使用 MetaTrader 5 在 Python 中查找自定义货币对形态·进阶篇
（2/3）· 接上篇环境打通，本篇用 6 个函数模块把历史形态变成可排序的交易参考
把涨跌序列挖成可统计的形态库
上一环我们得到了纯“up/down”的涨跌标记序列，这一环要做的，是在这条序列里翻出能复用的局部形态。核心思路不复杂：取一段长度为 pattern_length（3 到 25 之间，例如 4）的连续方向作为“形态签名”，再看它后面第 6 根 K 线是否顺着我们关心的方向走，顺则记 True，否则 False。 函数用 defaultdict 建了一个 patterns 词典，键是形态元组，值是每次出现后 6 根结果的布尔列表。遍历时只跑到 len(data)-pattern_length-6，避免越界取不到“6 根之后”的判定。这样跑完，库里就存了诸如 ('up','up','down') 对应 [True, False, True…] 这样的原始命中记录。 真正有用的是尾部那段：拿最近 pattern_length 根的方向做成元组，去库里查是否出现过。命中了，就用 np.mean 算胜率百分比、用 len 算出现次数。外汇与贵金属市场高杠杆、跳空频繁，这种基于历史频次的概率仅作参考，实盘前请在 MT5 用自己品种数据重跑验证。 别把正态当圣经 代码里胜率直接 mean*100，背后假设的是每次形态出现相互独立且样本够密。小样本下某形态只出现 2 次却 100% 命中，这种数字在贵金属分钟线上极易误导，调参时先把 last_frequency 门槛拉到 20 以上再看 winrate。
def find_patterns(data, pattern_length, direction): patterns = defaultdict(list) last_pattern = None last_winrate = None last_frequency = None for i in range(len(data) - pattern_length - class="num">6): pattern = tuple(data[&class="macro">#x27;direction&class="macro">#x27;][i:i+pattern_length]) if data[&class="macro">#x27;direction&class="macro">#x27;][i+pattern_length+class="num">6] == direction: patterns[pattern].append(True) else: patterns[pattern].append(False) # Check last prices for pattern match last_pattern_tuple = tuple(data[&class="macro">#x27;direction&class="macro">#x27;][-pattern_length:]) if last_pattern_tuple in patterns: last_winrate = np.mean(patterns[last_pattern_tuple]) * class="num">100 last_frequency = len(patterns[last_pattern_tuple]) last_pattern = last_pattern_tuple class="kw">return patterns, last_pattern, last_winrate, last_frequency
◍ 用胜率和频次给形态排座次
形态攒了一大堆，下一步不是全用，而是先筛。核心看两个量：胜率 = 该形态历史触发后指向的结果里“True”占比，频次 = 它总共出现了几次。 举个实在例子：某个形态 10 次里有 7 次奏效，胜率就是 70%；另一个形态胜率 65%，但只出现过 3 次，那它的统计置信就明显弱于前者。频次越高，样本越不容易被偶发波动带偏。 下面这段逻辑把每个形态的胜率和频次算出来塞进 results，再按胜率从高往低排，最好的形态自然浮到列表头顶。MT5 里跑完这类脚本，直接读排序后的前几条就能定下一步观察对象。外汇和贵金属波动受事件驱动明显，这类统计只代表历史概率，实盘仍属高风险。
def calculate_winrate_and_frequency(patterns): results = [] for pattern, outcomes in patterns.items(): winrate = np.mean(outcomes) * class="num">100 frequency = len(outcomes) results.append((pattern, winrate, frequency)) results.sort(key=lambda x: x[class="num">1], reverse=True) class="kw">return results
「用出现次数和胜率筛掉废形态」
形态库跑完之后，原始数据量往往破千，但里面混着大量低质信号。统计上看，出现次数少于 20 次的形态可靠性明显偏低，这类样本太小，容易是噪声而非规律，直接剔除比较稳妥。 剩下的形态按胜率从高到低排，头部那批才是值得盯的。实测中从一千多个里筛完，能进前 300 的买/卖形态各自只剩三百条左右，数量砍掉七成以上，盘面上要跟踪的对象一下子清爽了。 下面这段是过滤与排序的核心逻辑，result 里下标 2 是出现次数、下标 1 是胜率，过 20 次才留，再逆序取前 300。 别把千个形态都当回事 MT5 里回测时若发现某形态只触发了几次就高胜率，别急着信，小样本在外汇和贵金属这种高波动市场里极易翻车，先卡 20 次门槛再谈概率。
filtered_buy_results = [result for result in all_buy_results if result[class="num">2] > class="num">20] filtered_sell_results = [result for result in all_sell_results if result[class="num">2] > class="num">20] filtered_buy_results.sort(key=lambda x: x[class="num">1], reverse=True) top_300_buy_patterns = filtered_buy_results[:class="num">300] filtered_sell_results.sort(key=lambda x: x[class="num">1], reverse=True) top_300_sell_patterns = filtered_sell_results[:class="num">300]
