基于时间、价格和成交量创建 3D 柱状图引入波动率测量·综合运用
（3/3）·二维图表漏掉的市场真实结构，用体积柱从第一笔 tick 起捕捉动量失衡
◍ 把量价三维图与二维图拼进同一张画布
这段 Python（Plotly）代码负责把 3D 量价曲面和 2D 价格走势并排渲染，核心是把 MA100 线以蓝色 1 像素宽画在右下子图（row=1, col=2）。
3D 场景坐标轴被显式命名为 Time / Volume / Price，相机初始视角 eye 设为 (1.5, 1.5, 1.5)，也就是从正斜上方 45 度看进去，能同时看清时间轴铺展和价格-成交量曲面起伏。
整体画布宽 1500、高 750，刚好是单图两倍宽，用来塞下左右两个 plot；最后用 fig.write_html 导出为 {symbol}_combined_view.html，MT5 导出的 CSV 经小布管道清洗后可直接喂进去生成交互页。
第二段 fig2 用 2×2 子图展示平滑数据：左上平滑收盘价（close_smooth）、右上平滑tick量（tick_volume_smooth），各自套 MA100，命名 'Price MA100' / 'Volume MA100'，方便对比原始图里的噪声是否被均线吃掉。外汇与贵金属波动剧烈，平滑参数不当会掩盖真实流动性断层，回测前务必先肉眼核对平滑前后形态差异。
line=dict(class="type">class="kw">color=&class="macro">#x27;blue&class="macro">#x27;, width=class="num">1), name=&class="macro">#x27;MA100&class="macro">#x27; ), row=class="num">1, col=class="num">2 # Update 3D layout fig.update_scenes( xaxis_title=&class="macro">#x27;Time&class="macro">#x27;, yaxis_title=&class="macro">#x27;Volume&class="macro">#x27;, zaxis_title=&class="macro">#x27;Price&class="macro">#x27;, camera=dict( up=dict(x=class="num">0, y=class="num">0, z=class="num">1), center=dict(x=class="num">0, y=class="num">0, z=class="num">0), eye=dict(x=class="num">1.5, y=class="num">1.5, z=class="num">1.5) ) ) # Update 2D layout fig.update_xaxes(title_text="Time", row=class="num">1, col=class="num">2) fig.update_yaxes(title_text="Price", row=class="num">1, col=class="num">2) # Update overall layout fig.update_layout( width=class="num">1500, # Double width to accommodate both plots height=class="num">750, showlegend=True, title_text=f"{symbol} Combined Analysis" ) # Save interactive HTML fig.write_html(save_dir / f&class="macro">#x27;{symbol}_combined_view.html&class="macro">#x27;) # Create additional plots with smoothed data(unchanged) fig2 = make_subplots(rows=class="num">2, cols=class="num">2, subplot_titles=(&class="macro">#x27;Smoothed Price&class="macro">#x27;, &class="macro">#x27;Smoothed Volume&class="macro">#x27;, &class="macro">#x27;Smoothed Price Volatility&class="macro">#x27;, &class="macro">#x27;Smoothed Volume Volatility&class="macro">#x27;)) fig2.add_trace( go.Scatter(x=np.arange(len(df_smooth)), y=df_smooth[&class="macro">#x27;close_smooth&class="macro">#x27;], name=&class="macro">#x27;Price MA100&class="macro">#x27;), row=class="num">1, col=class="num">1 ) fig2.add_trace( go.Scatter(x=np.arange(len(df_smooth)), y=df_smooth[&class="macro">#x27;tick_volume_smooth&class="macro">#x27;], name=&class="macro">#x27;Volume MA100&class="macro">#x27;),
「用 Plotly 把波动平滑结果铺成四宫格」
这段脚本把价格与成交量的平滑序列拆成 2×2 子图，方便横向比对原始扰动被 MA100 滤掉多少。row=1,col=2 放的是价格类平滑轨，row=2 两格分别塞 price_volatility_smooth 与 volume_volatility_smooth，坐标直接用 np.arange(len(df_smooth)) 按行索引对齐，避免时间轴错位。 布局写死 height=750、width=750，showlegend 开true，标题用 f"{symbol} Smoothed Data Analysis" 动态带入品种名。最后 fig2.write_html 落盘成 {symbol}_smoothed_analysis.html，你在浏览器打开就能拖拽缩放看局部。 整段包在 try/except 里，任何绘图异常会 print 错误并 raise，不会静默产出空图。外汇与贵金属波动受杠杆放大，这类可视化只帮你看结构，不代表方向判断，实盘仍属高风险。
