📈

以 MQL5 实现 ARIMA 训练算法·综合运用

（3/3）· 前兩篇铺好理论与类结构，这一篇用 CArima 类落地训练与模型设计，收束整个 ARIMA 系列

含代码示例实战向第 3/3 篇

很多交易者把 ARIMA 当成黑箱指标直接加载，却没意识到差分次数 d 选错会让预测序列彻底失真。用 MQL5 自己实现训练循环，才能看清参数怎么从行情里学出来。这一篇我们把前面拆开的部分拼回可用系统。

用 CArima 跑一个纯 AR(2) 拟合实验

下面这段脚本能直接在 MT5 里建个确定性序列，再交给 CArima 做参数估算。它头文件引的是 Arima.mqh，输入数组长度 300，前两项置零后从下标 2 开始按递推式填值，可选叠加标准正态噪声。模型声明成 CArima(2,0,0, …)，也就是差分阶数为 0 的纯 AR(2)，是否带常数项取决于 Const_Offset 是否非零。Fit() 吃进整个 inputs 数组，Summary() 把估算结果打到日志。脚本分两次跑：Add_Noise=false 时算法能还原真实系数；Const_Offset 设为 0.625、递推系数 0.5 与 -0.3，无噪声下可精确复现。开启噪声后，恒定偏移和系数依然估算得相当接近，但金融序列里的噪声通常比这里 MathRandomNormal(0,1) 的幅度更凶，外汇与贵金属实盘属高风险，直接套用结论前务必自己跑一遍验证。

MQL5 / C++

class="macro">#include<Arima.mqh>
class="kw">input class="type">bool Add_Noise=false;
class="kw">input class="type">class="kw">double Const_Offset=class="num">0.625;
class="type">class="kw">double inputs[class="num">300];
  ArrayInitialize(inputs,class="num">0);
  class="type">int error_code;
  for(class="type">int i=class="num">2; i<ArraySize(inputs); i++)
    {
      inputs[i]= Const_Offset;
      inputs[i]+= class="num">0.5*inputs[i-class="num">1] - class="num">0.3*inputs[i-class="num">2];
      inputs[i]+=(Add_Noise)?MathRandomNormal(class="num">0,class="num">1,error_code):class="num">0;
    }
  CArima arima(class="num">2,class="num">0,class="num">0,Const_Offset!=class="num">0);
  if(arima.Fit(inputs))
      Print(arima.Summary());

◍ 用自相关图给 ARIMA 定阶

训练 ARIMA 只是体力活，真正麻烦的是定阶。判定 p、q 最直观的两把刀是自相关（ACF）和偏自相关（PACF）函数图。拿四个假设序列看规律：y(t)=AR1*y(t-1)+E(t) 与 y(t)=E(t)-AR1*y(t-1) 是纯 AR(1)，正负系数各一；y(t)=MA1*E(t-1)+E(t) 与 y(t)=E(t)-MA1*E(t-1) 是纯 MA(1)。AR(1) 的 ACF 随滞后增大而衰减，PACF 在滞后 1 之后直接截零——这是 AR 类的通用指纹。反过来，MA(1) 的 ACF 长得和 AR(1) 的 PACF 一样：在滞后 1 处截零，而 PACF 随滞后缓慢衰减。所以经验法则很硬：PACF 截零、ACF 衰减 → 上纯 AR 到截零点；ACF 截零、PACF 衰减 → 上 MA 到截零点。外汇与贵金属序列波动聚集，截零点常不干净，需结合领域判断，杠杆品种高风险。除看图外还有三条定量路径：AIC/BIC 信息准则横向比模型；网格搜索在同数据上扫不同 (p,d,q) 取最优；时间序列交叉验证切训练/测试集看测试误差。没有万能顺序，反复试错和样本特性才是常态。

「别急着下结论」

前面两节把 CArima 类的训练逻辑和 Powells 方法最小化拆开了讲，这一节给的是可直接落地的零件包。附件里 Arima.mqh 是 11.35 KB 的类定义，PowellsMethod.mqh 占 14.05 KB，TestArima.mq5 只有 1.4 KB，却演示了怎么拿它去拟合一段确定性序列，整套 zip 才 6.16 KB。代码层面，核心调用就那一行 arima.fit(y,p,d,q,use_constant_offset)。y 是你要喂进去的序列数组，p、d、q 三个整数得自己按品种波动结构定，use_constant_offset 设 true 才带常数项；返回 true 代表模型建好能预测，false 就别拿去跑信号。外汇和贵金属杠杆高、跳空频繁，ARIMA 拟合理顺的是历史结构，不是未来保证。开 MT5 把 TestArima 挂上 EURUSD 的 M1 跑一遍，先盯 fit 返回值和预测残差，再谈调参，比直接信任何结论都实在。

MQL5 / C++

class="type">class="kw">double y[];class=class="str">"cmt">//用系列数据填充 y-----
class=class="str">"cmt">//创建 CArima 实例
CArima arima; 
class=class="str">"cmt">//火车 
arima.fit(y,p,d,q,use_constant_offset); class=class="str">"cmt">// p, d 和 q 是你必须决定的模型参数，use_constant_offset 是一个布尔值，指定在模型中使用一个常量，方法成功时返回 true，如果返回 true，模型就建立了，然后就可以用来进行预测了。

把重复劳动交给小布

这些 ARIMA 参数诊断与差分稳态检查，小布盯盘的 AIGC 已内置，打开对应品种页即可看到，你只需判断信号是否值得跟。

←

以 MQL5 实现 ARIMA 训练算法·进阶篇

常见问题

通常先指定 p、d、q 阶数和样本窗口，再绑定价格序列缓冲区；具体字段见本篇第一节代码示例。

小布盯盘内置了常见时间序列诊断，可读取你导出的参数做稳态提示，但训练本身需在 MQL5 端完成。

倾向用信息准则截断阶数，并对差分后序列做白噪声检验，阶数过高在样本外大概率退化。

跳空会放大差分方差，可能需加稳健缩放或换周线降频，外汇贵金属本身高风险，参数要保守。

以 MQL5 实现 ARIMA 训练算法·综合运用

用 CArima 跑一个纯 AR(2) 拟合实验

◍ 用自相关图给 ARIMA 定阶

「别急着下结论」

常见问题

相关阅读