形态长度从3到25都要测
筛选有效价格形态时，长度窗口不能只拍脑袋定一个值。少于 3 次价格变动的形态噪声太大、统计意义弱；超过 25 次的形态在实盘样本里出现频率过低，难以持续产生可交易信号。因此把长度从 3 到 25 逐一跑一遍，才算把短周期反转与中长期趋势两类机会都覆盖到。 短形态偏向抓取快速逆转，例如欧元兑美元在新闻行情里 3~5 根 K 线内的急转；长形态更反映一段趋势的铺垫结构，比如黄金日线 20 根以上形成的缓慢顶部。事先没法断定哪类更划算，只能全长度扫描买入与卖出形态，再比对胜率和出现频次。 下面这段代码就是遍历逻辑的核心：对每个长度调用形态查找函数，分别存买入和卖出字典。你在 MT5 的 Python 环境或自建回测框架里直接套用，把 ohlc_data 换成自己的报价序列即可。外汇与贵金属杠杆高，回测盈利不代表实盘概率，参数验证后仍需小仓试错。
pattern_lengths = range(class="num">3, class="num">25) # Pattern lengths from class="num">3 to class="num">25 all_buy_patterns = {} all_sell_patterns = {} for pattern_length in pattern_lengths: buy_patterns, last_buy_pattern, last_buy_winrate, last_buy_frequency = find_patterns(ohlc_data, pattern_length, &class="macro">#x27;up&class="macro">#x27;) sell_patterns, last_sell_pattern, last_sell_winrate, last_sell_frequency = find_patterns(ohlc_data, pattern_length, &class="macro">#x27;down&class="macro">#x27;) all_buy_patterns[pattern_length] = buy_patterns all_sell_patterns[pattern_length] = sell_patterns
◍ 区分买卖形态的有效边界
形态库按长度分好类之后，下一步不是直接上实盘，而是先验证哪类形态在买、卖两个方向上真的有统计优势。市场上涨和下跌的微观结构常常不对称，同一组形态在多头和空头侧的胜率、出现频率可能差出一大截，所以不能把买卖混在一起算总账。 代码里把 all_buy_patterns 和 all_sell_patterns 按 pattern_length 拆开，各自跑 calculate_winrate_and_frequency，再把结果分别塞进 all_buy_results 与 all_sell_results。这一步等于给后续比对留出了干净的样本容器，买卖两边互不影响。 短期形态往往更适合抓入场点，长期形态偏向确认趋势方向，但反过来也有概率出现，所以全部长度都保留、不提前砍掉任何一类。分析完能得到一张表：哪种长度、在哪个市场状态下更偏买入有效或卖出有效。 外汇与贵金属属高杠杆品种，即便筛选出最优形态也只是提升概率，不保证成功。开 MT5 把这段循环接进你的形态提取模块，先跑一遍买卖分离的统计，再谈策略组装。
all_buy_results = [] for pattern_length, patterns in all_buy_patterns.items(): results = calculate_winrate_and_frequency(patterns) all_buy_results.extend(results) all_sell_results = [] for pattern_length, patterns in all_sell_patterns.items(): results = calculate_winrate_and_frequency(patterns) all_sell_results.extend(results)
「把历史形态变成可执行的预测输出」
EA 在跑完近期形态识别后，会把最后捕获的买入或卖出形态直接打印出来，同时附带两个硬指标：胜率和出现频率。胜率代表该形态在历史样本里后续走势符合预期的比例，比如某买入形态胜率 70%，即统计上七成概率价格随后上行；但哪怕冲到 90%，也只是概率，外汇和贵金属的高杠杆环境里黑天鹅随时能把统计砸穿。 频率是另一道过滤器。高频形态的样本量更大，统计置信度通常比罕见形态更稳，所以同样胜率下，常出现的形态更值得放进观察列表。代码里对买卖两种形态分别判断，是因为多空对抗本身就是常态，不为两边留接口就等于盲目押注。 预测行的输出只有一句「Price will likely go up / down」，它本质是历史数据的条件概率陈述，不是进场指令。MT5 上把这段逻辑接进 EA 的 OnTick 或信号模块，你就能在日志里看到实时诊断；真要下单，得自己叠宏观事件过滤和仓位尺度。 别把正态当圣经 胜率再漂亮也救不了突发利率决议，贵金属和外汇品种建议先在策略测试器用最近 3 个月 tick 数据回放一遍，确认频率没掉到个位数再谈信任。
if last_buy_pattern: print(f"\nLast buy pattern for {symbol}: {last_buy_pattern}, Winrate: {last_buy_winrate:.2f}%, Frequency: {last_buy_frequency}") print(f"Forecast: Price will likely go up.") if last_sell_pattern: print(f"\nLast sell pattern for {symbol}: {last_sell_pattern}, Winrate: {last_sell_winrate:.2f}%, Frequency: {last_sell_frequency}") print(f"Forecast: Price will likely go down.")