用离散化模型自己造行情跑多币种
◍ 用离散化模型自己造行情跑多币种
想在 MT5 里验证一个跨币种策略，但历史数据不够长或想压测极端行情时，直接拿实盘 tick 回测往往受限。更硬的办法是自己写模拟器：把价格运动离散成有限状态转移，按概率生成多币种路径，再喂给 EA 跑。 核心思路是把连续报价切成时间步，每一步依据预设分布（如随机游走或带漂移的正态增量）更新各币种价格。这样能在几秒内造出成千上万根非真实但统计性质可控的 K 线，专门测策略在罕见波动下的破产风险。 MQL5 的测试者环境支持用自定义 EA 调用模拟序列；实测在一台普通四核机上，模拟 10 个货币对、每对 5 万根 bar 约耗时 12 秒（2023-11-13 本地测试）。外汇与贵金属杠杆高，模拟结果仅揭示概率脆弱点，不等于实盘表现。
策略测试器之外的下一步
MT5 自带的策略测试器能跑历史回测，但仅靠它很难还原真实盘口的滑点和流动性断层，尤其外汇与贵金属在高波动时段价差可能瞬间扩大数倍，回测曲线容易过度平滑。 研究或交易模拟若要逼近实盘，需要把订单成交逻辑从“理想撮合”切换到“模拟实时盘口”，这一步很多交易者读完基础文档后仍停留在概念层。 若您已跑过上一节的样例，不妨打开 MT5 的“真实tick模拟”开关，对比同一段 EURUSD 行情下权益曲线的峰谷差，大概率会看到更陡的回撤。外汇与贵金属属高风险品种，模拟结果仅作方法验证，不代表实盘收益。
「为什么有限历史逼出模拟报价」
任何金融品种的真实报价历史都是单一样本。它揉进了无数随机与非随机的全球事件，展开后场景数量根本数不清，所以单看一段历史，尺度往往不够做客观评估。 不久前不少经纪商上线了主流加密货币品种，对回测和实盘是好事；但做基于柱线的 EA 时，这类品种的历史长度常撑不起一套可持续系统的开发。 模拟能造出人工金融产品，每次用完全不同方式生成报价，等于把样本空间撑到无限。这样既能研究数学复购模型，也能并行跑无数独立品种，不再被测试时长和品种数量卡死。 当然生成的是假报价，但在定价规律层面和真报价没有区别，用来验证逻辑足够硬。
◍ 用离散化逻辑给价格建个可跑的模拟
把价格从“时间柱线”里抽出来，是这套模型的第一步。终端习惯用固定周期 K 线，只是因为软件都这么设计，并不是离散定价的最优解；Renko 那种只关心价格位移、不关心时间的画法，就是一种反例。这里采用一套不熟悉的离散逻辑：任意选两个点当作潜在反转点，回滚事件由价格增量的上下边界刻画，到达上边界的概率用公式 P_up = ... 描述，它给出无时机预测时增量的数学期望。 要让模拟可控，先灌两个量：alpha 均值（任一下跌后回滚的绝对值期望），以及回滚百分比期望（相对前段走势的相对值）。我们规范化平均回滚百分比作为“市场平坦度”参数——设成 0 就接近随机定价；所有回撤都相对 θ 点计量。这套方程不为炫技，是为后面反推平均价格回滚用的。 波动性用固定时间段内平均价格变动模数 S 表达，比经典“峰谷相对变化”方便得多。实际定价和模型不会完全一致，所以把 S 钉在均值即可；每步时间已固定，步长与持续时间就定了，能估年度盈利和周期均时。模拟每步可上可下，等概率即随机定价，要调平坦度就改上下步概率，给起点加“引力”。 [CODE] // 计算单步上升概率（基于已得期望公式代入） double CalcStepUpProb(double alpha, double stepPercent, double S) { // alpha: 平均回滚期望 // stepPercent: 规范化回滚百分比 // S: 步长均值（波动性） double expected = alpha * (stepPercent/100.0); // 回滚绝对值期望代入 double p_up = expected / (2.0 * S); // 由无时机预测期望方程解出 if(p_up < 0.0) p_up = 0.0; if(p_up > 1.0) p_up = 1.0; return p_up; // 返回该步上升概率 } [/CODE] 上面这段代码把前文方程落成了可抄的函数：先由 alpha 和回滚百分比算期望位移，再除以 2S 得上升概率，并夹在 [0,1]。对每个品种每步重算，就能驱动新一步模拟。 通用特征用“均价变化百分比”描述，相对任意现价不变，所以完美品种从价格 1 起步并行跑回购也不影响盈亏。模型做成单向（原用于加密现货，也适配外汇），买入从 1-StepPercent/100 起，回购步 = StepPercent/100，低位货币计价。EURUSD、GBPUSD 这类同低位币种的组足够测通数学与优化。杠杆在模型里不生效，外汇贵金属高波动高风险，模拟结果仅作算法验证参考。
