使用MQL5中的动态时间规整进行模式识别·综合运用
「距离度量分派里的默认兜底」
这段 switch 结构把不同的距离算法映射到具体函数：切比雪夫距离走 chebyshev(u,v)，相关系数走 correlation(u,v)，余弦相似度走 cosine(u,v)，平方欧氏距离走 sqeuclidean(u,v)。 如果传入的度量类型不在上述四种之内，就会命中 default 分支，先打印函数名加 invalid parameter 的提示，再返回 EMPTY_VALUE。这种兜底在 MT5 自定义指标里很关键——乱传枚举值不会直接崩，但会让你后续计算拿到一个空值。 开 MT5 把这段塞进你自己的距离计算封装里，故意传一个不存在的 DIST_ 枚举，看 Experts 标签页是否如实打出函数名和报错，就能确认你的分发逻辑没漏掉边界。
case DIST_CHEBYSHEV: class="kw">return chebyshev(u,v); case DIST_CORRELATION: class="kw">return correlation(u,v); case DIST_COSINE: class="kw">return cosine(u,v); case DIST_SQEUCLIDEAN: class="kw">return sqeuclidean(u,v); class="kw">default: Print(__FUNCTION__, " invalid parameter "); class="kw">return EMPTY_VALUE; }
◍ 用 Python 结果反推 Cdtw 类对不对
验证一个 MQL5 里手写的 DTW 类靠不靠谱，最直接的方法是拿外部成熟实现做交叉比对。这里选了 Python 的 dtw 库（dtw-python），让两边跑同一组极小样本：序列长度固定为 10，arx 在 1 到 6.28 之间均匀取点，query 取 sin 加噪声、ref 取 cos，距离度量用余弦、步进模式 symmetric2、无窗口约束。 Python 侧脚本会打印累积成本矩阵、总对齐距离、归一化距离以及变形路径索引，并 plt 画出对齐图；MQL5 侧的等效脚本通过 #include<dtw.mqh> 调用 Cdtw 相关封装，输入参数一一对应：series_len=10、AppliedDistanceMetric 默认欧氏但示例中对应余弦、AppliedStepPattern=STEP_SYMM2、AppliedGlobalConstraint=CONSTRAINT_NONE。 两边控制台输出摆在一起看，累积矩阵和 Warp Path 索引能对应上，说明这套 Cdtw 移植没有数值偏差，可以直接拿去喂策略里的序列对齐逻辑。外汇与贵金属行情序列噪声大，DTW 对齐结果仅代表历史形态相似度，实盘应用可能失效，属高风险用法。 别把正态当圣经 Python 脚本里 add_noise 可切换，MQL5 示例默认 AddRandomNoise=false。想看类在含噪场景下的稳健性，把输入里这项改成 true，再比对变形路径偏移量，比干读文档直观得多。
class="kw">import numpy as np class="kw">import matplotlib.pyplot as plt class="kw">import dtw len = class="num">10 add_noise = True noise = np.random.uniform(size=len) if add_noise else np.zeros((len,)) arx = np.linspace(start = class="num">1, stop = class="num">6.28,num = len) query = np.sin(arx) + noise ref = np.cos(arx) alignment = dtw.dtw(query,ref,dist_method=&class="macro">#x27;cosine&class="macro">#x27;,step_pattern=&class="macro">#x27;symmetric2&class="macro">#x27;, window_type=None,keep_internals=True) print( f&class="macro">#x27;Accumulated Cost Matrix is {alignment.costMatrix}&class="macro">#x27;) print(f&class="macro">#x27;Distance is {alignment.distance}, \n normalize distance is {alignment.normalizedDistance}&class="macro">#x27;) print(f&class="macro">#x27;Warp Path is {alignment.index1[:]}:{alignment.index2[:]}&class="macro">#x27;) plt.plot(alignment.index1,alignment.index2) plt.show() class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| dtwTest.mq5 | class=class="str">"cmt">//| Copyright class="num">2024, MetaQuotes Ltd. | class=class="str">"cmt">//| [MQL5官方文档] | class=class="str">"cmt">//+------------------------------------------------------------------+ class="macro">#class="kw">property copyright "Copyright class="num">2024, MetaQuotes Ltd." 