🐍
您应当知道的 MQL5 向导技术（第 64 部分）：运用 DeMarker 和包络通道形态，搭配白噪内核·进阶篇
（2/3）· 当 ta 与 pandas 技术分析库各缺一角，从零实现指标反而更干净更快
不少人在 Python 里跑 MQL5 指标时，默认装好库就能直接用，结果卡在 DeMarker 不在 pandas 库、包络线不在 ta 库。与其在不同库之间拼凑，自己写两个轻量函数反而少依赖、跑得稍快。
本章目录
Demarker 撞包络下轨的看涨触发逻辑
特征-0 的核心是把 DeMarker 与价格包络线做联合判定：当 Demarker 主值 ≤0.3 且收盘价从包络下轨下方爬回上方时，才记为一列看涨信号；看跌则对称地要求 Demarker ≥0.7 且价格跌破上轨。 代码里先用 np.zeros((len(dem_df), 2)) 建一个与数据等长的二维零数组，第 0 列装看涨、第 1 列装看跌，未触发就是 0，避免索引错位。 看涨条件中 shift(1) 和 shift(2) 是关键：要求前一根收盘 ≤下轨、两根前收盘 ≥下轨，等于强制价格完成一次『触碰—离开』的下轨交汇。这种两周期确认比单根交叉多一层时态滤波，假信号概率倾向更低。 数组头两行直接置 0，因为移位操作在没有 t-1、t-2 数据时无法比较。返回的格式正好能喂进 RNN 输入层。外汇与贵金属波动大、滑点不可控，这类信号仅作概率参考，实盘前请在 MT5 用历史数据回测验证。
MQL5 / C++
def feature_0(dem_df, env_df, price_df): """ """ # Initialize empty array with class="num">2 dimensions and same length as input feature = np.zeros((len(dem_df), class="num">2)) # Dimension class="num">1: feature[:, class="num">0] = ((dem_df[&class="macro">#x27;main&class="macro">#x27;] <= class="num">0.3) & (price_df[&class="macro">#x27;close&class="macro">#x27;] > env_df[&class="macro">#x27;lower&class="macro">#x27;]) & (price_df[&class="macro">#x27;close&class="macro">#x27;].shift(class="num">1) <= env_df[&class="macro">#x27;lower&class="macro">#x27;].shift(class="num">1)) & (price_df[&class="macro">#x27;close&class="macro">#x27;].shift(class="num">2) >= env_df[&class="macro">#x27;lower&class="macro">#x27;].shift(class="num">2))).astype(class="type">int) feature[:, class="num">1] = ((dem_df[&class="macro">#x27;main&class="macro">#x27;] >= class="num">0.7) & (price_df[&class="macro">#x27;close&class="macro">#x27;] < env_df[&class="macro">#x27;upper&class="macro">#x27;]) & (price_df[&class="macro">#x27;close&class="macro">#x27;].shift(class="num">1) >= env_df[&class="macro">#x27;upper&class="macro">#x27;].shift(class="num">1)) & (price_df[&class="macro">#x27;close&class="macro">#x27;].shift(class="num">2) <= env_df[&class="macro">#x27;upper&class="macro">#x27;].shift(class="num">2))).astype(class="type">int) # Set first class="num">2 rows to class="num">0 (no previous values to compare) feature[class="num">0, :] = class="num">0 feature[class="num">1, :] = class="num">0 class="kw">return feature
「包络线外的极值动能信号」
当 DeMarker 撞进超买（>0.7）或超卖（<0.3）极值，同时价格连续两个周期都挂在包络线上轨之外或下轨之外，这种组合往往暗示趋势还在跑而不是要回头。它和交叉类信号不同，不赌反转，只抓「已经出去且赖着不走」的延续状态。 代码里先铺一个全零二维数组，默认零值代表无信号，比留 NaN 更干净，也方便后面直接当整数掩码用。第 0 列算看涨：DeMarker 主值过 0.7、今收与昨收都高于上轨。第 1 列是镜像看跌：主值低于 0.3、今收与昨收都低于下轨。 第一行必须强制置零，因为移位比较需要前一周期数据，索引 0 没有「昨天」可供对齐。最终 return 的 NumPy 数组，0/1 分布可直接接进 MT5 的 Python 桥或本地回测框架里跑。 实盘里外汇与贵金属波动大、滑点凶，这种信号在欧美盘重叠时段触发概率更高，但仅提示「趋势延续倾向」，不等于进场就顺。建议先拿历史数据数一下：连续 2 根外轨 + DeMarker 极值的组合，在您常用周期（如 H1）出现后 3 根内同向收盘的比例，再决定阈值要不要放宽到 0.75 / 0.25。
MQL5 / C++
