重思经典策略（第八部分）：基于美元兑加元（USDCAD）探讨外汇市场与贵金属（基础篇）
「AI 策略系列的开场定位」
这套连载想把人工智能在交易里的落点讲清楚，而不是堆概念。重点会放在外汇与贵金属这类高波动品种上，美元兑加元（USDCAD）是首篇拿来拆解的标的。 原文示例发布于 2025 年 4 月 22 日 08:17，MetaTrader 5 环境，页面统计显示 637 次浏览、4 条互动。这个数字说明即便小众 AI 策略文，在 MT5 社区也有稳定读者盘。 核心立场很直接：任何基于 AI 的策略，都只是帮你缩小决策范围，不替你承担外汇/贵金属的高风险。系列目标是在你投钱前，先能按自己的风险承受度筛掉不合适的玩法。
贵金属与货币对的隐性联动
做外汇和贵金属，不能只盯一个盘面。黄金、钯金这类贵金属既是工业原料也是避险载体，其价格摆动会顺着贸易链传导到相关国家的产出与汇率。 加拿大和美国都是黄金与汽车的主要出口国，而一台汽车里超过 20 个部件要用到含钯金的催化转换器。钯金或黄金若持续走高，出口国生产端成本承压，对本币汇率存在潜在拖累倾向。 历史上黄金与美元多呈反向：美元走弱时资金常平仓美元多头转投黄金对冲。但进入量化宽松周期后，这条负相关明显钝化，拿来直接反推汇率容易踩坑。外汇与贵金属杠杆高，联动只是概率倾向，开 MT5 拉 AUDCAD、USDCAD 与 XAUUSD 叠加图自己验证最实在。
◍ 让机器自己找跨市场关系
做贵金属和外汇联动，人容易先入为主——只信直觉上顺眼的规律。让 MT5 上的脚本自己跑数据，反而可能挖出一辈子看不出的关联，或者戳破你原以为靠谱的策略边界。 我们拿了三组因子去预测 USDCAD：单用 USDCAD 自身报价、叠 XAUUSD 与 XPDUSD 报价、以及前两组组合。数据全用 MQL5 定制脚本从终端直抽，落 CSV 进 Python 洗。相关性上，XAUUSD 对 USDCAD 是 -0.5，XPDUSD 对 USDCAD 是 -0.66，两种金属之间只有 0.37，中等偏弱。 散点图和 3D 散点都试过，肉眼完全分不出簇，数据像是一团搅在一起的雾。模型侧用 5 折时间序列交叉验证（不打乱）算平均 RMSE 选优；线性模型单因子组最强，但没参数可调，于是落地选了次优的线性支持向量回归（LSVR）。 调参后 LSVR 在未见数据上压过默认版，说明没白拟合，但验证集 RMSE 仍没追上纯线性。最后把定制 LSVR 转 ONNX，用 MQL5 写了带 AI 的 EA——外汇贵金属杠杆高，跨市场信号失效也快，跑之前先想清楚滑点和重训频率。
「用脚本把图表数据倒成CSV」
想在 Python 里做价格行为分析，第一步是把 MT5 图表上的 OHLC 历史拽出来。挂一个脚本到目标图表就能自动导出 CSV，省去手动另存的麻烦。
脚本里有个关键属性 #property script_show_inputs，漏写的话你在 MT5 里右键调不了输入参数，只能改代码重编译。默认 size = 100000，代表向外取 10 万根柱线，不够就调小，太多可能写文件偏慢。
导出的文件名会拼成 Market Data [符号].csv，首行写表头 Time/Open/High/Low/Close，后面按当前周期逐根回写。这个 Time 列是后面在 Python 里多品种按日期内连接（merge）的唯一键，只保留共同日期的行，错位数据直接丢掉。
别把正态当圣经：CSV 里的时间是经纪商服务器时间，和 Python 端 pandas 的时区若不一致，合并时可能静默丢数据，先 print(df['Time'].head()) 核对再 join。
下面这段是脚本本体，逐行看逻辑：
#property script_show_inputs 让输入面板可见；input int size=100000 定义抓取根数；OnStart 里 FileOpen 以写/ANSI/CSV 逗号分隔打开文件；for 从 size 递减到 0，首轮写表头，之后每轮用 iTime/iOpen/iHigh/iLow/iClose 取对应柱面写入。
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">//+------------------------------------------------------------------+
把三品种 CSV 并成一张可训练表
做跨品种预测前，先得把 MT5 导出的散装 CSV 收拢成单一数据帧。这里用的是 Pandas 2.2.1 与 Numpy 1.26.4，读取路径直接指向 MT5 的 MQL5\Files 目录，USDCAD、XAUUSD、XPDUSD 三个文件各自按时间列设索引后做左连接合并。 合并完并不是直接跑模型。代码里先把预测视界定为 20 根 K 线（look_ahead = 20），也就是用当下已知量去推 20 根之后的收盘位。预测因子分两组：USDCAD 自身的 OHLC，加上黄金和钯金的八个价格字段，共 12 个输入。 标签这块做了三层。Target 是 USDCAD 收盘的 20 根后移位值；Binary Target 把它压成 0/1 涨跌二分类；另外单独给 XAU 和 XPD 各标了自身涨跌标签，方便后面看跨市场传导。最后 dropna 把移位产生的空行清掉，表才干净。外汇与贵金属杠杆高，跨品种相关性随时变，这套标签只反映历史样本，实盘信号概率会漂移。 下面这段是可直接抄去跑的清理脚本，路径按你本机 MT5 装法改一下就能用。
class="macro">#Import the libraries we need class="kw">import pandas as pd class="kw">import numpy as np class="macro">#Display library versions print(f"Pandas version {pd.__version__}") print(f"Numpy version {np.__version__}") class="macro">#Read in the data we need usdcad = pd.read_csv("\home\volatily\.wine\drive_c\Program Files\MetaTrader class="num">5\MQL5\Files\Market Data USDCAD.csv") usdcad = usdcad[::-class="num">1] xauusd = pd.read_csv("\home\volatily\.wine\drive_c\Program Files\MetaTrader class="num">5\MQL5\Files\Market Data XAUUSD.csv") xauusd = xauusd[::-class="num">1] xpdusd = pd.read_csv("\home\volatily\.wine\drive_c\Program Files\MetaTrader class="num">5\MQL5\Files\Market Data XPDUSD.csv") xpdusd = xpdusd[::-class="num">1] class="macro">#Set the