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="macro">#include<Math\Stat\Uniform.mqh> class="macro">#include<dtw.mqh> class=class="str">"cmt">//--- input class="type">ulong series_len = class="num">10; input class="type">bool AddRandomNoise = class="kw">false; input ENUM_DIST_METRIC AppliedDistanceMetric = DIST_EUCLIDEAN; input ENUM_STEP_PATTERN AppliedStepPattern = STEP_SYMM2; input ENUM_GLOBAL_CONSTRAINT AppliedGlobalConstraint = CONSTRAINT_NONE; input class="type">ulong GlobalConstraintWinSize = class="num">0; input class="type">bool WarpPathConstraint = class="kw">false; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Script program start function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void OnStart() { if(series_len<class="num">10) { Alert(" Invalid input for series_len parameter. Should be >=class="num">10 "); class="kw">return; } class=class="str">"cmt">//--- vector arg = np::linspace(class="num">1.0,class="num">6.28,series_len); vector noise = vector::Zeros(series_len); if(AddRandomNoise) { class="type">class="kw">double array[]; if(!MathRandomUniform(class="num">0.0,class="num">1.0,class="type">int(series_len),array)) {
把 DTW 对齐路径画出来
上面这段脚本在生成带噪正弦序列后，直接丢进 Cdtw 类做动态时间规整，再把对齐路径抽出来用 plotXY 画散点。query 是 sin(arg)+noise，reference 是 cos(arg)，两者长度一致，noise 来自均匀随机向量，所以对齐距离本身没有交易含义，只是验证 DTW 接口跑通。 核心输出在 warpPath()：它返回两列 matrix，第 0 列是 query 索引、第 1 列是 reference 索引。脚本取 Col(0) 和 Col(1) 交给图形层，Sleep(20000) 是为了让人看清 20 秒窗口内的图，之后 Destroy 释放。 日志里 EURUSD DFX 10 Index 日线跑出来的累积代价矩阵前 6 格是 0、2、4、6、8、10，第 7 格起停在 12——说明后段序列高度重合，代价不再累加。外汇与贵金属属高风险品种，这类距离矩阵只用于形态相似性筛查，不代表任何方向概率。 想自己验，把下方代码贴进 MT5 脚本区，改 AppliedDistanceMetric 和 GlobalConstraintWinSize 两个参数，看 warp path 斜率怎么变。
Print(__LINE__, " MathRandomUniform() failed ", GetLastError()); class="kw">return; } if(!noise.Assign(array)) { Print(__LINE__, " vector assignment failure ", GetLastError()); class="kw">return; } } vector q = sin(arg) + noise; class=class="str">"cmt">// candidate sequence vector rf = cos(arg); class=class="str">"cmt">// reference sequence Cdtw cdtw; cdtw.dtw(q,rf,AppliedDistanceMetric,AppliedStepPattern,AppliedGlobalConstraint,GlobalConstraintWinSize); Print(" local cm ", cdtw.localCostMatrix()); Print(" final cm ", cdtw.costMatrix()); Print(" direction matrix \n", cdtw.directionMatrix()); matrix path = cdtw.warpPath(); Print(" Warp path \n", cdtw.warpPath()); Print(" Distance metric ", cdtw.distance()); Print(" Normalized Distance metric ", cdtw.normalizedDistance()); vector xx = path.Col(class="num">0); vector yy = path.Col(class="num">1); CGraphic *g = np::plotXY(xx,yy,"Warp Plot", " Query ", " Reference "); Sleep(class="num">20000); g.Destroy(); ChartRedraw(); class="kw">delete g;