row=class="num">1, col=class="num">2 ) fig2.add_trace( go.Scatter(x=np.arange(len(df_smooth)), y=df_smooth[&class="macro">#x27;price_volatility_smooth&class="macro">#x27;], name=&class="macro">#x27;Price Vol MA100&class="macro">#x27;), row=class="num">2, col=class="num">1 ) fig2.add_trace( go.Scatter(x=np.arange(len(df_smooth)), y=df_smooth[&class="macro">#x27;volume_volatility_smooth&class="macro">#x27;], name=&class="macro">#x27;Volume Vol MA100&class="macro">#x27;), row=class="num">2, col=class="num">2 ) fig2.update_layout( height=class="num">750, width=class="num">750, showlegend=True, title_text=f"{symbol} Smoothed Data Analysis" ) fig2.write_html(save_dir / f&class="macro">#x27;{symbol}_smoothed_analysis.html&class="macro">#x27;) print(f"Interactive visualizations saved in {save_dir}") except Exception as e: print(f"Error creating interactive visualization: {e}") raise
把行情塞进 3D 砖块里看密度
做价格行为分析时，二维 K 线容易让人忽略「点密度」这个维度。把 EURUSD 的报价按日期区间拉出来，重建成 3D 砖块图，往往能直观看到趋势起点和终点的空间分布差异。 我们先取 EURUSD 从 2017-01-01 到 2018-02-01 的数据，这段是强看涨趋势；再取 2018-02-01 到 2020-03-20 的段落，对应一段看跌趋势。在 3D 渲染下，两类趋势不管多空，起步都出现在点密度偏下方的稀疏区，而收尾段普遍被亮黄色配色标记——这是一个可复现的视觉现象，不是指标信号。 下面这段 Python 函数（接 MT5 终端数据）就是生成这类 3D 静态特征的核心。它不再依赖单根柱索引，而是用 copy_rates_range 按起止日期捞全段数据，再用价差倍数定砖块最小价格步长。 别把正态当圣经 代码里 min_spread_multiplier=45、volume_brick=500 只是作者当时用的默认值；点差大的贵金属（如 XAUUSD）直接套用可能砖块过大、样本被吞，建议先打印 symbol_info.spread 再手调倍数。外汇和贵金属杠杆高，视觉规律只辅助判结构，不预示方向。
def create_true_3d_renko(symbol, timeframe, start_date, end_date, min_spread_multiplier=class="num">45, volume_brick=class="num">500): """ Creates 4D stationary features with same interface as 3D Renko """ rates = mt5.copy_rates_range(symbol, timeframe, start_date, end_date) if rates is None: print(f"Error getting data for {symbol}") class="kw">return None, None df = pd.DataFrame(rates) df[&class="macro">#x27;time&class="macro">#x27;] = pd.to_datetime(df[&class="macro">#x27;time&class="macro">#x27;], unit=&class="macro">#x27;s&class="macro">#x27;) if df.isnull().any().any(): print("Missing values detected, cleaning...") df = df.dropna() if len(df) == class="num">0: print("No data for analysis after cleaning") class="kw">return None, None symbol_info = mt5.symbol_info(symbol) if symbol_info is None: print(f"Failed to get symbol info for {symbol}") class="kw">return None, None try: min_price_brick = symbol_info.spread * min_spread_multiplier * symbol_info.point if min_price_brick <= class="num">0: print("Invalid block size") class="kw">return None, None except AttributeError as e: print(f"Error getting symbol parameters: {e}") class="kw">return None, None scaler = MinMaxScaler(feature_range=(class="num">3, class="num">9)) df_blocks = [] try: # Time dimension df[&class="macro">#x27;time_sin&class="macro">#x27;] = np.sin(class="num">2 * np.pi * df[&class="macro">#x27;time&class="macro">#x27;].dt.hour / class="num">24) df[&class="macro">#x27;time_cos&class="macro">#x27;] = np.cos(class="num">2 * np.pi * df[&class="macro">#x27;time&class="macro">#x27;].dt.hour / class="num">24) df[&class="macro">#x27;time_numeric&class="macro">#x27;] = (df[&class="macro">#x27;time&class="macro">#x27;] - df[&class="macro">#x27;time&class="macro">#x27;].min()).dt.total_seconds() # Price dimension df[&class="macro">#x27;typical_price&class="macro">#x27;] = (df[&class="macro">#x27;high&class="macro">#x27;] + df[&class="macro">#x27;low&class="macro">#x27;] + df[&class="macro">#x27;close&class="macro">#x27;]) / class="num">3 df[&class="macro">#x27;price_return&class="macro">#x27;] = df[&class="macro">#x27;typical_price&class="macro">#x27;].pct_change() df[&class="macro">#x27;price_acceleration&class="macro">#x27;] = df[&class="macro">#x27;price_return&class="macro">#x27;].diff()
◍ 把量价波动压成可喂模型的区块
这段处理逻辑干的事，是把逐根 K 线的量、价、波动率分别做成变化率与加速度，再滑窗拼成一个固定长度的样本块。注意它用的窗口是 20 根：从 idx-20 到 idx 闭区间，意味着每个 block 都带 21 行上下文，trend_count 字段直接写成 len(window) 也就是 21。 成交量维度先算 tick_volume 的 pct_change 得 volume_change，再对 volume_change 做 diff 得 volume_acceleration；波动率维度则用 price_return 的 20 周期滚动 std 算 volatility，再取它的 pct_change。这两组派生量后面都被塞进 block 的 open/high/low/close/tick_volume 里，名字虽沿用了 OHLCV 外壳，实际装的是加速度和变化率。 循环从 range(20, len(df)) 起步，跳过前 20 根没法定窗的样本。block 里 time_numeric 过了一次 scaler.fit_transform，把单值压成标量；direction 用 np.sign 取价格收益方向，非 +1 即 -1（或 0）。spread 和 type 字段其实塞的是 time_sin / time_cos，属于把周期时间编码混进了价差位，跑实盘前最好确认这俩字段不会被下游误读成真实点差。 异常分支里若 df_blocks 为空就直接返回 None, None，调用方得自己处理空样本。外汇与贵金属波动剧烈，这种滑窗重构在跳空时段可能让 volume_acceleration 出现极端值，上 MT5 导 tick 数据复算前建议先截断异常 bar。
df[&class="macro">#x27;volume_change&class="macro">#x27;] = df[&class="macro">#x27;tick_volume&class="macro">#x27;].pct_change() df[&class="macro">#x27;volume_acceleration&class="macro">#x27;] = df[&class="macro">#x27;volume_change&class="macro">#x27;].diff() df[&class="macro">#x27;volatility&class="macro">#x27;] = df[&class="macro">#x27;price_return&class="macro">#x27;].rolling(class="num">20).std() df[&class="macro">#x27;volatility_change&class="macro">#x27;] = df[&class="macro">#x27;volatility&class="macro">#x27;].pct_change() for idx in range(class="num">20, len(df)): window = df.iloc[idx-class="num">20:idx+class="num">1] block = { &class="macro">#x27;time&class="macro">#x27;: df.iloc[idx][&class="macro">#x27;time&class="macro">#x27;], &class="macro">#x27;time_numeric&class="macro">#x27;: scaler.fit_transform([[class="type">class="kw">float(df.iloc[idx][&class="macro">#x27;time_numeric&class="macro">#x27;])]]).item(), &class="macro">#x27;open&class="macro">#x27;: class="type">class="kw">float(window[&class="macro">#x27;price_return&class="macro">#x27;].iloc[-class="num">1]), &class="macro">#x27;high&class="macro">#x27;: class="type">class="kw">float(window[&class="macro">#x27;price_acceleration&class="macro">#x27;].iloc[-class="num">1]), &class="macro">#x27;low&class="macro">#x27;: class="type">class="kw">float(window[&class="macro">#x27;volume_change&class="macro">#x27;].iloc[-class="num">1]), &class="macro">#x27;close&class="macro">#x27;: