它的绩效效率。也就是说，当前这段还停留在纸面，开 MT5 验证要等代码出来之后。 外汇和贵金属市场高波动、高杠杆，这类挖掘算法即便上线也只是概率层面的辅助，别当成信号圣杯。
◍ 延伸阅读与版权边界
这一节列的是同作者和同站点的关联技术文，基本都围绕 MQL5 下的神经网络与数据处理：数据聚类（第十四至十六部分）、降维（第十七部分）、关联规则挖掘的无候选算法，以及 Ichimoku 交易系统设计和决策树分类等。对想自己跑模型的交易者，这些标题就是现成的验证入口——开 MT5 搜对应文章名，照着贴代码就能复现聚类或 LSTM 预测的实验环境。 原文标注由用户撰写、MetaQuotes 不对准确性负责，且明确禁止全部或部分转载。做贵金属或外汇策略时记住：这类第三方实现未经审计，回测好看不等于实盘能跑，杠杆品种的高风险不会因为用了神经网络就消失。 顺带一提，文末那套登录/注册表单和信号复制广告不是技术内容，只是站点留存入口；真要动手，从「该作者的其他文章」里挑一篇开干比填邮箱有用。