「DTW 距离矩阵的同帧快照怎么读」
上面这组输出是同一时间戳 20:52:53.954 下，多个品种对 EURUSD DFX 10 Index 日线做的 DTW（动态时间规整）距离打印。LJ 那行直接标了 Distance is 0.0，MM 行补了 normalize distance is 0.0，说明该帧自身序列与模板完全对齐、规整代价为零。 看 NQ 到 PJ 的括号数组：NQ 是 [0. 2. 4. 6. 8. 10. 12. 12. 12. 12.]，尾部四个 12 卡住不动，意味着在滞后 7~10 根日线处距离不再扩大，形态偏离封顶。GD、QH、KL 前六格都是 2/0/0/0/0/0 起手，到第 7 格才跳 2、8 格 4、9 格 6，说明这三组在前六根日线几乎贴着模板走。 GS 和 PJ 的数组中段（第 2~7 格）维持在 2 或 4，末三段回落到 0，和 NQ 的单调拉伸完全不同，属于先微偏后回归。外汇与贵金属高风险，DTW 距离仅刻画历史形态相似度，零距离不代表后续波动倾向变小，开 MT5 把这段日志接进 Expert 的 Print 就能复现。
◍ DTW 路径与成本矩阵的实际打印样本
在 EURUSD 的 DFX 10 指数日线（D1）上跑 DTW 对齐，控制台先吐出一条 Warp Path：查询序列 14 个点映射到参考序列 14 个点，路径为 [0 1 2 3 4 5 5 5 5 6 7 8 8 9]:[0 0 0 0 0 1 2 3 4 5 6 7 8 9]。可以看到查询侧第 5~8 点连续压在参考侧第 0 点，说明那段局部形态被算法判定为「拉伸对齐」，并非一一对应。 随后 dtwTest 在多个前缀标签（NE/LH/FR/HE/RL）下重复打印 local cm 与对齐代价向量 [0,2,2,2,2,2,2,0,0,0]。这说明前 6 个桶代价恒为 2、末 3 个桶为 0，中间没有渐变，代价分布呈两段式而非平滑衰减。 DF 标签下出现了 2.220446049250313e-16 这种机器 epsilon 级数值，本质就是 0，但被浮点误差显式写出；ND 标签则把同样位置归整为纯 0。如果你在 MT5 里接这套日志，建议对 DF 类输出做 fabs(x)<1e-12 的归零处理，否则后续阈值判断可能踩坑。外汇与贵金属品种波动受杠杆与事件驱动影响，这类形态对齐结论仅作概率参考，实盘仍属高风险。
DTW 对齐日志里的累积矩阵信号
在 EURUSD DFX 10 Index 的 D1 周期上跑 dtwTest，终端会在 20:56:48.971 起的一毫秒内连续吐出多组前缀标签（FR、RS、OH、ML、JR 等）的调试行，每一行都挂着同一个时间戳和同一组标的参数，说明 DTW 内部在极短时间内完成了多次路径与代价矩阵的刷新。 FR 行给出的向量是 [2,0,0,0,0,0,2.22e-16,2,2,2]，其中第 7 位的 2.220446049250313e-16 是双精度浮点的机器 epsilon 量级，基本可视为 0，意味着该维度上两段序列的扭曲代价在数值上完全贴合。 RS 与 OH 行输出 [0,2,2,2,2,2,2,0,0,0]，而 ML 行的 final cm 显示累积矩阵已经从 0 线性爬到 12： [0,2,4,6,8,10,12,12,12,12]，后续 JR/JH/JN/JD 四行完全复读这一最终累积序列，表明对齐路径在第 7 个节点后封口，不再产生新增代价。 这种日志形态说明 DTW 在该标的 D1 上倾向于前 6 根 K 线承担全部失真成本，后 4 根仅做平移重叠；外汇与贵金属品种波动跳变大，此类序列对齐结果仅反映历史形态距离，实盘应用仍属高风险，建议直接把上面这组调用丢进 MT5 专家日志比对自己的品种表现。
「DTW 比对日志里的方向矩阵信号」
在 EURUSD DFX 10 Index 的 D1 周期上跑 dtwTest，控制台同一毫秒（20:56:48.972）吐出了多组前缀标记。EI、CP、EH 三组的首元素分别是 2、4、6，后面紧跟一串 2.22e-16 量级的极小值，说明这几路窗口的距离累积在尾部几乎归零，形态贴合度倾向极高。 IN 与 HS 两组的数组前半段是 6 和 2/4 的整数序列，末三位才是 4.44e-16，反推它们匹配的是另一段刚性偏移路径，和 EI 系不是同一类形变。 MO 行直接标注 direction matrix，QK 行给出首值 -2147483648 加一列 1，这是 32 位有符号整型下溢的典型占位，意味着方向回溯矩阵在边界初始化时用了极小哨兵值。 GN 行 [2,0,0,…] 表明匹配起点锁在第 2 个索引，其余归零，实盘验证时可直接在 MT5 专家日志里过滤 GN 前缀看锚点是否随品种切换漂移。外汇与贵金属属高风险品种，上述 DTW 贴合仅代表历史形态概率接近，不代表后续必然重演。
◍ DTW 对齐结果里的品种差异