class="type">class="kw">float(window[&class="macro">#x27;volatility_change&class="macro">#x27;].iloc[-class="num">1]), &class="macro">#x27;tick_volume&class="macro">#x27;: class="type">class="kw">float(window[&class="macro">#x27;volume_acceleration&class="macro">#x27;].iloc[-class="num">1]), &class="macro">#x27;direction&class="macro">#x27;: np.sign(window[&class="macro">#x27;price_return&class="macro">#x27;].iloc[-class="num">1]), &class="macro">#x27;spread&class="macro">#x27;: class="type">class="kw">float(df.iloc[idx][&class="macro">#x27;time_sin&class="macro">#x27;]), &class="macro">#x27;type&class="macro">#x27;: class="type">class="kw">float(df.iloc[idx][&class="macro">#x27;time_cos&class="macro">#x27;]), &class="macro">#x27;trend_count&class="macro">#x27;: len(window), &class="macro">#x27;price_change&class="macro">#x27;: class="type">class="kw">float(window[&class="macro">#x27;price_return&class="macro">#x27;].mean()), &class="macro">#x27;volume_intensity&class="macro">#x27;: class="type">class="kw">float(window[&class="macro">#x27;volume_change&class="macro">#x27;].mean()), &class="macro">#x27;price_velocity&class="macro">#x27;: class="type">class="kw">float(window[&class="macro">#x27;price_acceleration&class="macro">#x27;].mean()) } df_blocks.append(block) except Exception as e: print(f"Error processing data: {e}") if len(df_blocks) == class="num">0: class="kw">return None, None if len(df_blocks) == class="num">0:
「特征缩放与统计指标拼装」
砖块 DataFrame 成型后，先剥离 time 与 direction 两列，对其余所有特征列做标准化。scaler.fit_transform 会按列重定中心并压缩量纲，避免后续模型被 close 的绝对值带偏。 紧接着补一组与原函数同构的分析量：ma_5 用 close 的 5 周期滚动均值，ma_20 取 20 周期；volume_ma_5 基于 tick_volume 的 5 周期均值。price_volatility 与 volume_volatility 分别是 price_change、tick_volume 的 10 周期滚动标准差，trend_strength 则由 trend_count 乘 direction 得到方向加权趋势强度。 这批衍生列再走一遍 fit_transform 缩放。随后用 stats.zscore 对 close、tick_volume 算标准分（nan_policy='omit' 跳过缺失），zscore 两列同样归一化后随表返回，同时吐出 min_price_brick。 main 里先 mt5.initialize() 失败就打印错误退出；实盘符号锁 EURUSD、GBPUSD，周期只取 M15。回测窗口写死 2017-01-01 至 2018-02-01，砖块参数 min_spread_multiplier=45、volume_brick=500——外汇与贵金属杠杆高，这套参数直接上实盘前务必在 MT5 策略测试器重跑确认。
result_df = pd.DataFrame(df_blocks) # Scale all features features_to_scale = [col for col in result_df.columns if col != &class="macro">#x27;time&class="macro">#x27; and col != &class="macro">#x27;direction&class="macro">#x27;] result_df[features_to_scale] = scaler.fit_transform(result_df[features_to_scale]) # Add same analytical metrics as in original function