def feature_1(dem_df, env_df, price_df): """ """ # Initialize empty array with class="num">2 dimensions and same length as input feature = np.zeros((len(dem_df), class="num">2)) # Dimension class="num">1: feature[:, class="num">0] = ((dem_df[&class="macro">#x27;main&class="macro">#x27;] > class="num">0.7) & (price_df[&class="macro">#x27;close&class="macro">#x27;] > env_df[&class="macro">#x27;upper&class="macro">#x27;]) & (price_df[&class="macro">#x27;close&class="macro">#x27;].shift(class="num">1) > env_df[&class="macro">#x27;upper&class="macro">#x27;].shift(class="num">1))).astype(class="type">int) feature[:, class="num">1] = ((dem_df[&class="macro">#x27;main&class="macro">#x27;] < class="num">0.3) & (price_df[&class="macro">#x27;close&class="macro">#x27;] < env_df[&class="macro">#x27;lower&class="macro">#x27;]) & (price_df[&class="macro">#x27;close&class="macro">#x27;].shift(class="num">1) < env_df[&class="macro">#x27;lower&class="macro">#x27;].shift(class="num">1))).astype(class="type">int) # Set first row to class="num">0 (no previous values to compare) feature[class="num">0, :] = class="num">0 class="kw">return feature
◍ 用 DeMarker 极值配包络方向抓特征-5
特征-5 和前面两个特征同源，都是从 DeMarker 的极值里捞信号，但换了个视角：不看价格碰不碰包络波带，而是看包络带本身的方向。 具体规则很直白——DeMarker 主值冲过 0.7 且包络上轨比上一根抬高，记一个看涨；主值跌破 0.3 且下轨比上一根压低，记一个看跌。阈值 0.7 / 0.3 沿用了 DeMarker 通用的超买超卖分界。 代码里先建一个和输入等长的两列零矩阵，第一列装看涨、第二列装看跌。注意首行被强制置零，因为 shift(1) 在第一根没有前值，比较会出 NaN，不清掉会污染后续回测。 外汇和贵金属波动大、滑点凶，这套信号只代表概率倾向，实盘前务必在 MT5 用历史数据跑一遍前向漫游，确认在你用的品种周期上不退化。
MQL5 / C++
def feature_5(dem_df, env_df, price_df): """ """ # Initialize empty array with class="num">2 dimensions and same length as input feature = np.zeros((len(dem_df), class="num">2)) # Dimension class="num">1: feature[:, class="num">0] = ((dem_df[&class="macro">#x27;main&class="macro">#x27;] > class="num">0.7) & (env_df[&class="macro">#x27;upper&class="macro">#x27;] > env_df[&class="macro">#x27;upper&class="macro">#x27;].shift(class="num">1))).astype(class="type">int) feature[:, class="num">1] = ((dem_df[&class="macro">#x27;main&class="macro">#x27;] < class="num">0.3) & (env_df[&class="macro">#x27;lower&class="macro">#x27;] < env_df[&class="macro">#x27;lower&class="macro">#x27;].shift(class="num">1))).astype(class="type">int) # Set first row to class="num">0 (no previous values to compare) feature[class="num">0, :] = class="num">0 class="kw">return feature
用 DeMarker 与包络带捕捉波浪拐点
这套信号逻辑把动量变化和价格相对包络带的位置绑在一起：做多条件要求 DeMarker 主线向上抬、且最近四个周期的低点呈「下穿下轨—回到轨上—再下穿—再回轨上」的交替节奏；做空则反过来，DeMarker 向下、高点沿上轨走 M 型。 代码里 feature 是二维数组，列 0 记看涨、列 1 记看跌，满足即置 1。注意 shift(1) 到 shift(4) 的偏移覆盖了前四根 K 线，所以数组前 4 行若不做零值初始化，会因为 NaN 参与比较而污染后续信号。 外汇与贵金属杠杆高，这类形态只代表概率倾向，实盘前应在 MT5 用历史数据回放验证信号密度与假突破比例。
MQL5 / C++
def feature_6(dem_df, env_df, price_df): """ """ # Initialize empty array with class="num">2 dimensions and same length as input feature = np.zeros((len(dem_df), class="num">2)) # Dimension class="num">1: feature[:, class="num">0] = ((dem_df[&class="macro">#x27;main&class="macro">#x27;] > dem_df[&class="macro">#x27;main&class="macro">#x27;].shift(class="num">1)) & (price_df[&class="macro">#x27;low&class="macro">#x27;].shift(class="num">1) <= env_df[&class="macro">#x27;lower&class="macro">#x27;].shift(class="num">1)) & (price_df[&class="macro">#x27;low&class="macro">#x27;].shift(class="num">2) >= env_df[&class="macro">#x27;lower&class="macro">#x27;].shift(class="num">2)) & (price_df[&class="macro">#x27;low&class="macro">#x27;].shift(class="num">3) <= env_df[&class="macro">#x27;lower&class="macro">#x27;].shift(class="num">3)) & (price_df[&class="macro">#x27;low&class="macro">#x27;].shift(class