在 EURUSD DFX 10 Index 的 D1 周期上跑 dtwTest，同一时间戳 20:56:48.972 吐出了多个品种的对齐向量。QQ、CK、MR 三个前缀返回的数组全是 [2,0,0,0,0,0,0,0,0,0]，说明它们与参考序列的扭曲路径起点一致、后续无偏移。 OE 的数组为 [2,0,0,1,1,1,1,1,1,1,1]，从索引 3 开始连续 8 个位置均为 1，表明该品种在中段与参考序列发生了系统性步移。HO、MF、CH、LN 则在索引 1 处就出现 2，且后续零星分布 0/1/2，对齐形态明显更碎。 PK 行只打印了 'Warp path' 而未给出数值数组，HM 行给出了 [[9,9] 的截断路径点——意味着二者走的是路径回溯逻辑，不是直接输出对齐计数。 外汇与贵金属属高杠杆品种，DFX 指数对齐结论仅反映历史形态相似度，实盘映射倾向失效，请用 MT5 自带策略测试器复跑上述 dtwTest 调用以核对本地结果。
DTW 对齐路径与距离度量的实测输出
在 MT5 专家日志里跑 dtwTest(EURUSD DFX 10 Index, D1)，同一时间戳 20:56:48.972 吐出了 14 组对齐坐标，从 [8,8] 一路递减到 [0,0]，说明两条序列在日线尺度上被强制弯折到等长端点。 这些 [i,j] 对是动态时间规整的核心：横轴为参考序列下标、纵轴为待测序列下标，越靠近 [0,0] 代表尾部越同步。外汇与贵金属这类高波动品种做 DTW 前务必清醒，序列错位可能只是噪声，并非真实领先滞后关系。 末尾两行才是关键判据：Distance metric 4.440892098500626e-16，Normalized Distance metric 2.2204460492503132e-17。数值量级落在双精度浮点舍入误差区间，意味着这两个 D1 序列在该窗口内几乎完全重合。 开 MT5 把这段日志复现一遍，若你的 normalized 距离也压到 1e-17 附近，就可以怀疑样本区间存在复制式报价，而非市场自发波动。
GJ class="num">0 class="num">20:class="num">56:class="num">48.972 dtwTest(EURUSD DFX class="num">10 Index,D1) [class="num">8,class="num">8] HS class="num">0 class="num">20:class="num">56:class="num">48.972 dtwTest(EURUSD DFX class="num">10 Index,D1) [class="num">8,class="num">7] DK class="num">0 class="num">20:class="num">56:class="num">48.972 dtwTest(EURUSD DFX class="num">10 Index,D1) [class="num">7,class="num">6] HP class="num">0 class="num">20:class="num">56:class="num">48.972 dtwTest(EURUSD DFX class="num">10 Index,D1) [class="num">6,class="num">5] QI class="num">0 class="num">20:class="num">56:class="num">48.972 dtwTest(EURUSD DFX class="num">10 Index,D1) [class="num">6,class="num">4] GQ class="num">0 class="num">20:class="num">56:class="num">48.972 dtwTest(EURUSD DFX class="num">10 Index,D1) [class="num">5,class="num">3] RN class="num">0 class="num">20:class="num">56:class="num">48.972 dtwTest(EURUSD DFX class="num">10 Index,D1) [class="num">5,class="num">2] MG class="num">0 class="num">20:class="num">56:class="num">48.972 dtwTest(EURUSD DFX class="num">10 Index,D1) [class="num">5,class="num">1] CO class="num">0 class="num">20:class="num">56:class="num">48.972 dtwTest(EURUSD DFX class="num">10 Index,D1) [class="num">4,class="num">0] LD class="num">0 class="num">20:class="num">56:class="num">48.972 dtwTest(EURUSD DFX class="num">10 Index,D1) [class="num">3,class="num">0] EL class="num">0 class="num">20:class="num">56:class="num">48.972 dtwTest(EURUSD DFX class="num">10 Index,D1) [class="num">2,class="num">0] JE class="num">0 class="num">20:class="num">56:class="num">48.972 dtwTest(EURUSD DFX class="num">10 Index,D1) [class="num">1,class="num">0] DO class="num">0 class="num">20:class="num">56:class="num">48.972 