result_df[&class="macro">#x27;ma_5&class="macro">#x27;] = result_df[&class="macro">#x27;close&class="macro">#x27;].rolling(class="num">5).mean() result_df[&class="macro">#x27;ma_20&class="macro">#x27;] = result_df[&class="macro">#x27;close&class="macro">#x27;].rolling(class="num">20).mean() result_df[&class="macro">#x27;volume_ma_5&class="macro">#x27;] = result_df[&class="macro">#x27;tick_volume&class="macro">#x27;].rolling(class="num">5).mean() result_df[&class="macro">#x27;price_volatility&class="macro">#x27;] = result_df[&class="macro">#x27;price_change&class="macro">#x27;].rolling(class="num">10).std() result_df[&class="macro">#x27;volume_volatility&class="macro">#x27;] = result_df[&class="macro">#x27;tick_volume&class="macro">#x27;].rolling(class="num">10).std() result_df[&class="macro">#x27;trend_strength&class="macro">#x27;] = result_df[&class="macro">#x27;trend_count&class="macro">#x27;] * result_df[&class="macro">#x27;direction&class="macro">#x27;] # Scale moving averages and volatility ma_columns = [&class="macro">#x27;ma_5&class="macro">#x27;, &class="macro">#x27;ma_20&class="macro">#x27;, &class="macro">#x27;volume_ma_5&class="macro">#x27;, &class="macro">#x27;price_volatility&class="macro">#x27;, &class="macro">#x27;volume_volatility&class="macro">#x27;, &class="macro">#x27;trend_strength&class="macro">#x27;] result_df[ma_columns] = scaler.fit_transform(result_df[ma_columns]) # Add statistical metrics and scale them result_df[&class="macro">#x27;zscore_price&class="macro">#x27;] = stats.zscore(result_df[&class="macro">#x27;close&class="macro">#x27;], nan_policy=&class="macro">#x27;omit&class="macro">#x27;) result_df[&class="macro">#x27;zscore_volume&class="macro">#x27;] = stats.zscore(result_df[&class="macro">#x27;tick_volume&class="macro">#x27;], nan_policy=&class="macro">#x27;omit&class="macro">#x27;) zscore_columns = [&class="macro">#x27;zscore_price&class="macro">#x27;, &class="macro">#x27;zscore_volume&class="macro">#x27;] result_df[zscore_columns] = scaler.fit_transform(result_df[zscore_columns]) class="kw">return result_df, min_price_brick def main(): try: # Initialize MT5 if not mt5.initialize(): print("MetaTrader5 initialization error") class="kw">return # Analysis parameters symbols = ["EURUSD", "GBPUSD"] timeframes = { "M15": mt5.TIMEFRAME_M15 } # 7D analysis parameters params = { "min_spread_multiplier": class="num">45, "volume_brick": class="num">500 } # Date range for data fetching start_date = class="type">class="kw">datetime(class="num">2017, class="num">1, class="num">1) end_date = class="type">class="kw">datetime(class="num">2018, class="num">2, class="num">1) # Analysis for each symbol and timeframe for symbol in symbols: print(f"\nAnalyzing symbol {symbol}")
按品种和周期拆 Renko 数据的目录与取样逻辑
这段 Python 片段干的事很直接：为每一个交易品种建独立的 charts/ 子目录，再往下按周期建二级目录，把后续生成的 7D Renko 数据分门别类丢进去。 symbol_dir = Path('charts') / symbol symbol_dir.mkdir(parents=True, exist_ok=True) 上面两行先拼路径再建目录，parents=True 保证多级路径一次成型，exist_ok=True 避免重复跑脚本时报错中断。 取符号信息时若 symbol_info 返回 None，说明 MT5 终端没加载该品种或连接断了，脚本会打印失败并 continue 跳过，不会让整个循环崩掉。 symbol_info = mt5.symbol_info(symbol) if symbol_info is None: print(f"Failed to get symbol info for {symbol}") continue print(f"Spread: {symbol_info.spread} points") print(f"Tick: {symbol_info.point}") 实跑时你能直接看到点差（points）和最小变动单位（point），这两个数是后面算砖块尺寸的底料。 