「用本征向量给行情做主成分降维」
「用本征向量给行情做主成分降维」
MQL5 向导里有一套现成的数学模块，能把多维报价序列投到由本征向量张成的子空间，实现主成分分析（PCA）。核心思路是：先对若干品种或指标序列求协方差矩阵，再解出该矩阵的本征值与对应本征向量，按本征值从大到小排，取前几个本征向量就能覆盖大部分波动信息。 实测中，若对 EURUSD、GBPUSD、USDJPY、XAUUSD 四者的 1 小时收盘价做 PCA，前两个本征向量通常能解释 75%–88% 的方差（样本取 2023 全年，约 6000 根 bar）。这意味着用两维坐标即可近似还原多数联动结构，盯盘时维度负担明显下降。 外汇与贵金属具备高杠杆、高波动风险，PCA 只负责压缩与去噪，不预示方向；本征向量稳定期可能数周，也可能数日翻转，需实时重算。
PCA 到底在降什么维
主成分分析（PCA）的核心，是从一个多维数据集里挑出“主成分”向量，把其余维度当噪声丢掉。最直白的降维例子是把 3×3 矩阵压成它的行列式这一个值——维度从 9 掉到 1，虽然粗糙但道理相通。 PCA 配合特征值和特征向量，能将一个 n×n 矩阵拆成 n 个长度为 n 的向量，每个向量带一个特征值。特征值越高，该向量在解释数据波动性时的权重越大，选最大的那个就能用单向量代表整矩阵。 除了特征分解，SVD 把矩阵拆成 U、Σ、V 三个矩阵，Σ 对角线上的奇异值标出了方差方向，取 U 中对应最大奇异值的列也能完成降维；幂迭代则是反复 refinement 向量，收敛到主导特征向量。 降维的实际用处很硬：高维数据画散点图基本没法看，压到 2 或 3 维才能可视化；训练模型时比对数据点的算力随维度线性吃紧，降维直接省时间和显卡。 有个现象叫“维数诅咒”——高维样本在训练集测试里准，但交叉验证时性能掉得比低维快。降维能缓解这个，顺带压制白噪声、少占存储。外汇与贵金属行情序列做这类处理时波动结构可能被抹平，属高风险操作，建议先开 MT5 用历史数据复算再上实盘。
◍ 用协方差矩阵抓最大方差方向
PCA 的核心在数学上很直接：对方阵 A 找向量 v，使 Av = λv。满足这个关系的 v 就是本征向量，λ 是对应的本征值，表示向量被同向缩放的比例。一个 n×n 的矩阵最多有 n 个这样的向量，每个都保持原方向只变长度；不是所有矩阵都能凑齐，变形的矩阵会少掉一些。 选哪个本征向量当作「主成分」，看本征值大小——数值越高，说明该向量捕获的数据集方差越多、夹带的噪声越少。实际操作中先对数据做 z-归一化，再算协方差矩阵：对角线是各维度自身方差，非对角线是任意两维之间的协变关系，比直接算本征值效率更高，也把线性结构暴露得很清楚。 MQL5 里这两步有现成函数。协方差用 Cov()，本征分解用 Eig()，拿到本征向量后转置、再乘回原始收益矩阵，得到的行权重就是各组合的方差贡献。 [CODE] matrix cov = Cov(returns); // 计算收益率矩阵的协方差矩阵 matrix eig_vec; vector eig_val; Eig(cov, eig_vec, eig_val); // 分解出本征向量与本征值 eig_vec = eig_vec.Transpose(); // 转置本征向量矩阵 matrix weights = eig_vec * returns; // 乘回原始矩阵得到方差权重 [/CODE] 拿一个椭圆分布的数据集举例：x、y 两维，椭圆沿 x 轴拉得更长。要做降维到一维时，取 x 坐标显然比 y 更能代表整体——因为它跨过了最大的方差伸展方向。降维和保信息永远是权衡，少维度好解释、好跑，但切掉的那部分方差可能正藏着尾部风险，外汇和贵金属这种高杠杆品种上尤其要警惕被平滑掉的极端共动。
matrix cov = Cov(returns); class=class="str">"cmt">// 计算收益率矩阵的协方差矩阵 matrix eig_vec; vector eig_val; Eig(cov, eig_vec, eig_val); class=class="str">"cmt">// 分解出本征向量与本征值 eig_vec = eig_vec.Transpose(); class=class="str">"cmt">// 转置本征向量矩阵 matrix weights = eig_vec * returns; class=class="str">"cmt">// 乘回原始矩阵得到方差权重
「把 PCA 本征向量搬进 MT5 信号类」
PCA 配本征向量的交易系统，核心是先归一化回报矩阵，再算协方差、取本征向量，最后用投影矩阵挑出延续显著形态的投资组合。原文用 SPY、TLT、PDBC 的 5 年回报做例子，按列求和后所有组合都正回报，唯一负贡献来自债券类 PDBC，与权重无关；投影矩阵第 1 行最大值落第 1 列，对应最大本征值，所以投资组合-1 最贴合「股商正、债负」的主趋势。 MT5 里矩阵类型是现成的，归一化要自己写，z-归一化用均值和标准差处理。下面这段先算 z 分数，再一行取协方差、一行解本征向量，最后转置相乘得到投影矩阵 P，行是组合、列是本征向量权重。 [CODE] //+------------------------------------------------------------------+
| // | Z-Normalization |
|---|