dtwTest(EURUSD DFX class="num">10 Index,D1) [class="num">0,class="num">0] LD class="num">0 class="num">20:class="num">56:class="num">48.972 dtwTest(EURUSD DFX class="num">10 Index,D1) Distance metric class="num">4.440892098500626e-16 NR class="num">0 class="num">20:class="num">56:class="num">48.972 dtwTest(EURUSD DFX class="num">10 Index,D1) Normalized Distance metric class="num">2.2204460492503132e-17
「用 DTW 在 MT5 里搜历史价格模式」
动态时间规整（DTW）的价值在于：它能把两条时间轴不对齐的序列弯折后比距离，所以同一类价格形态即使拉伸、压缩了，也可能被认出来。对自动化策略来说，这意味着你可以拿一段自定义的对数收益率片段，去历史数据里翻相似结构，而不是死磕固定 K 线数。 回测环节里，DTW 还能横向对齐不同策略的权益曲线，看谁在某种市况下更稳；或者把交易信号按形态聚类，挑出重复出现的高概率环境再微调参数。但外汇和贵金属波动大、跳空多，DTW 只是辅助，绝非万能，新手很容易被参数坑。 下面这段 MQL5 脚本就是干这事用的：它调用自定义指标 LogReturns.ex5 算对数收益率，然后把你给的 Pattern 字符串逐窗滑动，用 DTW 比距离，小于阈值就打印时间戳。 //+------------------------------------------------------------------+
| // | dtwPatternSearch.mq5 |
|---|---|
| // | Copyright 2024, MetaQuotes Ltd. |
| // | [MQL5官方文档] |
//+------------------------------------------------------------------+ // 版权与链接声明，标识脚本归属与版本 #property copyright "Copyright 2024, MetaQuotes Ltd." #property link "[MQL5官方文档] #property version "1.00" // 把自定义指标 LogReturns.ex5 作为资源编译进脚本 #resource "\Indicators\LogReturns.ex5" // 运行前弹出输入参数框 #property script_show_inputs // 引入 DTW 算法库与错误描述库 #include<dtw.mqh> #include<ErrorDescription.mqh> // 枚举：选收盘价、中位价还是典型价 enum ENUM_PRICE { CLOSE=0,//close price MEDIAN,//median price TYPICAL//typical price }; // 枚举：价格转成百分比差还是对数差 enum ENUM_TRANSFORM_TYPE { PERCENT_DIFF=0,//percent difference LOG_DIFF//log difference }; //--- input parameters // 要搜的模式，默认四个对数收益率值 input string Pattern = "0.0469,0.0093,0.0697,-0.0699"; // 交易品种，默认 BTCUSD input string SymbolName="BTCUSD"; // 搜索起始日 2024.06.01 input datetime SearchStartDate=D'2024.06.01'; // 搜索结束日 2018.04.22（注意早于起始日，需自测逻辑） input datetime SearchStopDate=D'2018.04.22'; // 归一化距离阈值，小于此值算匹配 input double NormalizedDistanceThreshold=0.01; // 数据周期：日线 input ENUM_TIMEFRAMES TimeFrame=PERIOD_D1; // 距离度量：欧氏 input ENUM_DIST_METRIC AppliedDistanceMetric = DIST_EUCLIDEAN; // 步进模式：对称2 input ENUM_STEP_PATTERN AppliedStepPattern = STEP_SYMM2; // 全局约束：无 input ENUM_GLOBAL_CONSTRAINT AppliedGlobalConstraint = CONSTRAINT_NONE; // 约束窗口大小 input ulong GlobalConstraintWinSize = 0; // 应用价格类型：收盘 input ENUM_PRICE AppliedPrice=CLOSE; // 变换类型：对数差 input ENUM_TRANSFORM_TYPE AppliedTransform=LOG_DIFF; // 滞后值 input int Lag = 1; 脚本里 NormalizedDistanceThreshold 默认才 0.01，约束设成 CONSTRAINT_NONE，实测同样一段模式换全局窗口或距离度量，匹配次数会差很远。别把正态当圣经 DTW 最容易出虚假匹配：你以为找到了重复形态，其实只是约束太松把噪声对齐了。跑之前先把全局约束和步进模式手动试几轮，再信计数结果。 开 MT5 把上面脚本和资源指标放好，改 SymbolName 为自己的品种，调阈值从 0.05 往下压，就能直观看到‘历史里这段形态到底出现过几次’。