随后按 timeframes 字典逐个周期处理，每个周期建 tf_dir，调用 create_true_3d_renko 拉数据。若返回 df 非空且 brick_size 非空，会打印如「Created 412 7D bars」「Block size: 0.00015」这类结果——这就是可验证的数据点，你在终端里改 min_spread_multiplier 或 volume_brick 后，砖块数和尺寸会随之变化。 for tf_name, tf in timeframes.items(): tf_dir = symbol_dir / tf_name tf_dir.mkdir(exist_ok=True) df, brick_size = create_true_3d_renko( symbol=symbol, timeframe=tf, start_date=start_date, end_date=end_date, min_spread_multiplier=params["min_spread_multiplier"], volume_brick=params["volume_brick"]) if df is not None and brick_size is not None: print(f"Created {len(df)} 7D bars") print(f"Block size: {brick_size}") 外汇与贵金属波动受杠杆和消息面影响大，点差跳变会直接改砖块粒度，复盘时务必用同一时段的实时点差校准参数。
symbol_dir = Path(&class="macro">#x27;charts&class="macro">#x27;) / symbol symbol_dir.mkdir(parents=True, exist_ok=True) symbol_info = mt5.symbol_info(symbol) if symbol_info is None: print(f"Failed to get symbol info for {symbol}") class="kw">continue print(f"Spread: {symbol_info.spread} points") print(f"Tick: {symbol_info.point}") for tf_name, tf in timeframes.items(): print(f"\nAnalyzing timeframe {tf_name}") tf_dir = symbol_dir / tf_name tf_dir.mkdir(exist_ok=True) print("Getting data...") df, brick_size = create_true_3d_renko( symbol=symbol, timeframe=tf, start_date=start_date, end_date=end_date, min_spread_multiplier=params["min_spread_multiplier"], volume_brick=params["volume_brick"] ) if df is not None and brick_size is not None: print(f"Created {len(df)} 7D bars") print(f"Block size: {brick_size}") print("\nBasic statistics:")
◍ 把行情统计结果落盘并抓异常
这段脚本负责把 7 天 tick 数据跑完后的关键统计打印出来并写文件。平均 tick_volume、平均趋势长度、最大单向趋势长度都会直接输出，方便你快速判断该周期是否处于低波动磨蹭段还是单边延展段。
顺手做了多空比例与量价相关：trend_ratio 用上涨 bar 数除以下跌 bar 数，volume_corr 是 tick_volume 与价格绝对变动的皮尔逊系数。若 ratio 明显偏离 1.0 或 corr 接近 0，说明当前品种在该周期量价驱动逻辑可能偏弱。
数据会存成 {symbol}_{tf_name}_7d_data.csv，后续可用 Excel 或 MT5 外的 Python 环境复算。若 price_volatility 峰值超过均值 3 倍、或 volume_volatility 同样破 3 倍阈值，脚本会打印 WARNING——这类时段外汇与贵金属跳空概率偏高，实盘需降杠杆或回避。
别把 3 倍阈值当铁律
不同品种流动性结构差异大，XAUUSD 的 volume_volatility 尖峰往往比 EURUSD 更频繁，建议先对自己常做的品种跑一周再定阈值。
print(f"Average volume: {df[&class="macro">#x27;tick_volume&class="macro">#x27;].mean():.2f}") print(f"Average trend length: {df[&class="macro">#x27;trend_count&class="macro">#x27;].mean():.2f}") print(f"Max uptrend length: {df[df[&class="macro">#x27;direction&class="macro">#x27;] > class="num">0][&class="macro">#x27;trend_count&class="macro">#x27;].max()}") print(f"Max downtrend length: {df[df[&class="macro">#x27;direction&class="macro">#x27;] < class="num">0][&class="macro">#x27;trend_count&class="macro">#x27;].max()}") # Create visualizations print("\nCreating visualizations...") create_visualizations(df, symbol, tf_dir) # Save data csv_file = tf_dir / f"{symbol}_{tf_name}_7d_data.csv" df.to_csv(csv_file) print(f"Data saved to {csv_file}") # Results analysis trend_ratio = len(df[df[&class="macro">#x27;direction&class="macro">#x27;] > class="num">0]) / len(df[df[&class="macro">#x27;direction&class="macro">#x27;] < class="num">0]) print(f"\nUp/Down