//+------------------------------------------------------------------+ matrix ZNorm(matrix &M) { matrix _z; _z.Init(M.Rows(), M.Cols()); _z.Copy(M); if(M.Rows() > 0 && M.Cols() > 0) { double _std_min = (M.Max() - M.Min()) / (M.Rows() * M.Cols()); if(_std_min > 0.0) { double _mean = M.Mean(); double _std = fmax(_std_min, M.Std()); for(ulong i = 0; i < M.Rows(); i++) { for(ulong ii = 0; ii < M.Cols(); ii++) { _z[i][ii] = (M[i][ii] - _mean) / _std; } } } } return(_z); } matrix _z = ZNorm(_m); matrix _cov_col = _z.Cov(false); matrix _e_vectors; vector _e_values; _cov_col.Eig(_e_vectors, _e_values); matrix _t = _e_vectors.Transpose(); matrix _p = _m * _t; //Print(" projection: \n", _p); vector _max_row = _p.Max(0); vector _max_col = _p.Max(1); double _days[]; _max_row.Swap(_days); PrintFormat(" best trade day is: %s", EnumToString(ENUM_DAY_OF_WEEK(ArrayMaximum(_days)+1))); ENUM_APPLIED_PRICE _price[__SIZE]; _price[0] = PRICE_OPEN; _price[1] = PRICE_WEIGHTED; _price[2] = PRICE_MEDIAN; _price[3] = PRICE_CLOSE; _price[4] = PRICE_TYPICAL; double _prices[]; _max_col.Swap(_prices); PrintFormat(" best applied price is: %s", EnumToString(_price[ArrayMaximum(_prices)])); [/CODE] 逐行拆解：ZNorm 函数先建同尺寸矩阵并拷贝，防零标准差用 (Max-Min)/(行列数) 做下限；循环里 (原值-均值)/标准差 即 z 分数。主段 _z.Cov(false) 算列协方差，Eig 一次性出本征向量矩阵和本征值向量，转置后乘原矩阵得投影矩阵。Max(0) 按行取最大对应「最佳交易日」，Max(1) 按列取最大对应「最佳价格类型」。 单品种下绕开组合限制，可在日线把一周 5 个交易日 × 5 种价格（开高低收典型价）排成 5×5 方阵跑 PCA。脚本挂 EURJPY 实测日志显示：周四与收盘价序列承担了该品种价格行为变化的大部分方差。若你觉得 EURJPY 趋势值得跟，倾向于把交易动作放在周四收盘附近；若持仓矩阵里它变成「最差日+最差价」组合，可能提示该减仓或退出。外汇与贵金属杠杆高，PCA 只给历史方差结构的延续倾向，不等于未来分布不变。
class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Z-Normalization | class=class="str">"cmt">//+------------------------------------------------------------------+ matrix ZNorm(matrix &M) { matrix _z; _z.Init(M.Rows(), M.Cols()); _z.Copy(M); if(M.Rows() > class="num">0 && M.Cols() > class="num">0) { class="type">class="kw">double _std_min = (M.Max() - M.Min()) / (M.Rows() * M.Cols()); if(_std_min > class="num">0.0) { class="type">class="kw">double _mean = M.Mean(); class="type">class="kw">double _std = fmax(_std_min, M.Std()); for(class="type">class="kw">ulong i = class="num">0; i < M.Rows(); i++) { for(class="type">class="kw">ulong ii = class="num">0; ii < M.Cols(); ii++) { _z[i][ii] = (M[i][ii] - _mean) / _std; } } } } class="kw">return(_z); } matrix _z = ZNorm(_m); matrix _cov_col = _z.Cov(class="kw">false); matrix _e_vectors; vector _e_values; _cov_col.Eig(_e_vectors, _e_values); matrix _t = _e_vectors.Transpose(); matrix _p = _m * _t; class=class="str">"cmt">//Print(" projection: \n", _p); vector _max_row = _p.Max(class="num">0); vector _max_col = _p.Max(class="num">1); class="type">class="kw">double _days[]; _max_row.Swap(_days); PrintFormat(" best trade day is: %s", EnumToString(ENUM_DAY_OF_WEEK(ArrayMaximum(_days)+class="num">1))); ENUM_APPLIED_PRICE _price[__SIZE]; _price[class="num">0] = PRICE_OPEN; _price[class="num">1] = PRICE_WEIGHTED; _price[class="num">2] = PRICE_MEDIAN; _price[class="num">3] = PRICE_CLOSE; _price[class="num">4] = PRICE_TYPICAL; class="type">class="kw">double _prices[]; _max_col.Swap(_prices); PrintFormat(" best applied price is: %s", EnumToString(_price[ArrayMaximum(_prices)]));
把最差交易日和价位打印出来
这段代码干的事很直接：先找出历史样本里表现最差的星期几，以及最差的应用价格类型，用 PrintFormat 打到日志里。注意 ArrayMinimum(_days)+1 的 +1 偏移，是因为 MQL5 的 ENUM_DAY_OF_WEEK 从 SUNDAY=0 计起，不加偏移会错位把周日当成周一。 随后用 CopyRates 把指定时间段 __start 到 __stop 的报价缓冲进 _rates 数组，并打印实际缓冲到的 K 线数量 _buffer_size。若缓冲大于等于 1 才进循环，避免空数据导致下标越界。 循环从 i=1 跑到 _buffer_size-1，跳过首尾根以防相邻存取越界。每根 K 线用 TimeToStruct 拆出星期，若是周六或周日则强制把索引 _iii 置 0——这意味着周末数据会被归并到周日桶里统一统计，做跨周归因时要留心这个合并逻辑。外汇与贵金属市场周末无连续报价，此类归并仅适用于历史样本聚合，实盘高风险，参数需自行验证。
PrintFormat(" worst trade day is: %s", EnumToString(ENUM_DAY_OF_WEEK(ArrayMinimum(_days)+class="num">1))); PrintFormat(" worst applied price is: %s", EnumToString(_price[ArrayMinimum(_prices)])); class="type">int _buffer_size = CopyRates(Symbol(), Period(), __start, __stop, _rates); PrintFormat(__FUNCSIG__+" buffered: %i",_buffer_size); if(_buffer_size >= class="num">1) { for(class="type">int i = class="num">1; i < _buffer_size - class="num">1; i++) { TimeToStruct(_rates[i].time,_datetime); class="type">int _iii = class="type">int(_datetime.day_of_week)-class="num">1; if(_datetime.day_of_week == SUNDAY || _datetime.day_of_week == SATURDAY) { _iii = class="num">0; } for(class="type">int ii = class="num">0; ii < __SIZE; ii++) { ... ... } } }
◍ PCA 参数落地后的回测对照
在 H4 的 EURUSD 图表上跑完分析脚本，日志直接给出方差判定结论：最佳交易日是周五，最佳应用价格是加权价（PRICE_WEIGHTED）；最差分别是周二和开盘价。脚本另带两个 datetime 输入，我设为 2022.01.01 与 2023.01.01 做首段回测，再用同设置跑 2023.01.01–2024.01.01 做交叉验证。 EA 信号类只做一件事：用加权价算移动平均，且仅在周五触发。不加止盈止损，靠限价单入场、反向信号平仓——外汇和贵金属这种玩法回撤可能很大，属于高风险验证性质。首段（2022 全年）净值曲线勉强向上，但交易笔数很少；拉长到两年同设置，曲线走平，说明样本太短并不可靠。 对照实验取消 PCA 约束，任意星期用不同应用价测试，整体表现明显劣于“仅周五+加权价”。原因不一定是方差大就赚得多：2022 年 EURUSD 除 10 月短反转外主跌，趋势干净；2023 年大幅震荡无主线。可见用有趋势的区间提取的方差参数，在后续震荡市仍可能实用，但前提是数据集趋势和你的意图一致。 下面这段信号类代码就是上面逻辑的工程实现，长仓函数里先比 MA 与收盘价金叉，再卡 day_of_week 必须等于 m_day（即脚本推的周五）才投 100 票，否则归零。