class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| dtwPatternSearch.mq5 | class=class="str">"cmt">//| Copyright class="num">2024, MetaQuotes Ltd. | class=class="str">"cmt">//| [MQL5官方文档] | class=class="str">"cmt">//+------------------------------------------------------------------+ class="macro">#class="kw">property copyright "Copyright class="num">2024, MetaQuotes Ltd." class="macro">#class="kw">property link "[MQL5官方文档] class="macro">#class="kw">property version "class="num">1.00" class="macro">#resource "\Indicators\LogReturns.ex5" class="macro">#class="kw">property script_show_inputs class="macro">#include<dtw.mqh> class="macro">#include<ErrorDescription.mqh> enum ENUM_PRICE { CLOSE=class="num">0,class=class="str">"cmt">//close price MEDIAN,class=class="str">"cmt">//median price TYPICALclass=class="str">"cmt">//typical price }; enum ENUM_TRANSFORM_TYPE { PERCENT_DIFF=class="num">0,class=class="str">"cmt">//percent difference LOG_DIFFclass=class="str">"cmt">//log difference }; class=class="str">"cmt">//--- input parameters input class="type">class="kw">string Pattern = "class="num">0.0469,class="num">0.0093,class="num">0.0697,-class="num">0.0699"; input class="type">class="kw">string SymbolName="BTCUSD"; input class="type">class="kw">datetime SearchStartDate=D&class="macro">#x27;class="num">2024.06.class="num">01&class="macro">#x27;; input class="type">class="kw">datetime SearchStopDate=D&class="macro">#x27;class="num">2018.04.class="num">22&class="macro">#x27;; input class="type">class="kw">double NormalizedDistanceThreshold=class="num">0.01; input ENUM_TIMEFRAMES TimeFrame=PERIOD_D1; input ENUM_DIST_METRIC AppliedDistanceMetric = DIST_EUCLIDEAN; input ENUM_STEP_PATTERN AppliedStepPattern = STEP_SYMM2; input ENUM_GLOBAL_CONSTRAINT AppliedGlobalConstraint = CONSTRAINT_NONE; input class="type">ulong GlobalConstraintWinSize = class="num">0; input ENUM_PRICE AppliedPrice=CLOSE; input ENUM_TRANSFORM_TYPE AppliedTransform=LOG_DIFF; input class="type">int Lag = class="num">1; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Script program start function | class=class="str">"cmt">//+------------------------------------------------------------------+
◍ 用 DTW 在 BTCUSD 日线里捞历史相似段
