在 MQL5 中重新构想经典策略（第二部分）：富时 100 指数（FTSE100）与英国国债（UK Gilts）（基础篇）
「AI 进场前先看清策略全景」
把 AI 揉进交易策略的玩法，理论上没有上限。但个人交易者每天能扒出来的有效信息就那么多，真要一种种手测，时间根本不够烧。 这个系列打算把交易里 AI 能落地的方向摊开讲，帮你按自己的风险胃口挑路子。外汇和贵金属这类高杠杆品种，叠加 AI 信号也改变不了本金归零的高风险本质，筛选时得先想清楚自己扛不扛得住回撤。 作者 Gamuchirai Zororo Ndawana 在 2025 年 4 月 22 日发布的首篇里提到，光是示例文章就有 634 次查看、2 条互动，说明这类重构经典策略的内容在 MT5 社区里已经有真实读者在追。
◍ FTSE100与英国国债的跷跷板逻辑
FTSE100跟踪伦交所市值前100的公司，1984年以1000点起步，当下报价约8000点，成分股按市值加权，巨头波动对指数牵引更重。同一市场里英国国债也挂牌交易，分传统与通胀挂钩两类：传统国债占绝大部分，固定票息、到期还本，自发行以来英政府从未违约欠付。 债券收益率和需求反向走。买盘旺，收益率压低；抛压重，收益率抬升吸筹。股市走弱时资金倾向撤出高风险权益、躲进主权债；风险偏好回来又反向流动，根子在于股市长期平均回报高于债市，但敏感度也更高。 外汇与贵金属交易者借这道关系做跨市场验证时，须留意：股债资金切换只是概率倾向，英债低违约不等于无波动，跨市场头寸仍受汇率与流动性高风险冲击。
用线性回归让EA自己学规则
我们搭了一个由算法驱动的EA，让它从国债与英国100指数的历史数据里自己归纳交易规则，而不是靠人拍脑袋选策略。金融序列噪声极多，学界早有结论：在这种数据上，简单线性模型往往能和神经网络跑出不相上下的效果，所以我们直接用MQL5的矩阵和向量API从零写了一个线性回归。 两个输入量纲完全不同——国债价格和英国100指数点位差着数量级，因此拟合前必须做标准化和缩放。参数求解走的是伪逆解（pseudoinverse），避免手动求逆的数值不稳定。 光靠回归还不够，系统进场要求技术指标也给出同向信号，相当于用TA给AI投票。AI另一头用来嗅潜在反转并触发平仓。上一轮从零写线性模型时，有用户反馈输出值溢出可接受区间；这版补了截距列，再叠标准化缩放，把越界问题按原文思路压了下去。外汇与贵金属延伸使用时，请记住这类线性外推在极端行情会失效，杠杆品种高风险。
「把线性预测塞进MT5脚本里」
做这套英国国债与富时100的联动模型，第一步不是在EA里写逻辑，而是先用脚本把数据链路跑通。输入参数只留两个：fetch 控制抓取多少根K线，look_ahead 控制预测向前偏移多少步。实测 fetch 设 20、look_ahead 设 20 时，计算量对个人电脑友好；若拉满历史全量，不仅吃内存，还可能因早年公开喊价时期的报价机制与当前算法报价差异太大，反而污染拟合。 输入矩阵第一列硬编码为全 1 向量，长度等于 fetch，专门用来乘偏置项。其余列填 UKGB_Z4 的 OHLC 与 UK100 的 OHLC，凑成 8 个特征列。注意国债报价常年游走在 100 附近，富时100在 8000 上下，量纲差出两个数量级，不缩放模型会一头歪向大数值列。 缩放只动输入：每列减均值除标准差，目标列 close 价格绝不参与标准化。系数靠 target 乘输入矩阵伪逆拿到，返回 1×9 向量，符号直接指示斜率方向——正号代表该特征与预测目标同向变动。当前柱跑预测时，新数据过一遍同样的均值标准差再套回归公式即可。 下面这段是脚本头与取数核心，CopyRates 里 1+look_ahead 的偏移就是让输入滞后、目标提前的关键。打开 MT5 把品种名换成你盯的贵金属或外汇对，改 fetch 就能复现。外汇与贵金属杠杆高，模型输出仅作概率参考，实盘须自担风险。
class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| UK100 Gilts.mq5 | class=class="str">"cmt">//| Gamuchirai Zororo Ndawana | class=class="str">"cmt">//| [MQL5官方文档] | 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">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Inputs | class=class="str">"cmt">//+------------------------------------------------------------------+ input class="type">int fetch = class="num">20; class=class="str">"cmt">//How much data should we fetch? input class="type">int look_ahead = class="num">20; class=class="str">"cmt">//How far into the future should we forecast? class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Script program start function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void OnStart() { class=class="str">"cmt">//--- Global variables we will need inside our expert advisor matrix coefficients = matrix::Zeros(class="num">1,class="num">9); vector mean_values = vector::Zeros(class="num">8); vector std_values = vector::Zeros(class="num">8); vector intercept = vector::Ones(fetch); matrix input_matrix = matrix::Zeros(class="num">9,fetch); matrix gilts_data,uk100_data,target; class=class="str">"cmt">//--- First we will fetch the market data gilts_data.CopyRates("UKGB_Z4",PERIOD_CURRENT,COPY_RATES_OHLC,class="num">1+look_ahead,fetch); uk100_data.CopyRates("UK100",PERIOD_CURRENT,COPY_RATES_OHLC,class="num">1+look_ahead,fetch); target.CopyRates("UK100",PERIOD_CURRENT,COPY_RATES_CLOSE,class="num">1,fetch);