比尔·威廉姆斯策略（或结合其他指标和预测）·进阶篇
◍ 分形结构背后的混沌与心理支点
比尔·威廉姆斯把分形定义为五根蜡烛组成的序列，其判定不靠画线而靠相对极值：看涨分形中间那根的最低价必须低于前两根与后两根的最低价，看跌分形则要求中间最高价高于前后各两根的最高价。这种结构本质上是在标记市场可能转向的潜在支点，而非确认信号。 从混沌视角看，威廉姆斯认为金融价格受人类情绪驱动，希望、恐惧、贪婪在图表上堆出看似随机、实则有潜在结构的模式。分形就是群体行为在支撑阻力处的集体停顿，交易者借它读取情绪切换的时点。 原文策略把分形与鳄鱼、AO动量振荡器组合，用[1]指代前一柱、[0]指代当前柱。下面这段条件判断可直接拷进 MT5 的 EA 逻辑里核对： 别把分形当独立入口。单看 fractalsUp[1]!=0 容易在震荡里频繁假突破，原文后续把 ADX 阈值接进来才把噪声压下去——adx[1]>ADXThreshold 这一句就是过滤关键。
alligatorLips[class="num">1] > alligatorTeeth[class="num">1] && alligatorTeeth[class="num">1] > alligatorJaw[class="num">1] && ao[class="num">1] > class="num">0 && ao[class="num">1] > ao[class="num">2] && fractalsUp[class="num">1] != class="num">0 && PositionsTotal()==class="num">0 alligatorLips[class="num">1] < alligatorTeeth[class="num">1] && alligatorTeeth[class="num">1] < alligatorJaw[class="num">1] && ao[class="num">1] < class="num">0 && ao[class="num">1] < ao[class="num">2] && fractalsDown[class="num">1] != class="num">0 && PositionsTotal()==class="num">0 ao[class="num">0] < class="num">0 || (alligatorLips[class="num">1] < alligatorTeeth[class="num">1] && alligatorTeeth[class="num">1] < alligatorJaw[class="num">1]) ao[class="num">0] > class="num">0 || (alligatorLips[class="num">1] > alligatorTeeth[class="num">1] && alligatorTeeth[class="num">1] > alligatorJaw[class="num">1]) ADXHandle = iADX(Symbol(), Period(), class="num">14); if(ADXHandle == INVALID_HANDLE) { Print("Error initializing ADX indicator: ", GetLastError()); class="kw">return INIT_FAILED; } CopyBuffer(ADXHandle, class="num">0, class="num">0, class="num">3, adx); if(alligatorLips[class="num">1] > alligatorTeeth[class="num">1] && alligatorTeeth[class="num">1] > alligatorJaw[class="num">1] && ao[class="num">1] > class="num">0 && ao[class="num">1] > ao[class="num">2] && fractalsUp[class="num">1] != class="num">0 && adx[class="num">1] > ADXThreshold && PositionsTotal() == class="num">0)
用哪套工具炼出可复现的ONNX模型
这套流程沿用该系列一贯的 Python 循环脚本，文末会附上原文件。你拿到手后只要改一下 symbol 就能跑，懂参数含义的话也可以动周期或其他输入，但别盲目乱调。 作者同时放出训练好的模型文件和另一个 .py 脚本，后者专门用来生成带相关性与技术指标的 ONNX 模型，顺带验证它值不值得拿去写 EA。脚本跑出来的核心数据贴在下面代码块里。 凭 97% 的 R² 与 98.9% 的测试相关性，基本能判定模型可用于 EA 开发。98.9% 相关性直观理解就是：测试集里大约 99 次预测命中、1 次失准；R²=0.97 代表模型解释了收盘价 97% 的变动，剩下 3% 是噪声。 实务上 R² 过 85%、相关性过 95% 就算合格，再高虽好但得警惕过拟合把历史记忆力当预测力。外汇与贵金属波动受宏观事件驱动，高统计拟合不等于实盘稳健，上 MT5 前先用历史数据自己复跑一遍。 比尔·威廉姆斯的几本老书值得翻：《交易混沌》（1995）讲混沌理论与文中指标用法；《新交易维度》（1998）给更复杂的组合信号；《交易混沌》第二版（2004）按交易者反馈做了策略更新。他的研讨会录像网上也能搜到。
train_mse=class="num">0.000 test_mse=class="num">0.000 train_r2=class="num">0.994 test_r2=class="num">0.970 train_corr=class="num">0.997 test_corr=class="num">0.989
「用 Python 给 EUR/USD 新闻打情绪分」
做新闻情绪分析不一定要上重型平台，本地跑一段 Python 就能把 EUR/USD 的舆论温度读出来。先装三个库：requests 负责抓页、beautifulsoup4 解析 HTML、textblob 做英文极性打分，命令就是 pip install requests beautifulsoup4 textblob。 脚本逻辑分三层：get_eurusd_news() 从 investing.com 的 eur-usd-news 板块扒出 li.border-b 里的标题；analyze_sentiment() 对每条标题算 polarity，区间在 -1 到 1；summarize_sentiment() 把正、负、中性条数汇总。最后打印每条情绪类型和总览，你能直接看到市场是「沉睡、趋势中还是觉醒」的倾向。 下面这段是可直接复制的原文，注意 HTML 标签和 class 名可能随站点改版失效，跑之前最好先人工开页核对一次结构。 一段真实输出里，9 条新闻的极性分布是：正面 4 条（极性 0.25、0.125、0.25、0.166…）、负面 4 条（-0.125、-0.125、-0.1、-0.2）、中性 1 条（0.0）。净情绪略偏负，但样本仅 9 条，EUR/USD 方向仍可能受后续数据反转。外汇与贵金属杠杆高，这类情绪分只作辅助，绝不能作为单独进场依据。