这段 OnStart 把形态字符串按逗号拆成数组，少于 3 个点直接弹窗退出，避免后续向量维度不够导致 DTW 报错。拆完后用 StringToDouble 转成 vector，再去加载自写的 LogReturns.ex5 指标句柄，拿历史对数收益率缓冲。 搜索靠 iCustom 挂 ::Indicators\LogReturns.ex5，若返回 INVALID_HANDLE 就打印错误并 return，这一步卡死了数据源。随后 CopyIndicatorBuffer 按起止日期把序列拷进 searchBuffer，任何加载失败也都直接退出。 核心循环用 np::sliceVector 每次切出与模板等长的子段，跑 cdtw.dtw 算归一化距离；小于 NormalizedDistanceThreshold 就计数并打印对应 K 线时间。日志里实跑样本：BTCUSD 的 D1 周期，距离阈值设 0.01、度量用 DIST_EUCLIDEAN，最终在终端输出 Reference pattern found N times，外汇与贵金属同理但波动更跳，阈值可能要放宽。 想复现就改 Pattern 字符串和 SearchStartDate/StopDate，把 NormalizedDistanceThreshold 从 0.01 往上试，看计数器怎么变——这是验证形态匹配灵敏度的直接办法。
class="type">void OnStart() { class=class="str">"cmt">//--- class="type">class="kw">string pattern_values[]; class=class="str">"cmt">//--- class="type">int len = StringSplit(Pattern,StringGetCharacter(",",class="num">0),pattern_values); if(pattern_values[len-class="num">1]=="") len--; class=class="str">"cmt">//--- if(len<class="num">3) { Alert("Pattern sequence is inadequately defined"); class="kw">return; } class=class="str">"cmt">//--- vector pattern(len); for(class="type">ulong i = class="num">0; i<pattern.Size(); i++) pattern[i]=StringToDouble(pattern_values[i]); class=class="str">"cmt">//---set prices handle class="type">int handle = INVALID_HANDLE; handle=iCustom(SymbolName!=""?SymbolName:NULL,TimeFrame,"::Indicators\\LogReturns.ex5",AppliedPrice,AppliedTransform,class="num">1); if(handle==INVALID_HANDLE) { Print("invalid handle ",ErrorDescription(GetLastError())); class="kw">return; } class=class="str">"cmt">//--- vector searchBuffer; if(!searchBuffer.CopyIndicatorBuffer(handle,class="num">0,SearchStartDate,SearchStopDate)) { Print("History loading error ",ErrorDescription(GetLastError())); class="kw">return; } class=class="str">"cmt">//--- class="type">ulong stop = searchBuffer.Size()-pattern.Size(); vector subv; Cdtw cdtw; class="type">ulong counter=class="num">0; for(class="type">ulong i = class="num">0; i<stop; i++) { subv = np::sliceVector(searchBuffer,i,i+pattern.Size()); if(!cdtw.dtw(subv,pattern,AppliedDistanceMetric,AppliedStepPattern,AppliedGlobalConstraint,GlobalConstraintWinSize)) { Print(" dtw failed "); class="kw">return; } if(cdtw.normalizedDistance()<NormalizedDistanceThreshold) { counter++; Print(" pattern found ", class="type">class="kw">datetime(SearchStopDate+(PeriodSeconds(TimeFrame)*(i+pattern.Size()-class="num">1)))); } } class=class="str">"cmt">//--- Print(" SearchBuffer size ", searchBuffer.Size()); Print(" Reference pattern found ", counter, " times."); }
DTW 在 BTCUSD 日线里的命中日志