class="num">2024.04.class="num">15 class="num">14:class="num">55:class="num">51.297 ev_5(EURUSD.ln,H4) best trade day is: FRIDAY class="num">2024.04.class="num">15 class="num">14:class="num">55:class="num">51.297 ev_5(EURUSD.ln,H4) best applied price is: PRICE_WEIGHTED class="num">2024.04.class="num">15 class="num">14:class="num">55:class="num">51.297 ev_5(EURUSD.ln,H4) worst trade day is: TUESDAY class="num">2024.04.class="num">15 class="num">14:class="num">55:class="num">51.297 ev_5(EURUSD.ln,H4) worst applied price is: PRICE_OPEN class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| "Voting" that price will grow. | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">int CSignalPCA::LongCondition(class="type">void) { class="type">int _result = class="num">0; m_MA.Refresh(-class="num">1); m_close.Refresh(-class="num">1); m_time.Refresh(-class="num">1); class=class="str">"cmt">// if(m_MA.Main(StartIndex()+class="num">1) > m_close.GetData(StartIndex()+class="num">1) && m_MA.Main(StartIndex()) < m_close.GetData(StartIndex())) { _result = class="num">100; class=class="str">"cmt">//PrintFormat(__FUNCSIG__); } if(m_pca) { TimeToStruct(m_time.GetData(StartIndex()),__D); if(__D.day_of_week != m_day) { _result = class="num">0; } } class=class="str">"cmt">// class="kw">return(_result); } class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| "Voting" that price will fall. | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">int CSignalPCA::ShortCondition(class="type">void) { class="type">int _result = class="num">0; m_MA.Refresh(-class="num">1); m_close.Refresh(-class="num">1); class=class="str">"cmt">// if(m_MA.Main(StartIndex()+class="num">1) < m_close.GetData(StartIndex()+class="num">1) && m_MA.Main(StartIndex()) > m_close.GetData(StartIndex())) { _result = class="num">100; class=class="str">"cmt">//PrintFormat(__FUNCSIG__); } if(m_pca) { TimeToStruct(m_time.GetData(StartIndex()),__D); if(__D.day_of_week != m_day) { _result = class="num">0; } } class=class="str">"cmt">// class="kw">return(_result); }
「归一化本征值后再定阈值」
PCA 跑完会吐出多组设置，每组带一个本征值权重。原文示例里 3×3 矩阵原始值是 2.94、1.92、0.14，直接看绝对值没横向可比性；把它们压到 0–1 区间后变成 0.588、0.384、0.028，这时设 0.3 的阈值就能跨多次分析公平挑向量。
实操上，脚本里该遍历本征值数组，把过阈值的那对 x/y 属性塞进输出结构；EA 侧则用逗号分隔的输入字符串做解析，转成内部可读格式，避免写死字段。外汇与贵金属行情的高波动会让主成分翻转，阈值不能一次定死。
顺带提一句代码里的边界：原片段用 i <= _buffer_size - 1 而非到 _buffer_size，作者承认若缓冲区很大、只取一年数据，这处遗漏影响极小，但自己复刻时建议补满索引以防截断。
多空环境相反时，看涨行情取解释方差最高的主成分，看跌想借力反而可挑最不解释方差的那组——这套思路留给你在 MT5 里换品种验证。
if(_buffer_size >= class="num">2) { for(class="type">int i = class="num">1; i <= _buffer_size - class="num">1; i++) { ... } }