分析交易所价格的二进制代码（第一部分）：技术分析的新视角·综合运用
（3/3）·从单纯涨跌码到神经网络解密，这一篇把散落各篇的二进制读价法收拢成完整工作流
「把比特序列的熵打印出来」
这段收尾代码把前面统计好的 0/1 比例和整体熵直接打到终端，方便你肉眼核对分布是否偏离随机。 ones_ratio 与 zeros_ratio 都按 .2f 保留两位小数输出，若两者长期偏离 0.50 超过 ±0.05，价格方向性可能增强，但外汇与贵金属杠杆高，仍属概率事件而非确定性信号。 最后 mt5.shutdown() 释放 MT5 终端连接，避免脚本退出后残留会话占用端口；主入口用 if __name__ == "__main__" 包裹，保证被 import 时不自动跑主流程。
print(f"Ones ratio: {analysis[&class="macro">#x27;ones_ratio&class="macro">#x27;]:.2f}") print(f"Zeros ratio: {analysis[&class="macro">#x27;zeros_ratio&class="macro">#x27;]:.2f}") print(f"Overall entropy: {analysis[&class="macro">#x27;overall_entropy&class="macro">#x27;]:.2f}") mt5.shutdown() if __name__ == "__main__": main()
二进制切片里跑出来的几组真实信号
把价格切成 0/1 序列后回看，有些模式的出现频次和胜率并不按熵值走。动量串「1010111111」熵 0.72，却在样本周期内出现了 43 次，胜率 44.19%、均盈 -0.01%，但最大盈利 +0.34%、最大回撤 -0.42%——这种负期望样本若卡死回撤阈值，仍可能挤出正贡献。 成交量特征「0111001111」的 1/0 比 70/30，一个月触发 13 次、胜率 46.15%，均回报 -0.06% 却有过 +0.28% 的单笔峰值。零熵的收敛串「0000000000」出现 1625 次，胜率 53.27%、最大盈利 +0.68%，信号量够大，统计上算站得住。 分形「0110000100」11 笔里 63.64% 胜、均盈 +0.14%；波动率「0010001011」仅 2 笔全胜 +0.21%；K线「1010111110」3 笔全胜 +0.04%。混合码「0010000011」12 个信号胜率仅 25%，但最大盈利 +0.33%，说明加一层过滤才用得上。RSI 动量「0010000001」月内 3 次全亏，反而可能当作反向开仓的触发候选。 实操上可先拿分形编码当底仓信号，收敛模式做高频确认，波动率和 K 线模式做 100% 胜率过滤层。外汇与贵金属杠杆高、滑点跳空频繁，上述胜率均来自历史切片，实盘前务必在 MT5 用相同周期重跑一遍校验。
◍ 把三重视角压成0和1喂给CatBoost
二进制模式本质是类别序列，CatBoost 擅长分类数据，正适合拿 0/1 串当特征学市场状态。核心类用滑动窗口取回看周期，预测下一窗口里 1 多还是 0 多。 prepare_features 不只塞原始 0/1，还补了窗口内 1 的个数、末端趋势、与其他编码的相关性。混合编码把方向、成交量、波动性三路视角并成一组比特，相当于二进制版的技术分析三巨头。 train 时故意 shuffle=False。市场模式是依次形成的，不是随机散点，模型在有序序列上的表现才贴近实盘。predict_next_pattern 里我加了置信度输出，实测置信度越高，命中频率倾向越高。 多编码并行跑下来，几种方法预测打架的时候往往比一致更有信息量。模型还抓到过不直观的组合：低波动叠成交量抬升，下一窗口 1 占优的概率偏大——这像是强波动前悄悄建仓的盘面。外汇和贵金属杠杆高，这种信号只作概率参考，别当确定性依据。 下面这段是混合编码与预测输出的关键实现，逐行看逻辑： returns = self.decoder.df['close'].pct_change() // 算收盘价百分比变化，作为动量基线 base_binary = (returns.abs() > 0.0001).astype(int) // 变化绝对值超万分之一记 1，否则 0 方向 = (self.decoder.df['close'] > self.decoder.df['close'].shift(1)).astype(int) // 收盘价高于前一根记 1，得出运动方向比特 volume = (self.decoder.df['tick_volume'] > self.decoder.df['tick_volume'].rolling(self.lookback).mean()).astype(int) // 即时成交量高于回看均值记 1，捕捉放量 volatility = ((self.decoder.df['high'] - self.decoder.df['low']) > (self.decoder.df['high'] - self.decoder.df['low']).rolling(self.lookback).mean()).astype(int) // 真实波幅高于回看均值记 1，标记波动扩张 base_binary = (direction & volume & volatility) // 三路全满足才记 1，得到混合二进制 prediction = self.model.predict_proba(last_window)[0] // 对最新窗口跑概率，取第一类结果 return { 'probability_more_ones': prediction[1], // 下一窗 1 占优的概率 'probability_more_zeros': prediction[0], // 下一窗 0 占优的概率 'prediction': 'More ones' if prediction[1] > 0.5 else 'More zeros', // 过半阈值给粗判 'confidence': max(prediction) // 两类概率最大值当置信度 } 开 MT5 接自己的 tick 数据把 lookback 从 20 调到 50，看低波动+放量组合在黄金 15M 上是不是也给出偏多的 1 概率。
