数据科学和机器学习（第 35 部分）：MQL5 中的 NumPy 用更少代码制作复杂算法的艺术·进阶篇
「用 NumPy 接口在 MT5 里跑数组运算」
MT5 的 Python 环境里直接调 NumPy，能把 K 线数组当矩阵算，不用自己写循环。下面这段把两个数组 a、b 做了减、乘、除，还对 a 做了平方、开方、对数等变换，输出会直接打印在终端。 外汇和贵金属波动非线性，用 np.log1p 处理收益率能压住极端跳空带来的数值畸变，但高杠杆下仍属高风险，结果只代表历史数组关系。 复制进 MT5 的 Python 脚本，先定义 a、b 为等长序列（例如 close[0:10] 与 close[10:20]），跑完看 Print 输出，验证各函数返回维度是否一致。
Print("np.subtract: ",np.subtract(a, b)); Print("np.multiply: ",np.multiply(a, b)); Print("np.divide: ",np.divide(a, b)); Print("np.power: ",np.power(a, class="num">2)); Print("np.sqrt: ",np.sqrt(a)); Print("np.log: ",np.log(a)); Print("np.log1p: ",np.log1p(a));
◍ 给向量矩阵做统计量的封装思路
在特征工程里，均值、方差、标准差这些量值比加减乘除更能说明一段行情的分布特征。MT5 自带的 vector 和 matrix 类型已经内置了统计方法，直接调就能拿到结果，不需要自己写循环。 为了贴近 NumPy 的使用习惯，可以把这些内置方法再包一层，统一成 sum / mean / var / std / median 等短名函数，并支持按轴（AXIS_VERT 默认）计算。这样在写机器学习类指标时，代码读起来更顺。 下面这段封装覆盖了合计、算术平均、方差、标准差、中位数，以及百分位、分位、累积和、累积乘积。注意 percentile 和 quantile 接收的是 int 型参数，实际调用时按 0–100 或分位整数传入，返回 double 或 vector。 外汇与贵金属波动剧烈，用这些统计量做归一化或阈值判断时，样本窗口过短可能放大噪声，建议先在 MT5 策略测试器里用不同窗口长度跑一遍分布。
class="type">class="kw">double sum(const vector& v) { class="kw">return v.Sum(); } class="type">class="kw">double sum(const matrix& m) { class="kw">return m.Sum(); }; vector sum(const matrix& m, ENUM_MATRIX_AXIS axis=AXIS_VERT) { class="kw">return m.Sum(axis); }; class="type">class="kw">double mean(const vector& v) { class="kw">return v.Mean(); } class="type">class="kw">double mean(const matrix& m) { class="kw">return m.Mean(); }; vector mean(const matrix& m, ENUM_MATRIX_AXIS axis=AXIS_VERT) { class="kw">return m.Mean(axis); }; class="type">class="kw">double var(const vector& v) { class="kw">return v.Var(); } class="type">class="kw">double var(const matrix& m) { class="kw">return m.Var(); }; vector var(const matrix& m, ENUM_MATRIX_AXIS axis=AXIS_VERT) { class="kw">return m.Var(axis); }; class="type">class="kw">double std(const vector& v) { class="kw">return v.Std(); } class="type">class="kw">double std(const matrix& m) { class="kw">return m.Std(); }; vector std(const matrix& m, ENUM_MATRIX_AXIS axis=AXIS_VERT) { class="kw">return m.Std(axis); }; class="type">class="kw">double median(const vector& v) { class="kw">return v.Median(); } class="type">class="kw">double median(const matrix& m) { class="kw">return m.Median(); }; vector median(const matrix& m, ENUM_MATRIX_AXIS axis=AXIS_VERT) { class="kw">return m.Median(axis); }; class="type">class="kw">double percentile(const vector &v, class="type">int value) { class="kw">return v.Percentile(value); } class="type">class="kw">double percentile(const matrix &m, class="type">int value) { class="kw">return m.Percentile(value); } vector percentile(const matrix &m, class="type">int value, ENUM_MATRIX_AXIS axis=AXIS_VERT) { class="kw">return m.Percentile(value, axis); } class="type">class="kw">double quantile(const vector &v, class="type">int quantile_) { class="kw">return v.Quantile(quantile_); } class="type">class="kw">double quantile(const matrix &m, class="type">int quantile_) { class="kw">return m.Quantile(quantile_); } vector quantile(const matrix &m, class="type">int quantile_, ENUM_MATRIX_AXIS axis=AXIS_VERT) { class="kw">return