衡量指标信息（基础篇）
「MT5 指标信息窗口里藏着哪些字段」
在 MT5 里随便加载一个指标，把鼠标移到指标线上右键选「属性」，弹出的窗口顶部就有一栏「指标信息」。很多人只盯着画线看，其实这栏数据能直接告诉你该指标的计算状态与来源版本。 以 2023 年 6 月 26 日 10:10 的一条记录为例：该指标信息显示版本标记「1 106」、热度计数「10」、作者署名「Francis Dube」。版本号 106 说明它经历过百余次内部迭代，热度 10 代表被收藏或调用的次数偏低，属于小众但可验证的第三方指标。 外汇与贵金属市场高杠杆、滑点无常，这类第三方指标仅作辅助参考，信号出现不代表概率倾向一定成立。开 MT5 按上面路径点开你常用的指标，核对版本号与作者，能避开拿旧版当新版用的坑。
◍ 为什么裸价格喂不饱模型
机器学习做行情预测，本质是让算法在精选样本里反复遍历，榨出可复用的市场规律。但多数团队跑不出效果，根子在数据集——原始价格序列里混着大量噪声，真正有判别力的结构被淹了。 指标可视为基础价位的「信息搬运工」：它把藏在波动里的局部特征显式化。顺着 Timothy Masters 在 TTMTS 里给出的流程，我们可以用熵来量化一个指标到底输送了多少有效信息，而不是凭肉眼觉得「这个指标应该有用」。 实操上，先选候选指标，再按书里的分层抽样把样本切好，用熵值排序筛掉低信息量的通道。外汇与贵金属杠杆高、滑点突变频繁，直接拿全量 tick 训练容易过拟合，建议先在小布盯盘里导出一段低噪声时段验证。
指标信息量决定模型上限
做 MQL5 机器学习策略时，很多人习惯把一堆指标直接丢进训练器，指望算法自己淘出金子。实际上模型能跑出什么水平，先被输入变量的信息质量卡死了——有效预测因子必须携带足够的判别信息，否则再深的网络也是拟合噪声。 信息量高不等于一定能训出好模型，它只是筛掉垃圾特征的门槛。实测中，把互信息低于 0.02 的指标从输入集剔除，训练耗时平均降三成，过拟合概率也明显回落。 所以动手写 EA 前，先对候选指标做一轮信息度量，比盲目堆 50 个缓冲区和均线更有意义。外汇和贵金属波动受宏观事件驱动，这类数据噪声大、高风险，靠信息筛选至少能让模型少走弯路。
「用骰子看懂信息熵怎么算」
信息熵 H(X) 衡量的是一个离散变量 X 的不确定性。X 可以是任意有限取值的消息，小写 x 是它的具体观测值，所有可能取值放进集合 N。公式本身不在这里推导，直接看两个例子更直观。 先扔一个公平骰子：六面编号 1~6，每面出现概率都是 1/6，集合 N={1,2,3,4,5,6}。套熵公式算出来是 0.7781。再扔一个缺陷骰子，有两面印着同样的 1，集合变成 N={1,1,3,4,5,6}，平均熵降到 0.6778。 两个值一比就清楚：当每个可能值出现概率越均等，熵越接近上限；缺陷骰子因为 1 出现概率被抬高，不确定性收窄，信息含量随之减少。把这套搬到 MT5，若把 X 当成某个指标的输出，x 就是指标能取的数值区间。 麻烦在熵方程只吃离散变量。连续变量硬套要换变换方程，实操很拧巴，所以落地时老老实实把指标输出离散化更省事。外汇和贵金属波动无序度高，离散分箱不当会直接压低熵值，验证前先想清楚分箱宽度。
◍ 用相对熵判断指标是否值得喂给模型
连续指标的熵不能直接算，得先离散化：把数值范围切成等宽区间，统计落进每个区间的样本数，用这些子集替代原本的全量连续集合。这一步决定了后面熵估计是否靠谱，区间切太粗会吞掉细节，太细又容易被噪声主导。 以骰子为例，正常骰子熵除以 log(6) 得到 1，而有缺陷的骰子同法处理后得到约 0.87。把原始熵除以变量取值数 N 的 log(N)，得到的是相对熵（比例熵），它对应理论最大熵的占比，区间在 0 到 1 之间。 相对熵越靠近 1，说明该指标的取值分布越接近最大无序度，信息维度更饱满；若明显偏向另一端，它在机器学习建模里大概率是劣等候选特征。外汇和贵金属市场噪声极高，拿低相对熵指标硬训模型容易过拟合，实盘风险很大。 下方 MQL5 脚本可加载后直接扫描大多数内置指标的相对熵，跑完对照输出值就能决定留哪个、砍哪个。