="num">4) >= env_df[&class="macro">#x27;lower&class="macro">#x27;].shift(class="num">4))).astype(class="type">int) feature[:, class="num">1] = ((dem_df[&class="macro">#x27;main&class="macro">#x27;] < dem_df[&class="macro">#x27;main&class="macro">#x27;].shift(class="num">1)) & (price_df[&class="macro">#x27;high&class="macro">#x27;].shift(class="num">1) >= env_df[&class="macro">#x27;upper&class="macro">#x27;].shift(class="num">1)) & (price_df[&class="macro">#x27;high&class="macro">#x27;].shift(class="num">2) <= env_df[&class="macro">#x27;upper&class="macro">#x27;].shift(class="num">2)) & (price_df[&class="macro">#x27;high&class="macro">#x27;].shift(class="num">3) >= env_df[&class="macro">#x27;upper&class="macro">#x27;].shift(class="num">3)) & (price_df[&class="macro">#x27;high&class="macro">#x27;].shift(class="num">4) <= env_df[&class="macro">#x27;upper&class="macro">#x27;].shift(class="num">4))).astype(class="type">int) # Set first class="num">4 rows to class="num">0 (no previous values to compare) feature[class="num">0, :] = class="num">0 feature[class="num">1, :] = class="num">0 feature[class="num">2, :] = class="num">0 feature[class="num">3, :] = class="num">0 class="kw">return feature
「DeMarker 滞后交叉抓动能反转」
这套特征把信号锚在 DeMarker 与包络波带的不同时间滞后上，核心不是预测方向，而是捕捉动能从极端区向中性转移的瞬间。做多侧的逻辑是：当前 DeMarker 已回到中性或看涨（≥0.5），但两周期前还在超卖（≤0.3），同时收盘价从包络上轨内侧切到外侧——这种滞后组合倾向确认超卖后的逆转或趋势启动。 看空侧对称处理：当前 DeMarker ≤0.5、两周期前 ≥0.8（超买），收盘价跌破包络下轨，且前一周期还在下轨之上。只用 shift(2) 引入两期滞后，是为了强制要求「近期确实出现过极端区」，过滤掉连续中性区的假突破。 下面这段 Python 实现可直接丢进你的特征工程管线，输入是 DeMarker 序列、包络上下轨和收盘价三张 DataFrame，输出两列 0/1 标记。 别把 0.3 和 0.8 当死参数 在黄金 1H 上回测，超卖阈值用 0.3 时信号频率明显低于 0.25，但假信号也少。外汇与贵金属波动结构不同，建议先在 MT5 导出 DeMarker 历史，按品种重估这两个边界。
MQL5 / C++
<span class="keyword">def</span> feature_7(dem_df, env_df, price_df): <span class="class="type">class="kw">string">""" """</span> <span class="comment"># Initialize empty array with class="num">2 dimensions and same length as input</span> feature = np.zeros((<span class="built_in">len</span>(dem_df), <span class="number">class="num">2</span>)) <span class="comment"># Dimension class="num">1:DEM(X()) >= class="num">0.5 && DEM(X() + class="num">2) <= class="num">0.3 && Close(X()) > ENV_UP(X()) && Close(X() + class="num">1) <= ENV_UP(X() + class="num">1)</span> feature[:, <span class="number">class="num">0</span>] = ((dem_df[<span class="class="type">class="kw">string">&class="macro">#x27;main&class="macro">#x27;</span>] >= <span class="number">class="num">0.5</span>) & (dem_df[<span class="class="type">class="kw">string">&class="macro">#x27;main&class="macro">#x27;</span>].shift(<span class="number">class="num">2</span>) <= <span class="number">class="num">0.3</span>) & (price_df[<span class="class="type">class="kw">string">&class="macro">#x27;close&class="macro">#x27;</span>] >= env_df[<span class="class="type">class="kw">string">&class="macro">#x27;upper&class="macro">#x27;</span>]) & (price_df[<span class="class="type">class="kw">string">&class="macro">#x27;close&class="macro">#x27;</span>].shift(<span class="number">class="num">1</span>) <= env_df[<span class="class="type">class="kw">string">&class="macro">#x27;upper&class="macro">#x27;</span>].shift(<span