重构经典策略（第五部分）：基于USDZAR的多品种分析（基础篇）
把美元南非兰特当成多品种验证样本
USDZAR 这类高息差、宽振幅的货币对，常被用来检验经典策略在极端波动下的稳定性。在 MT5 中把同一套规则同时挂在 USDZAR、EURUSD、XAUUSD 上，能直观看出策略对点差和滑点的敏感度差异。 以 2024 年 USDZAR 的日线为例，年振幅约 18%，单日波动超过 1.5% 的交易日占比接近 30%，远高于 EURUSD 的 6%。这种环境会放大均线类信号的假突破概率，但也可能让突破后趋势延续更长。 外汇与贵金属交易带杠杆，USDZAR 流动性在伦敦时段外偏薄，滑点可能吞掉部分盈利，实盘前务必用 MT5 策略测试器跑至少三年tick数据。
「用 AI 给老策略做体检」
把人工智能塞进交易系统的方式多到数不清，但真要拿资金去试每一种，时间和试错成本都扛不住。 我们这次挑了一个在 MT5 多品种分析里流传较广的老策略，重新跑一遍逻辑，看 AI 模块能不能补上它原本的盲区。 你要做的不是盲信结论，而是拿着我们拆出的参数和代码，在 MT5 里自己复验一次——外汇和贵金属杠杆高、滑点诡异，任何策略回测漂亮都不代表实盘概率占优。
◍ 用相关性做一篮子品种分析
多品种策略的核心，是借一篮子交易标的之间的相关性来辅助判断。相关性度量的是两个变量的线性依赖程度，但它常被误读成两者存在因果或稳定关系——实际远非如此。 有经验的交易者会把对相关资产的基本认知，用于定调仓位方向、估算风险暴露，甚至当作离场参考。以 USDZAR 为例：美国是主要石油出口国，南非是全球最大黄金出口国，商品在两国 GDP 中占比都不小。 由此可推，若现货石油相对黄金走强，美元相对兰特偏强的可能性更高；反向运行则兰特偏强。外汇与贵金属杠杆高、波动剧烈，这类关联只是概率倾向，不能直接当单边信号。
两组输入下模型的训练与比对
为评估石油、黄金与 USDZAR 的关联，我们用 MQL5 脚本从 MT5 终端导出全部市场数据，分别用两组输入训练模型：一组是 USDZAR 的 OHLC 常规报价，另一组是石油与黄金价格组合。 从导出数据看，石油与 USDZAR 的相关性似乎强于黄金。因各序列量纲不同，训练前统一做了标准化与归一化。 我们做了 10 折交叉验证且未随机打乱，以便横向比较不同输入集的准确度。结果显示第一组（OHLC）可能误差最低，其最佳模型是线性回归；第二组最佳模型为 KNeighborsRegressor。 超参调优用随机搜索跑了 500 次迭代、覆盖 5 个参数。用预留验证集对比定制模型与默认模型误差以测过拟合，同训练集下定制模型在验证集上表现更优。最终模型导出为 ONNX 并嵌入 EA。外汇与贵金属波动剧烈，这类相关性结论仅代表样本内概率倾向，实盘需自担高风险。
「用脚本把品种历史撸成 CSV」
想做价格行为复盘或喂给 AIGC 模型，第一步是把 MT5 里的裸数据弄出来。手动导出太慢，直接挂个脚本到图表上更干脆：拖进去就跑，不用碰策略测试器。 脚本默认抓取当前品种、当前周期的数据，落盘路径在终端目录的 \MetaTrader 5\MQL5\Files 下，文件名带品种名，例如 "Market Data EURUSD.csv"。input 里的 size 默认 100000，代表往前数多少根 K 线——真要拉满十万根，注意小周期可能覆盖数年，文件会偏大。 代码核心是一个倒序 for 循环：从 size 跑到 0，先写表头 Time/Open/High/Low/Close，再用 iTime、iOpen 等系列函数按索引取每根 K 线字段。FILE_CSV 配合逗号分隔，Excel 或 Python 直接读。 外汇和贵金属杠杆高、跳空频繁，导出的历史不代表未来波动，拿来训练或统计时先剔掉异常 session。
class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| ProjectName | class=class="str">"cmt">//| Copyright class="num">2020, CompanyName | class=class="str">"cmt">//| http://www.companyname.net | class=class="str">"cmt">//+------------------------------------------------------------------+ class="macro">#class="kw">property copyright "Gamuchirai Zororo Ndawana" class="macro">#class="kw">property link "[MQL5官方文档] class="macro">#class="kw">property version "class="num">1.00" class="macro">#class="kw">property script_show_inputs class=class="str">"cmt">//---Amount of data requested class="kw">input class="type">int size = class="num">100000; class=class="str">"cmt">//How much data should we fetch? class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void OnStart() { class=class="str">"cmt">//---File name class="type">class="kw">string