bars ratio: {trend_ratio:.2f}") volume_corr = df[&class="macro">#x27;tick_volume&class="macro">#x27;].corr(df[&class="macro">#x27;price_change&class="macro">#x27;].abs()) print(f"Volume-Price change correlation: {volume_corr:.2f}") # Print warnings if anomalies detected if df[&class="macro">#x27;price_volatility&class="macro">#x27;].max() > df[&class="macro">#x27;price_volatility&class="macro">#x27;].mean() * class="num">3: print("\nWARNING: High volatility periods detected!") if df[&class="macro">#x27;volume_volatility&class="macro">#x27;].max() > df[&class="macro">#x27;volume_volatility&class="macro">#x27;].mean() * class="num">3:
「异常量能报警与脚本收尾的容错写法」
这段 MQL5 联动 Python 的收尾代码，核心是在 3D 量柱生成后做异常量能预警，并保证终端一定被关闭。 当检测到异常成交量尖峰时，脚本会直接打印 WARNING 提示，方便你在盯盘时快速定位非常规流动性涌入的时段；若 3D 柱体构建失败，则输出具体品种与周期名称，便于排查是品种不可交易还是周期参数错误。 整个逻辑包在 try-except-finally 里：任何异常都会打印错误栈并调用 traceback，而 finally 中的 mt5.shutdown() 不论成功失败都执行，避免 MT5 终端残留连接占用端口。外汇与贵金属市场高杠杆、流动性突变频繁，这类异常量能提示仅作概率性参考，不代表后续方向。 把这段接在你自己的 3D 量柱脚本末尾，跑一遍 XAUUSD 的 M15，看能否稳定触发 shutdown 且不报端口占用，就能验证容错是否生效。
print("WARNING: Abnormal volume spikes detected!") else: print(f"Failed to create 3D bars for {symbol} on {tf_name}") print("\nAnalysis completed successfully!") except Exception as e: print(f"An error occurred: {e}") class="kw">import traceback print(traceback.format_exc()) finally: mt5.shutdown()
把价格拆成趋势、量与噪声的三维积分
这个公式把任一时刻 t 的货币价格 P(t) 写成初始价 P_0 加上一个指数加权积分，再叠一层随机噪声 N(t)。积分核 A·e^{k(t-u)}·V(u) 里，A 是趋势振幅，k 控制指数速率：k>0 偏多头扩散，k<0 偏空头衰减，V(u) 是历史成交量在 u 时刻的权重。 实际盯盘时，可以把 V(u) 想成「市场愿不愿意为这段趋势买单」。同样大小的 A 和 k，若 V(u) 在近期放大，积分贡献会被显著抬高，价格偏离 P_0 的速度更快；若 V(u) 萎缩，趋势即使存在也像在虚推。
| 把时间、价格、成交量丢进 3D 空间后，曲面的亮度其实在编码价格导数与成交量的联合强度。亮带往往对应 | dP/dt | 与 V 同时走高，意味着一段有量确认的运动正在发生；暗区则多是噪声主导。外汇与贵金属杠杆高，这类亮度信号只提示概率倾斜，不等于方向锁死，开 MT5 用分时成交量叠加权均线可自行验证亮度带与突破的重合度。 |
|---|
◍ 反转时刻的黄色累积带
把 2023 年 4 月 21 日到 8 月 10 日的周线丢进 3D 归一化坐标，看涨趋势在 8 月 10 日终结，坐标底部出现熟悉的黄色累积带。这和 2024 年 9 月 13 日至 10 月 10 日那段日线很像——反转发生在区间中段，黄色沉到下方而非上方。
- 年 8 月 19 日至 30 日仅 12 根日线，趋势精确在中间反身，坐标里黄带依旧贴着底部。7 月 17 日至 8 月 8 日那段，模型在末端提前铺出黄迹，倾向提示反转概率上升。
- 月 14 日至 28 日这段，反转约落在第 8 日前后，黄带回到归一化价格上升侧。多个样本一致显示：黄带位置从顶移底，往往对应下跌转上涨的临界点；外汇与贵金属杠杆高，此类信号仅作概率参考，须结合实时波动验证。
「黄色聚类是反转前的高频信号」
在 3D 柱状图里，黄色成交量-波动率聚类是个值得单独拎出来的现象。我翻了 2022–2024 年超过 40 万根柱子的历史数据，其中约 10 万根是黄色柱，结果 97% 都落在价格反转的正负三根柱范围内。 反转总共约 16.9 万次，但只有 40% 伴随黄色柱出现。也就是说，黄色聚类几乎总在反转旁，但反转不一定非得有它——它更像高概率预警而非充要条件。 趋势运行阶段几乎看不到黄色，只有密集的普通 3D 柱；反转前它才成片冒出来。EURUSD 2017 初涨到 2018 年 2 月、再跌到 2020 年 3 月，两段长期行情的反转前都有黄色聚类抢先站位。 短期也成立。抽 2024 年中几个 2–3 周片段看，每次反转前黄色柱都准时出现。外汇和贵金属波动大、杠杆高，看到聚类先减仓或缩周期验证，别直接反手重仓。
三维视角才刚掀开一角
把价格、成交量、时间叠成 3D 柱状图后，最实用的收获是趋势反转前能看到成交量在柱体里的特征性堆积，以及颜色随动能切换——这在纯 K 线平面里容易被压平看不见。作者用大量历史实例做过验证，这类堆积对即将到来的反转有偏高概率的指示性，但不是确定性信号。 真正落地价值在定量：配套数学模型不止画图，还能给每个三维结构算权重，MT5 配合外部 Python 脚本（文末 ZIP 里的 3D_Bars_Visual.py 约 19.48 KB）就能复现。外汇与贵金属杠杆高、滑点跳空频繁，三维信号也得先上历史数据回测再上实盘。 下一步值得试的是把机器学习接进来自动认 3D 形态，或基于多变量直接出策略。眼下你开 MT5 把成交量维度调出来，对照前几波反转找堆积规律，比空谈多因子更靠前一步。