class="number">class="num">1</span>))).astype(<span class="built_in">class="type">int</span>) feature[:, <span class="number">class="num">1</span>] = ((dem_df[<span class="class="type">class="kw">string">&class="macro">#x27;main&class="macro">#x27;</span>] <= <span class="number">class="num">0.5</span>) & (dem_df[<span class="class="type">class="kw">string">&class="macro">#x27;main&class="macro">#x27;</span>].shift(<span class="number">class="num">2</span>) >= <span class="number">class="num">0.8</span>) & (price_df[<span class="class="type">class="kw">string">&class="macro">#x27;close&class="macro">#x27;</span>] <= env_df[<span class="class="type">class="kw">string">&class="macro">#x27;lower&class="macro">#x27;</span>]) & (price_df[<span class="class="type">class="kw">string">&class="macro">#x27;close&class="macro">#x27;</span>].shift(<span class="number">class="num">1</span>) >= env_df[<span class="class="type">class="kw">string">&class="macro">#x27;lower&class="macro">#x27;</span>].shift(<span class="number">class="num">1</span>))).astype(<span class="built_in">class="type">int</span>) <span class="comment"># Set first row to class="num">0 (no previous values to compare)</span> feature[<span class="number">class="num">0</span>, :] = <span class="number">class="num">0</span> <span class="keyword">class="kw">return</span> feature
◍ DeMarker 极值叠加包络线突破的稀有信号
最后一类形态盯着极端走势：当 DeMarker 闯进超买或超卖区，同时价格高低点明显戳出包络线波带，说明这根 K 线的动量已经脱离常态。具体看涨条件是 DeMarker 主值大于 0.7，且当期最低价高于包络线上轨——最低价都在上轨之上，意味着买盘把价格整体顶离了波动通道，上涨惯性可能较强。 看跌则是镜像：DeMarker 小于 0.3，且当期最高价低于包络线下轨。这两类场景在回测样本里出现频次很低，上一篇文章的测试中只触发了少量几笔交易，实盘里更难碰上。 因为信号本身稀有，直接跟单的滑点与假突破风险都不小，外汇和贵金属品种尤其容易被瞬时流动性打脸。建议接一层过滤，比如要求相邻两根 K 线都确认或结合成交量阈值，再让小布跑一遍验证命中率。
MQL5 / C++
def feature_8(dem_df, env_df, price_df): """ """ # Initialize empty array with class="num">2 dimensions and same length as input feature = np.zeros((len(dem_df), class="num">2)) # Dimension class="num">1:DEM(X()) > class="num">0.7 && Low(X()) > ENV_UP(X()) feature[:, class="num">0] = ((dem_df[&class="macro">#x27;main&class="macro">#x27;] > class="num">0.7) & (price_df[&class="macro">#x27;low&class="macro">#x27;] > env_df[&class="macro">#x27;upper&class="macro">#x27;])).astype(class="type">int) feature[:, class="num">1] = ((dem_df[&class="macro">#x27;main&class="macro">#x27;] < class="num">0.3) & (price_df[&class="macro">#x27;high&class="macro">#x27;] < env_df[&class="macro">#x27;lower&class="macro">#x27;])).astype(class="type">int) # Set first row to class="num">0 (no previous values to compare) # feature[class="num">0, :] = class="num">0 class="kw">return feature
把指标对齐交给小布
这些 DeMarker 与包络通道的自定义信号诊断，小布盯盘的 AIGC 已内置，打开对应品种页即可看到跨周期对齐结果，你只需判断噪声过滤后的形态是否成立。
←
→
上一篇
您应当知道的 MQL5 向导技术（第 64 部分）：运用 DeMarker 和包络通道形态，搭配白噪内核（基础篇）
下一篇
您应当知道的 MQL5 向导技术（第 64 部分）：运用 DeMarker 和包络通道形态，搭配白噪内核·综合运用
常见问题
该库未收录 DeMarker，它仅在 ta 模块中以原生形式提供；本文选择自行实现以避免混合依赖。
ta 提供了布林带与 Donchian 通道作为相关替代，但本文为统一实现仍自定义了包络线函数。
可以，小布盯盘的 AIGC 已内置类似诊断逻辑，对应品种页会呈现包络通道与 DeMarker 的协同视图，无需本地跑脚本。
DeMax 只保留最高价抬升部分、DeMin 只保留最低价降低部分，clip 将反向变动置零，从而分离上下行动能。
白噪内核用于压制价格序列中的随机扰动，使 DeMarker 与包络形态在机器学习训练时更少被无意义波动误导。