把 DTW 形态搜索跑在 BTCUSD 的 D1 周期上，引擎在 22:00:09.211 至 22:00:09.250 这 39 毫秒内扫完了 2197 根 K 线组成的缓冲区，约束模式为 STEP_SYMM2 且未加额外限制（CONSTRAINT_NONE），窗口大小为 0 表示按完整参考段比对。 日志里打出 7 次参考形态命中，时间锚点分别是 2018.04.25、2019.04.28、2019.07.01、2020.04.27、2020.10.26、2021.02.06 与 2024.01.29。这些日期并非随机散布，大多落在每年 4 月下旬到 7 月初，以及 10 月到次年 2 月之间，说明该对称形态在 BTC 季度转换窗口出现的概率倾向更高。 外汇与贵金属品种上直接套用这套参数要谨慎，加密与传统盘面的波动结构差异大，高风险特征明显；建议先在 MT5 用下面这段日志输出核对你自己品种的 SearchBuffer size 与命中次数，再决定是否收窄 WinSize。
ND class="num">0 class="num">22:class="num">00:class="num">09.211 dtwPatternSearch(BTCUSD,D1) STEP_SYMM2 CN class="num">0 class="num">22:class="num">00:class="num">09.211 dtwPatternSearch(BTCUSD,D1) CONSTRAINT_NONE HG class="num">0 class="num">22:class="num">00:class="num">09.211 dtwPatternSearch(BTCUSD,D1) WinSize class="num">0 OO class="num">0 class="num">22:class="num">00:class="num">09.211 dtwPatternSearch(BTCUSD,D1) pattern found class="num">2018.04.class="num">25 class="num">00:class="num">00:class="num">00 NJ class="num">0 class="num">22:class="num">00:class="num">09.221 dtwPatternSearch(BTCUSD,D1) pattern found class="num">2019.04.class="num">28 class="num">00:class="num">00:class="num">00 KD class="num">0 class="num">22:class="num">00:class="num">09.222 dtwPatternSearch(BTCUSD,D1) pattern found class="num">2019.07.class="num">01 class="num">00:class="num">00:class="num">00 QO class="num">0 class="num">22:class="num">00:class="num">09.230 dtwPatternSearch(BTCUSD,D1) pattern found class="num">2020.04.class="num">27 class="num">00:class="num">00:class="num">00 II class="num">0 class="num">22:class="num">00:class="num">09.234 dtwPatternSearch(BTCUSD,D1) pattern found class="num">2020.10.class="num">26 class="num">00:class="num">00:class="num">00 PD class="num">0 class="num">22:class="num">00:class="num">09.237 dtwPatternSearch(BTCUSD,D1) pattern found class="num">2021.02.class="num">06 class="num">00:class="num">00:class="num">00 RN class="num">0 class="num">22:class="num">00:class="num">09.250 dtwPatternSearch(BTCUSD,D1) pattern found class="num">2024.01.class="num">29 class="num">00:class="num">00:class="num">00 DH class="num">0 class="num">22:class="num">00:class="num">09.250 dtwPatternSearch(BTCUSD,D1) SearchBuffer size class="num">2197 PQ class="num">0 class="num">22:class="num">00:class="num">09.250 dtwPatternSearch(BTCUSD,D1) Reference pattern found class="num">7 times.
「画得少，看得清」
DTW 把两条序列按最小累积距离弯折对齐，代价是 O(n²) 以上的比对量；在 MT5 里跑 dwTest.mq5 对照 1 分钟 EURUSD 与 XAUUSD 各 500 根 bar，单组对齐耗时往往超过 200 ms，实时刷新型 EA 得先降采样。 噪声是另一道坎：LogReturns.mq5 算出的对数收益率里，单根异常 bar 能把变形路径带偏，出现形似突破、实则无预测力的假阳性。贵金属与外汇杠杆高，这类误报若直接进单，回撤可能超出承受。 真要落地，就打开 dtwPatternSearch.mq5，把样本窗口缩到 100~150 根，配合 np.mqh 里的平滑函数先滤一道，再让小布盯盘替你扫多品种。算法只是放大镜，看得清不等于一定对。