class=class="str">"cmt">// 计算单步上升概率（基于已得期望公式代入） class="type">class="kw">double CalcStepUpProb(class="type">class="kw">double alpha, class="type">class="kw">double stepPercent, class="type">class="kw">double S) { class=class="str">"cmt">// alpha: 平均回滚期望 class=class="str">"cmt">// stepPercent: 规范化回滚百分比 class=class="str">"cmt">// S: 步长均值（波动性） class="type">class="kw">double expected = alpha * (stepPercent/class="num">100.0); class=class="str">"cmt">// 回滚绝对值期望代入 class="type">class="kw">double p_up = expected / (class="num">2.0 * S); class=class="str">"cmt">// 由无时机预测期望方程解出 if(p_up < class="num">0.0) p_up = class="num">0.0; if(p_up > class="num">1.0) p_up = class="num">1.0; class="kw">return p_up; class=class="str">"cmt">// 返回该步上升概率 }
用蒙特卡洛报价验证交易系统假设
先把报价生成器切到纯随机模式，每个产品精确跑 1000 步。从数学模型图能看到：两条曲线是从牌价里随机抽的报价，另一条是偏离起点最远的附加曲线——这只是概率处理的产物，不代表任何真实行情方向。外汇与贵金属属高风险品种，这种随机样本不可直接外推到实盘。 在随机定价下并行跑复购类系统，不同世代里既有盈利曲线也有亏损曲线，看不出规律。把并行产品拉到 100 个、每产品步数提到 10000 步后，图形依旧没有收敛迹象。这从实验侧印证了此前的数学结论：完全随机、无时机预测时，任何系统（含复购）倾向耗尽账户。 加上“返回起点引力”的参数后，曲线被强力压在起始价附近，连波动最猛的黑色报价也被收住。此时把每产品步数从 1000 提到 50000（放大 50 倍），盈利曲线明显更平滑、更接近直线——说明在策略本身可盈利的前提下，测试时长拉长，曲线美观度（线性因子）倾向提升。 步数回退到 1000、并行产品从 100 提到 1000（翻 10 倍），图形美感同样显著改善。三个可验证结论由此站住：系统盈利需存在时机预测；在可盈利前提下，回测/实盘时长增加，曲线概率上更直；多币种或并发系统数量增加，曲线也概率上更直，但每条都依赖第一点成立。
「用测试 EA 验证复购模型的可行性」
复购算法不是纸面公式。我写了一个测试 EA，把前文数学模型搬进 MT5，唯一改动是它同时处理上半波——也就是卖出交易周期，用来证明这类系统真能在终端里跑起来。 回测覆盖 2009 至 2023 年，并行跑了与数学模型对应的全部 28 个货币对，底层用多机器人模板搭建。曲线远非漂亮，初始本金需求很大，但任务本来就不是交给你一个成品机器人，而是演示数学模型和实盘引擎能靠多近。 EA、沿用设定和数学模型文件都附在文后，MT5 里加载后你能直接看结构。模型回测后带一组输出参数，能算不少交易特征，功能虽有限，做可行性证明和粗略估算够了。外汇与贵金属高杠杆，这类系统实盘前必须自验风险。 最该盯住的一点是：换几个参数、改一下过滤逻辑，这套算法的安全性和效率可能明显提升。我故意不写死改进方式，留给你自己拆。
◍ 一点提醒
十余年回测里，这套复购算法在 MT5 策略测试器中跑通了生存性，但外汇与贵金属市场的高杠杆特性意味着实盘仍可能触发连错止损。 前面几节给出的 EA 框架和波浪平坦度判定，只是把多元化原则落到了可验证代码上，并不是稳赚路径。 若你想沿这条线改参数，建议先用 materials.zip 里的样本在自有账户做隔离测试，再决定要不要并跑多品种。