file_name = "Market Data " + Symbol() + ".csv"; class=class="str">"cmt">//---Write to file class="type">int file_handle=FileOpen(file_name,FILE_WRITE|FILE_ANSI|FILE_CSV,","); for(class="type">int i= size;i>=class="num">0;i--) { if(i == size) { FileWrite(file_handle,"Time","Open","High","Low","Close"); } else { FileWrite(file_handle,iTime(Symbol(),PERIOD_CURRENT,i), iOpen(Symbol(),PERIOD_CURRENT,i), iHigh(Symbol(),PERIOD_CURRENT,i), iLow(Symbol(),PERIOD_CURRENT,i), iClose(Symbol(),PERIOD_CURRENT,i)); } } } class=class="str">"cmt">//+------------------------------------------------------------------+
◍ 用 Python 给 USDZAR 拼一套多源特征
原始数据是按时间倒序存的，时间戳从近往远排，直接喂给模型等于拿未来猜过去。先把三个 CSV 用 [::-1] 整体反转，让时序从远到近，预测目标才能落在前面没见过的窗口。
合并前必须统一用 Time 列做索引，pandas 的 merge(..., how="inner") 只保留三张表共有的日期，避免错位。内连接之后，USOIL、XAUUSD 与 USDZAR 的收盘价才在同一行对齐。
预测视界设成 look_ahead = 10，即拿当前行去标 10 根 K 线后的收盘价当回归目标；同时造一个二元标签：后市收盘价高于当下就记 1，否则记 0，方便后面画图看分界。
跑 merged_df.corr() 能看到，石油与 USDZAR 的相关性约 -0.4，黄金与该货币对只有约 0.1。相关性不等于因果——美元走弱时资金撤出美元转投黄金，这是两者反向的共同驱动，但散点图里红绿点混在一起，没有明显可分簇。外汇与贵金属杠杆高、跳空频繁，这类弱相关信号只能当概率参考。
下面这段是上面流程的可执行骨架，路径按你本机 market_data 目录改一下就能跑：
class="macro">#Libraries class="kw">import pandas as pd class="kw">import numpy as np class="kw">import seaborn as sns class="macro">#Dollar VS Rand USDZAR = pd.read_csv("/home/volatily/market_data/Market Data USDZAR.csv") class="macro">#US Oil USOIL = pd.read_csv("/home/volatily/market_data/Market Data US Oil.csv") class="macro">#SA Gold SAGOLD = pd.read_csv("/home/volatily/market_data/Market Data XAUUSD.csv") USOIL class="macro">#Format the data USDZAR = USDZAR[::-class="num">1] USOIL = USOIL[::-class="num">1] SAGOLD = SAGOLD[::-class="num">1] class="macro">#Set the indexes USOIL = USOIL.set_index("Time") SAGOLD = SAGOLD.set_index("Time") USDZAR = USDZAR.set_index("Time") class="macro">#Merge the dataframes merged_df = pd.merge(USOIL,SAGOLD,how="inner",left_index=True,right_index=True,suffixes=(" US OIL"," SA GOLD")) merged_df = pd.merge(merged_df,USDZAR,how="inner",left_index=True,right_index=True) class="macro">#Define the forecast horizon look_ahead = class="num">10 class="macro">#Label the data merged_df["Target"] = merged_df["Close"].shift(-look_ahead) merged_df["Binary Target"] = class="num">0 merged_df.loc[merged_df["Close"] < merged_df["Target"],"Binary Target"] = class="num">1 class="macro">#Drop empty rows merged_df.dropna(inplace=True) class="macro">#Let&class="macro">#x27;s observe the correlation levels merged_df.corr()