returns = self.decoder.df[&class="macro">#x27;close&class="macro">#x27;].pct_change() base_binary = (returns.abs() > class="num">0.0001).astype(class="type">int) direction = (self.decoder.df[&class="macro">#x27;close&class="macro">#x27;] > self.decoder.df[&class="macro">#x27;close&class="macro">#x27;].shift(class="num">1)).astype(class="type">int) volume = (self.decoder.df[&class="macro">#x27;tick_volume&class="macro">#x27;] > self.decoder.df[&class="macro">#x27;tick_volume&class="macro">#x27;].rolling(self.lookback).mean()).astype(class="type">int) volatility = ((self.decoder.df[&class="macro">#x27;high&class="macro">#x27;] - self.decoder.df[&class="macro">#x27;low&class="macro">#x27;]) > (self.decoder.df[&class="macro">#x27;high&class="macro">#x27;] - self.decoder.df[&class="macro">#x27;low&class="macro">#x27;]).rolling(self.lookback).mean()).astype(class="type">int) base_binary = (direction & volume & volatility) prediction = self.model.predict_proba(last_window)[class="num">0] class="kw">return { &class="macro">#x27;probability_more_ones&class="macro">#x27;: prediction[class="num">1], &class="macro">#x27;probability_more_zeros&class="macro">#x27;: prediction[class="num">0], &class="macro">#x27;prediction&class="macro">#x27;: &class="macro">#x27;More ones&class="macro">#x27; if prediction[class="num">1] > class="num">0.5 else &class="macro">#x27;More zeros&class="macro">#x27;, &class="macro">#x27;confidence&class="macro">#x27;: max(prediction) }
「二进制编码让模型显出不同市感」
把价格运动转成二进制模式喂给神经网络后，不同编码方式确实长出了各自的“脾气”，很像传统技术指标的风格差异。 动量编码最干脆：实测 95% 准确率、F1 分数 0.92，模型几乎能读准趋势惯性；它的预测里下一模式“1 占优”概率到了 95%，这基本是强趋势还将延续的倾向信号。 成交量编码不弱：83% 准确率，精确率与召回率都在 0.83 附近，对大资金痕迹抓得准；预测以 94% 置信度看“1 占优”，和“量能确认趋势”的老经验对得上。 收敛编码给了个意外：同样 83% 准确率，却以 78% 置信度押“0 占优”，和前两者直接矛盾。这类分歧在实盘里往往对应趋势反转概率上升。 混合编码把几种方式叠起来，跑出 91% 准确率、0.92 精确率，也给出“0 占优”75% 概率，和收敛信号相互印证。 我在 EURUSD 真实 1 小时数据上遇到过一次：各方法准确率都高但预测打架，几小时后价格剧烈反转。外汇与贵金属属高风险品种，这种“方法间分歧”值得在 MT5 上自己复验，别当成必然反转依据。 所有指标都来自 1 小时框架，换周期结论可能完全变；尤其接 3D K 线思路时更是另一回事，这里先不展开。
把工具请下神坛
把价格切成 0 和 1 之后，图表不再是曲线，而是一串可读的信息流。动量模式在回测里跑出 95% 的识别准确率，成交量分析 83%，混合方法 91%——这些数字说明表层混沌底下确有秩序，但外汇与贵金属的高杠杆环境里，任何算法都只是概率工具，不是圣杯。 我们确实多了一只耳朵：能听见波动里藏着的二进制低语。可市场太活，精密模型也描不全它的形状，EURUSD 一根新闻影线就能把训练好的权重打穿。 所以别把这堆代码供起来。把它当扳手，拧不动就换角度，继续听、继续改，下一次突破可能就藏在你想都没想过的编码方式里。