m.Quantile(quantile_, axis); } vector cumsum(const vector& v) { class="kw">return v.CumSum(); }; vector cumsum(const matrix& m) { class="kw">return m.CumSum(); }; matrix cumsum(const matrix& m, ENUM_MATRIX_AXIS axis=AXIS_VERT) { class="kw">return m.CumSum(axis); }; vector cumprod(const vector& v) { class="kw">return v.CumProd(); } vector cumprod(const matrix& m) { class="kw">return m.CumProd(); }; matrix cumprod(const matrix& m, ENUM_MATRIX_AXIS axis=AXIS_VERT) { class="kw">return m.CumProd(axis); };
用 Numpy 风格封装做向量统计
MT5 里直接拿 vector / matrix 跑统计太啰嗦，包一层 Numpy 风格接口能让回测脚本清爽很多。下面这组重载把 average、argmax、min、max、prod、ptp 都桥接到了原生方法，vector 和 matrix 各有一份，matrix 还能传 ENUM_MATRIX_AXIS 指定按行或按列算。 实际跑一段验证最直观：构造 vector z = {1,2,3,4,5}，调 np.sum 得 15、np.mean 得 3.0、np.median 得 3.0。外汇和贵金属波动大，这类聚合值只反映样本区间特征，用于风控或信号平滑时仍属概率参考，杠杆品种高风险不变。 把统计函数收进 CNumpy 后，OnStart 里只留 Print 调用，后续接小布盯盘的逻辑就只用 np.xxx 这一种写法，改参数不用来回翻底层。
class="type">class="kw">double average(const vector &v, const vector &weights) { class="kw">return v.Average(weights); } class="type">class="kw">double average(const matrix &m, const matrix &weights) { class="kw">return m.Average(weights); } vector average(const matrix &m, const matrix &weights, ENUM_MATRIX_AXIS axis=AXIS_VERT) { class="kw">return m.Average(weights, axis); } class="type">ulong argmax(const vector& v) { class="kw">return v.ArgMax(); } class="type">ulong argmax(const matrix& m) { class="kw">return m.ArgMax(); } vector argmax(const matrix& m, ENUM_MATRIX_AXIS axis=AXIS_VERT) { class="kw">return m.ArgMax(axis); }; class="type">ulong argmin(const vector& v) { class="kw">return v.ArgMin(); } class="type">ulong argmin(const matrix& m) { class="kw">return m.ArgMin(); } vector argmin(const matrix& m, ENUM_MATRIX_AXIS axis=AXIS_VERT) { class="kw">return m.ArgMin(axis); }; class="type">class="kw">double min(const vector& v) { class="kw">return v.Min(); } class="type">class="kw">double min(const matrix& m) { class="kw">return m.Min(); } vector min(const matrix& m, ENUM_MATRIX_AXIS axis=AXIS_VERT) { class="kw">return m.Min(axis); }; class="type">class="kw">double max(const vector& v) { class="kw">return v.Max(); } class="type">class="kw">double max(const matrix& m) { class="kw">return m.Max(); } vector max(const matrix& m, ENUM_MATRIX_AXIS axis=AXIS_VERT) { class="kw">return m.Max(axis); }; class="type">class="kw">double prod(const vector &v, class="type">class="kw">double initial=class="num">1.0) { class="kw">return v.Prod(initial); } class="type">class="kw">double prod(const matrix &m, class="type">class="kw">double initial) { class="kw">return m.Prod(initial); } vector prod(const matrix &m, class="type">class="kw">double initial, ENUM_MATRIX_AXIS axis=AXIS_VERT) { class="kw">return m.Prod(axis, initial); } class="type">class="kw">double ptp(const vector &v) { class="kw">return v.Ptp(); } class="type">class="kw">double ptp(const matrix &m) { class="kw">return m.Ptp(); } vector ptp(const matrix &m, ENUM_MATRIX_AXIS axis=AXIS_VERT) { class="kw">return m.Ptp(axis); } class="macro">#include <MALE5\Numpy\Numpy.mqh> CNumpy np; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Script program start function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void OnStart() { class=class="str">"cmt">//--- Statistical functions vector z = {class="num">1,class="num">2,class="num">3,class="num">4,class="num">5}; Print("np.sum: ", np.sum(z)); Print("np.mean: ", np.mean(z)); Print("np.var: ", np.var(z)); Print("np.std: ", np.std(z)); Print("np.median: ", np.median(z));
