数据科学与机器学习（第 09 部分）：以 MQL5 平铺直叙 K-均值聚类（基础篇）
先把数据当废品看
做聚类之前，先接受一个有点刺耳的判断：原始行情数据在没有明确用途前，和废品没两样。Mark Twain 那句“收集前先想清楚用来干嘛”放到 MQL5 特征工程里同样成立——你若没想好拿 K-均值去切哪类状态，撸再多 Tick 也只是占硬盘。 在 MT5 里跑无监督学习，第一道坎不是算法而是意图。比如你打算用 K-均值把 EURUSD 的波动率聚成几类，就得先决定喂进去的是收盘价差值、ATR 还是归一化收益率。外汇与贵金属杠杆高、跳空频繁，特征没选对，聚类结果在样本外大概率失效，这是高风险前置条件。 本系列后续会直接贴 MQL5 平铺实现，不绕 Python 桥接。你能立刻做的一件事：打开 MT5 策略测试器，随便拉一段 H1 历史，先手算三组收盘差分，别急着写聚类。
「未标记数据如何逼出算法自寻规律」
监督学习依赖带标签的样本，回归、SVM、决策树、神经网络都在此列，模型训练时已知每个输入对应的输出。但无监督学习拿到的数据没有标签，算法得自己从分布里挖关系，没人告诉它什么是对的。 外汇与贵金属行情序列若直接喂入这类方法，往往先要脱去时间标签做特征化，否则模型容易把时序噪声当结构。这类品种杠杆高、跳空频繁，纯无监督得出的簇边界只反映历史样本形态，实盘切换周期后可能迅速失效。 典型任务落在三类：聚类（把相似状态归堆）、降维（压缩维度保留主变异）、密度估算（算某区域样本浓淡）。在 MT5 里用自编指标跑 K-means 前，建议先用密度估算看样本是否真有天然分界，避免硬切造成的伪信号。
◍ K-均值之前的聚类逻辑
聚类分析的本质，是把一组对象按属性相似度切进不同群组：相似度高的进同一簇，差异大的分属不同簇。商场里同类商品摆在一起，就是一次人工聚类；放到未标注的数据集上，算法替你完成这件事。 它不是一个具体算法，而是一类任务框架。不同算法对“什么是簇”的理解差异很大，所以不能拿一种结果套所有场景。 业界常提三种聚类：独占聚类（如 K-均值，一个点只属一簇）、重叠聚类（如模糊 C-均值，一个点可跨多簇）、层次聚类（自底向上或自顶向下建树）。本文后续只落地独占聚类里的 K-均值，外汇与贵金属行情序列做形态归并时，这类硬切分最直观，但需注意高频噪声可能扭曲簇心，属高风险建模前提。
聚类在跨行业推荐里的落点
电商与流媒体早已把聚类当基础工具：亚马逊把历史浏览与购买行为叠成向量，将相似商品聚成一堆做关联推荐；Netflix 按观影兴趣把用户和影片双向聚类，推的可能是一组协同观看概率更高的片子。 这类做法的本质，是从营销、生物医学、地理空间等多变量数据集里，用距离度量切出「相似对象群」。对做价格行为的人而言，思路可直接平移——把 K 线片段、波动率区间、成交量轮廓当成多维样本，聚出的簇就是市场状态的分群，而非拍脑袋划分的震荡或趋势。 外汇与贵金属属高风险品种，这类聚类只是状态识别辅助，不能单独作为开仓依据，须配合结构位与风控。
「手搓 K-均值聚类的 MT5 起步」
K-均值和 k-最邻近是两回事，前者是向量量化方法，把 n 个观测硬拆成 k 个簇（k < n），每个点归到离最近质心那一组。它是实战里最常被直接搬用的聚类手段，数学不绕，核心就是「选初始质心 → 算距离分组 → 迭代更新质心」。 先在 MetaEditor 里把质心存进 CKMeans 函数库的私有矩阵，避免和外部逻辑打架。启动阶段要手动塞入随机质心到 InitialCentroid 矩阵，这一步看着糙，但决定了后面收敛路径。下边代码里我们用了 8 行 2 列的样本集（如 {2,10}、{7,5} 等），并抽第 0 行和第 2 行当初始质心，日志打出的是 [[2,10] [5,8]]。 距离度量建议用欧氏距离，即直线距离，对二维特征（比如两段均线偏离值）足够直观。跑完初始分组后质心先不动，等首轮归属落定再更新——很多人卡在「为啥第一步不算新质心」，答案就是：第一次只有初始质心，新质心是末道工序。 外汇和贵金属行情用这招做状态划分时，样本窗口一换结果可能漂移，属正常概率现象，别当成确定性信号。
class CKMeans { class="kw">private: class="type">class="kw">ulong n; class="type">uint m_clusters; class="type">class="kw">ulong m_cols; matrix InitialCentroids; class=class="str">"cmt">//Intitial Centroids matrix vector cluster_assign; } matrix DMatrix = { {class="num">2,class="num">10}, {class="num">2,class="num">5}, {class="num">8,class="num">4}, {class="num">5,class="num">8}, {class="num">7,class="num">5}, {class="num">6,class="num">4}, {class="num">1,class="num">2}, {class="num">4,class="num">9} }; m_cols = Matrix.Cols(); n = Matrix.Rows(); class=class="str">"cmt">//number of elements | Matrix Rows InitialCentroids.Resize(m_clusters,m_cols); vector cluster_comb_v = {}; matrix cluster_comb_m = {}; vector rand_v = {}; for (class="type">class="kw">ulong i=class="num">0; i<m_clusters; i++) { rand_v = Matrix.Row(i * m_clusters); InitialCentroids.Row(rand_v,i); } Print("Initial Centroids matrix\n",InitialCentroids); CS class="num">0 class="num">06:class="num">44:class="num">02.152 K-means test(EURUSD,M1) Initial Centroids matrix CS class="num">0 class="num">06:class="num">44:class="num">02.152 K-means test(EURUSD,M1) [[class="num">2,class="num">10] CS class="num">0 class="num">06:class="num">44:class="num">02.152 K-means test(EURUSD,M1) [class="num">5,class="num">8]
◍ 用欧氏距离给 M1 行情做 K-means 聚类
上面这段 MT5 专家日志来自 EURUSD 的 M1 图表：CS 0 在 06:44:02.152 触发了 K-means test，输出聚类标签 [1,2]，说明这一时刻的样本被划进了两个簇。外汇与贵金属 M1 级别噪声极大，这种聚类结果只能当作状态划分的参考，实战中误分概率不低。 K-means 里衡量样本归属的核心是两点间距离，实现上直接借用了毕达哥拉斯定理（勾股定理）：在 n 维特征空间里，点 A 与点 B 的距离等于各维度差值平方和的算术平方根。对价格序列做特征工程时，若取收益率和波动幅度两维，这条距离公式就能直接算出每根 K 线到簇心的远近。 开 MT5 把这段日志对应的 EA 跑一遍，盯住 Experts 标签里 CS 0 的时间戳和 [1,2] 输出，就能验证你的特征维度是不是把行情切得太碎——M1 上簇数超过 3 往往只是过拟合噪声。
CS class="num">0 class="num">06:class="num">44:class="num">02.152 K-means test(EURUSD,M1) [class="num">1,class="num">2]