以 MQL5 实现 ARIMA 训练算法（基础篇）
「用 MQL5 搭一套 ARIMA 训练骨架」
在 MT5 里做时间序列预测，ARIMA 是比较直接的选择。它靠历史价格的差分和自回归项拟合出下一步走向的概率分布，而不是给一个死价格。 原文示例发布于 2023 年 10 月 31 日，在 MetaTrader 5 栏目下累计 1416 次查看、3 条讨论，说明手动搬这套算法的人并不多，但关注度不低。 真要落地，核心是把价差序列做平稳化处理，再喂给自回归迭代。外汇与贵金属杠杆高、跳空频繁，ARIMA 给出的只是倾向性路径，实盘前务必在策略测试器里用真实点差回测。
用 ARIMA 捕捉短线的时序依赖
做外汇和贵金属的短线，很多人苦于没有可靠的基本面节奏可跟，这时候标准时间序列工具就有用了。George Box 和 Gwilym Jenkins 搞出的时间序列预测框架，到现在核心原则还能直接用，外汇和贵金属杠杆高、波动猛，拿历史序列建模也只是提高概率，不是稳赢。 他们方法里衍生出的 ARIMA（自回归综合移动平均线），专门吃数据里的时间依赖，还能对非稳态序列建模。本文后面会用 Powell 函数最小化做 ARIMA 训练，并在 MT5 里用 MQL5 落地，你可以直接开终端照代码复现。
◍ ARIMA 为什么能碰金融序列
Box 和 Jenkins 把时间序列建模拆成两个基础框架：自回归（AR）认为当前值可由前序值加恒定偏移与噪声（文中称创新）解释；移动平均（MA）则认为当前值是若干前期创新项、当前创新与偏移的加权和。把两者拼起来就是 ARMA，除了偏移和当前创新，还引入有限阶的滞后序列与噪声项。 单纯 AR/MA/ARMA 有个硬前提：序列必须稳态。按较严的稳态定义，原生金融价格序列基本不满足，直接套模型会出偏。 ARIMA 多出的「I」是积分（差分的逆）。先把非稳态序列做一阶或更高阶差分，得到近似稳态序列去跑 ARMA，建模完再积分回去原域。外汇与贵金属价格差分后稳态改善通常明显，但杠杆品种跳空频繁，差分也未必消除结构断点，建模失败概率不低，实盘前务必在 MT5 用历史数据回测验证。
「给 AR 项留非连续滞后的余地」
标准 ARIMA 标注用 ARIMA(p,d,q) 描述模型：p 为不含常数项的连续 AR 项数，q 为 MA 项数，d 为差分次数。比如 ARMA(4,2) 表示序列由滞后 1 到 4 的 4 个连续 AR 项加 2 个连续创新项刻画；ARIMA(1,0,0) 则退化为纯 AR(1)。这种写法默认 AR 与 MA 项必须连续排布。 实际行情建模里，连续滞后未必贴合贵金属或外汇的价格记忆结构。原文给出的算法放宽了两条限制：允许 AR 和 MA 项使用非连续滞后，且可自主选择是否带恒定偏移量。 例如可定义 y(t) = AR1*y(t-4) + AR2*y(t-6) + E(t)，这是无偏移的纯 AR(2)，但当前值只吃第 4 和第 6 时隙的过去值。标准标注法写不出这种间隔结构，但 MT5 上自写回归函数时完全不必受此约束。外汇与贵金属杠杆高、跳空频繁，非连续滞后模型仅作概率性描述工具，实盘前请用历史数据验证阶数稳定性。