time column as the index usdcad.set_index("Time",inplace=True) xauusd.set_index("Time",inplace=True) xpdusd.set_index("Time",inplace=True) class="macro">#Let&class="macro">#x27;s merge the data merged_data = usdcad.merge(xauusd,suffixes=(&class="macro">#x27;&class="macro">#x27;,&class="macro">#x27; XAU&class="macro">#x27;),left_index=True,right_index=True) merged_data = merged_data.merge(xpdusd,suffixes=(&class="macro">#x27;&class="macro">#x27;,&class="macro">#x27; XPD&class="macro">#x27;),left_index=True,right_index=True) merged_data class="macro">#Define the forecast horizon look_ahead = class="num">20 class="macro">#Define the predictors and target ohlc_predictors = [&class="macro">#x27;Open&class="macro">#x27;,&class="macro">#x27;High&class="macro">#x27;,&class="macro">#x27;Low&class="macro">#x27;,&class="macro">#x27;Close&class="macro">#x27;] new_predictors = [&class="macro">#x27;Open XAU&class="macro">#x27;,&class="macro">#x27;High XAU&class="macro">#x27;,&class="macro">#x27;Low XAU&class="macro">#x27;,&class="macro">#x27;Close XAU&class="macro">#x27;,&class="macro">#x27;Open XPD&class="macro">#x27;,&class="macro">#x27;High XPD&class="macro">#x27;,&class="macro">#x27;Low XPD&class="macro">#x27;,&class="macro">#x27;Close XPD&class="macro">#x27;] predictors = ohlc_predictors + new_predictors class="macro">#Let&class="macro">#x27;s add labels to the data merged_data["Target"] = merged_data["Close"].shift(-look_ahead) class="macro">#Let&class="macro">#x27;s also add labels to help us visualize the relationships merged_data["Binary Target"] = np.nan merged_data["XAU Target"] = np.nan merged_data["XPD Target"] = np.nan class="macro">#Define the target values class="macro">#Changes in the USDCAD Exchange rate merged_data.loc[merged_data["Close"] > merged_data["Target"],"Binary Target"] = class="num">0 merged_data.loc[merged_data["Close"] < merged_data["Target"],"Binary Target"] = class="num">1 class="macro">#Changes in the price of Gold merged_data.loc[merged_data["Close XAU"] > merged_data["Close XAU"].shift(-look_ahead),"XAU Target"] = class="num">0 merged_data.loc[merged_data["Close XAU"] < merged_data["Close XAU"].shift(-look_ahead),"XAU Target"] = class="num">1 class="macro">#Changes in the price of Palladium merged_data.loc[merged_data["Close XPD"] > merged_data["Close XPD"].shift(-look_ahead),"XPD Target"] = class="num">0 merged_data.loc[merged_data["Close XPD"] < merged_data["Close XPD"].shift(-look_ahead),"XPD Target"] = class="num">1 class="macro">#Drop any NA values merged_data.dropna(inplace=True)
◍ 先把合并数据拉平再画图
做探索性分析前，得先把前面 join 好的 merged_data 索引重置掉，否则 seaborn 按索引画图会把行号当维度，坐标轴直接乱掉。 代码里先引 seaborn 和 matplotlib，顺手把 sns.__version__ 打出来确认环境。当前用的是 Seaborn 0.13.2，老版本某些绘图 API 参数名不一样，跑之前最好核一下。 merged_data.reset_index(inplace=True) 是原地改对象，执行后原 df 的旧索引变成普通列，行序回到 0、1、2… 这种连续整数，后面 pairplot / heatmap 才不会报 index 错。
class="macro">#Explorartory data analysis class="kw">import seaborn as sns class="kw">import matplotlib.pyplot as plt class="macro">#Display library version print(f"Seaborn version: {sns.__version__}") class="macro">#Reset the index merged_data.reset_index(inplace=True)