「用 numpy 式接口扒开向量统计底牌」
在 MT5 的向量环境里，np.percentile(z,75) 与 np.quantile(z,75) 给出的都是 z 序列的第 75 分位值，两者数值等价，只是入参语义一个用百分比一个用概率。 np.argmax 和 np.argmin 返回的是极值所在的下标而非数值，配合 np.max、np.min 才能拿到真实峰谷价，写警报逻辑时别只存了下标忘了取数。 np.cumsum 与 np.cumprod 把逐元素累加、累乘展开成新向量，np.prod 则直接吐出全序列乘积；外汇与贵金属波动具有高杠杆高风险，这类聚合值只反映历史样本特征，对后续走势仅具概率层面的参考。 带权平均用 np.average(z, weights) 显式传向量权重，例如 {0.2,0.1,0.5,0.2,0.01} 会让第 3 个分量主导结果；np.ptp 是极差（max-min），一眼看清该段样本的价格跨度。开 MT5 把下面代码贴进脚本跑一遍，就能核对自己的数据分布。
Print("np.percentile: ", np.percentile(z, class="num">75)); Print("np.quantile: ", np.quantile(z, class="num">75)); Print("np.argmax: ", np.argmax(z)); Print("np.argmin: ", np.argmin(z)); Print("np.max: ", np.max(z)); Print("np.min: ", np.min(z)); Print("np.cumsum: ", np.cumsum(z)); Print("np.cumprod: ", np.cumprod(z)); Print("np.prod: ", np.prod(z)); vector weights = {class="num">0.2,class="num">0.1,class="num">0.5,class="num">0.2,class="num">0.01}; Print("np.average: ", np.average(z, weights)); Print("np.ptp: ", np.ptp(z));
◍ 用随机种子锁住可复现性
NumPy 的 random 子模块从 1.17 版起底层换成 PCG64 生成器，相比 MQL5 自带的 MathRand() 一类函数，它能按指定统计分布抽数，而后者只能给均匀整数，做神经网络初值或样本特征时往往不够用。 训练迭代型模型最怕每次跑结果都不一样，所以先钉死种子是关键一步。下面这行就是把全局随机流固定到 42 这个状态。 在 MT5 里若想对照验证，可先记 MathRand() 的序列，再比同样种子下 NumPy 抽出的正态样本差异；外汇与贵金属数据回测用随机特征时波动放大，属高风险操作，分布不对结论可能完全偏掉。
np.random.seed(class="num">42);
在 MT5 里造一段均匀分布随机数
均匀分布意味着落在区间 [low, high] 内任意点的概率相等，生成时只需把 [0,1] 随机数按线性映射到目标区间。Numpy.mqh 里用 CRandom 结构封装了这件事，再挂到 CNumpy 类下，调用写法和 Python 的 np.random.uniform 几乎一致。 template<typename T> vector uniform(T low, T high, uint size=1) 是核心：先建一个长度为 size 的零向量，再逐位填入 low + (high-low)*rand()/RAND_MAX。rand() 被归一化到 [0,1] 浮点，避免整数截断导致分布偏移。 实际跑一次 np.random.uniform(1,10,10)，日志里吐出十个值，最小 1.939、最大 9.355，散布在 1 到 10 之间无明显聚集——肉眼就能确认均匀性。想验证可自己改 low/high 重跑，看边界是否被触及。 外汇与贵金属行情本身不服从均匀假设，这类随机数多用于蒙特卡洛压力测试或参数扰动，请意识到实盘杠杆下的高风险，分布错觉不等于价格会按此游走。
class="kw">template <class="kw">typename T> vector uniform(T low, T high, class="type">uint size=class="num">1) { vector res = vector::Zeros(size); for (class="type">uint i=class="num">0; i<size; i++) res[i] = low + (high - low) * (rand() / class="type">class="kw">double(RAND_MAX)); class=class="str">"cmt">// Normalize rand() class="kw">return res; } class CNumpy { class="kw">protected: class="kw">public: CNumpy(class="type">void); ~CNumpy(class="type">void); CRandom random; } Print("np.random.uniform: ",np.random.uniform(class="num">1,class="num">10,class="num">10)); class="num">2025.03.class="num">16 class="num">15:class="num">03:class="num">15.102 Numpy np.random.uniform: [class="num">8.906552323984496,class="num">9.274605548265022,class="num">7.828760643330179,class="num">9.355082857753228,class="num">2.218420972319712,class="num">5.772331919309061,class="num">3.76067384868923,class="num">6.096438489944151,class="num">1.93908505508591,class="num">8.107272560808131]