在MetaTrader 5中集成隐马尔可夫模型（基础篇）
在 MT5 里跑通隐马尔可夫模型
隐马尔可夫模型（HMM）把价格序列看成由若干隐藏状态生成，状态之间按概率跳转，观测值（如收益率）服从各状态自己的分布。在 MT5 里接这套东西，核心不是预测点位，而是给当前行情贴一个『状态标签』——震荡、趋势、过渡，三种机制的概率分布会随新 tick 滚动更新。 外汇与贵金属杠杆高、跳空频繁，HMM 给出的状态只是概率倾向，不能当确定性信号；实盘前务必在策略测试器用 2020—2023 年 EURUSD M15 跑一遍滤波效果。 下面这段代码在 OnTick 里维护一个两状态 HMM 的转移矩阵，并用简单对数收益更新发射概率。可直接拷进 EA 模板验证：状态 0 倾向低波动，状态 1 倾向趋势延展，转移概率初值设 0.95 对角，意味着状态有惯性。
class="type">class="kw">double TransMat[class="num">2][class="num">2] = {{class="num">0.95,class="num">0.05},{class="num">0.05,class="num">0.95}}; class=class="str">"cmt">// 状态转移矩阵初值 class="type">class="kw">double EmitProb[class="num">2][class="num">2] = {{class="num">0.6,class="num">0.4},{class="num">0.4,class="num">0.6}}; class=class="str">"cmt">// 观测发射概率 class="type">int curState = class="num">0; class=class="str">"cmt">// 当前隐藏状态 class="type">void OnTick(){ class="type">class="kw">double ret = MathLog(iClose(_Symbol,_Period,class="num">0)/iClose(_Symbol,_Period,class="num">1)); class=class="str">"cmt">// 对数收益 class="type">int obs = (ret > class="num">0) ? class="num">1 : class="num">0; class=class="str">"cmt">// 观测值二值化 class="type">class="kw">double p0 = TransMat[curState][class="num">0]*EmitProb[class="num">0][obs]; class=class="str">"cmt">// 留原状态似然 class="type">class="kw">double p1 = TransMat[curState][class="num">1]*EmitProb[class="num">1][obs]; class=class="str">"cmt">// 跳状态似然 curState = (p1 > p0) ? class="num">1 : class="num">0; class=class="str">"cmt">// 最大似然状态更新 }
◍ 金融序列的记忆与隐马尔可夫建模
金融时间序列最麻烦也最有用的地方，是它内部存在依赖结构：过去的价格状态会渗透进当前和未来的波动里，这种特性在时序分析里叫记忆性。搞清一段行情属于短记忆还是长记忆，直接决定你后面该套 ARMA 还是该上状态切换类模型。 本文换了一个角度谈记忆——不是线性自回归那种显式依赖，而是以隐马尔可夫模型（HMM）承载的『隐藏状态记忆』。市场在某个不可观测的 regimes（如趋势/震荡）里跳转，能观测到的报价只是这些隐藏状态的投影。 我们会拆 HMM 的基本假设，并用 Python 的 hmmlearn 先跑通训练，再把学到的模型参数导出，交给 MT5 里的 MQL5 程序做实时推断。外汇与贵金属杠杆高、跳空频繁，隐藏状态切换模型只降低不确定性，不消除爆仓风险，参数要自己回测。
「Hidden Markov Model 怎么吃进价格序列」
隐马尔可夫模型（HMM）给时间序列建模时，核心假设是系统运行在肉眼不可见的隐藏状态里，而当前时刻落在某状态的概率只跟上一时刻的状态有关——这条链式依赖就是它的记忆。放到外汇或贵金属的分钟线里，隐藏状态可以对应上涨、下跌或区间震荡三种倾向，用来压住均线类指标常被噪声带出的锯齿假信号。 建模前你要先拍定状态总数 S，把状态从 0 编到 S-1，再准备一组能描述过程的观测特征。以 XAUUSD 收盘价为例，单丢收盘价不够，得把与之相关的波动率、动量类辅助量一起塞进观测向量，才容易让隐藏状态分得开。 HMM 完整由四件东西钉死：假设状态数、首根 K 线落各状态的初始概率、状态间跳转的转移矩阵、以及每个状态自己的概率密度函数。转移矩阵里每个元素就是“从状态 i 滑到状态 j”的概率，直接决定趋势切换的黏性。 参数不是手填的，是用最大似然估计从样本里反推出来的：正向算法按时间往前扫、反向算法从尾往回扫，两者合起来算每根样本在特定时刻处于某状态的可能性，逼出最贴合当前数据的那组模型属性。MT5 里拿历史数据跑一遍前向—后向递推，就能看见转移矩阵随品种波动率的明显差异。
从初始概率到转移矩阵的前向递归
做隐马尔可夫建模时，第一个样本的似然不能直接套用后续规则。若对过程毫无先验，把初始状态概率统一设成 1/S（S 为假设状态总数）是可接受的做法，再用贝叶斯定理把“处于状态 i 的似然”和“已知前序样本时处于 i 的概率”区分开。 第一个样本按条件概率 P(A)=P(A|B)P(B) 算：保持状态 i 的似然 = 该状态初始概率 × 第一个样本的概率密度函数（文献里叫发射概率，现阶段只当试验参数）。因为我们不确定到底在哪个状态，初始似然必须是所有可能状态似然之和。 后续观测要叠一层状态间跳转可能。转移矩阵是 S×S 结构，每行概率和为 1、列不要求；行索引是“从哪状态转出”，列索引是“转到哪状态”，对角线就是状态不变的概率。下一个特定状态的概率 = 当前已知状态概率 × 对应转移概率，再把所有可能来源加总。 把每个样本个体似然连乘，得到整段数据的似然。这套按时间向前递归的计算就是正向算法，外汇与贵金属序列用它估状态转移时，样本不足易过拟合，属高风险建模。
◍ 把似然度倒着算一遍
正向算法是从第一个样本往后推状态概率，反向算法反过来：从最后一个数据点起步，先把所有状态的似然度初始化为 1，再向前逐个样本回推。每一步都站在「当前若处于某状态」的假设上，去算后续样本集合的似然度，同时把状态间可转移的可能性一并摊进去。 具体做法是拿每个状态的似然度做加权和——权重由「处于该状态的概率」乘「样本落在该状态的概率密度」构成，再用当前状态跳去下一状态的概率当调节系数。公式里这一层加权把转移结构反向织进了似然估计，和正向版本对称但方向相逆。 在 MT5 里验证这类递推，最直接的是写个小脚本把最后一帧 alpha 置 1，循环到 t=0 打印每帧似然，看是否和正向乘出来的一致。外汇与贵金属价格序列用隐状态建模本身高风险，回测吻合不等于实盘可用。
「发射概率背后藏着的分布假设」
聊到 HMM 的正向、返向算法，绕不开概率密度函数（pdf）——它在模型里就是发射概率。离散或分类数据下，这部分直接叫概率；一旦处理连续变量，就得换成概率密度函数来描述。 本文建模用的是多元正态分布的连续数据集，但分布本身不是锁死的，后续 Python 模块里就带了给其他分布写的 HMM 实现。 所以你选了什么分布，它的参数就自动变成 HMM 的参数。拿多元正态来说，落地的就是均值向量和协方差矩阵这两组数，调模型本质就是在调它们。