pip install requests beautifulsoup4 textblob class="kw">import requests from bs4 class="kw">import BeautifulSoup from textblob class="kw">import TextBlob def get_eurusd_news(): url = &class="macro">#x27;https:class=class="str">"cmt">//www.investing.com/currencies/eur-usd-news&class="macro">#x27; headers = {&class="macro">#x27;User-Agent&class="macro">#x27;: &class="macro">#x27;Mozilla/class="num">5.0&class="macro">#x27;} response = requests.get(url, headers=headers) soup = BeautifulSoup(response.content, &class="macro">#x27;html.parser&class="macro">#x27;) # Encontrar todos los elementos <li> que contienen artículos de noticias articles = soup.find_all(&class="macro">#x27;li&class="macro">#x27;, class_=&class="macro">#x27;border-b&class="macro">#x27;) news = [] for article in articles: title_tag = article.find(&class="macro">#x27;a&class="macro">#x27;, class_=&class="macro">#x27;mb-class="num">2 class="kw">inline-block text-sm font-bold leading-class="num">5 hover:underline sm:text-base sm:leading-class="num">6 md:text-lg md:leading-class="num">7&class="macro">#x27;) if title_tag: title = title_tag.get_text(strip=True) news.append(title) class="kw">return news def analyze_sentiment(news): sentiment_results = [] for article in news: analysis = TextBlob(article) sentiment = analysis.sentiment.polarity sentiment_results.append((article, sentiment)) class="kw">return sentiment_results def summarize_sentiment(sentiments): positive = sum(class="num">1 for _, sentiment in sentiments if sentiment > class="num">0) negative = sum(class="num">1 for _, sentiment in sentiments if sentiment < class="num">0) neutral = len(sentiments) - positive - negative total = len(sentiments) summary = { &class="macro">#x27;total&class="macro">#x27;: total, &class="macro">#x27;positive&class="macro">#x27;: positive, &class="macro">#x27;negative&class="macro">#x27;: negative, &class="macro">#x27;neutral&class="macro">#x27;: neutral } class="kw">return summary news = get_eurusd_news() if news: sentiments = analyze_sentiment(news) summary = summarize_sentiment(sentiments) for i, (article, sentiment) in enumerate(sentiments, class="num">1): sentiment_type = &class="macro">#x27;Positive&class="macro">#x27; if sentiment > class="num">0 else &class="macro">#x27;Negative&class="macro">#x27; if sentiment < class="num">0 else &class="macro">#x27;Neutral&class="macro">#x27; print(f"{i}. {article}\n Sentiment: {sentiment_type} (Polarity: {sentiment})\n") print(f"Sentiment Summary: {summary}") print(f"Total articles: {summary[&class="macro">#x27;total&class="macro">#x27;]}, Positive: {summary[&class="macro">#x27;positive&class="macro">#x27;]}, Negative: {summary[&class="macro">#x27;negative&class="macro">#x27;]}, Neutral: {summary[&class="macro">#x27;neutral&class="macro">#x27;]}") else: print("No news articles found for EUR/USD.")
◍ 美元持稳时联储表态才是催化
当美元指数在交易日中维持窄幅波动、未出现明显方向突破时，单纯的价格行为往往缺乏延续性，此时美联储官员的公开讲话更可能成为打破均衡的触发点。 上述样本池共纳入 10 篇相关文章，情绪统计为正面 5 篇、负面 4 篇、中性 1 篇，整体情绪极性约 0.167（计算口径：(正面−负面)/总数）。该数值偏低，说明市场并未形成一致的美元看多预期。 对外汇与贵金属交易者而言，这类「稳汇率 + 等待发言」的格局意味着：欧美、黄金等品种在讲话前大概率维持区间震荡，突破概率倾向随发言鹰鸽倾向而变。高风险品种务必轻仓，开 MT5 把新闻日历与 15 分钟 K 线叠加验证即可。
把工具请下神坛
比尔·威廉姆斯框架本身在实测里并非印钞机，作者披露仅靠原版逻辑跑不出惊艳曲线；真正把回撤压下去的，是叠了 ADX 判趋势、ATR 管仓位，再接一个 D1 周期训练的 ONNX 模型（文件 model.till_2023.H1.120.onnx 约 884 KB）做方向过滤。这三层加完后，牛熊误判率肉眼可见地降了，但作者也明说：附带的 mq5 只是半成品，真要上 MT5 实盘得自己补完平仓与风控，或找人代写。 外汇与贵金属自带高杠杆高风险，任何加了深度学习的 EA 都只是概率优势，不是免死金牌。下载区里 Bill_Williams_Strategy_v7_con_DL.mq5（28.69 KB）可以直接拖进 MetaEditor 看预测接口怎么接，先跑历史回放验证稳定性，再谈别的。 作者下一步想拿《新交易维度》里的混沌策略继续啃，也可能换其他指标混搭。你有想拆解的特定系统，去讨论区留个言就行——工具是人手的延伸，别供起来。