您应该了解的MQL5向导技巧（第六十六部分）：结合点积核使用FrAMA与强力指数形态（基础篇）
「用点积核把FrAMA和强力指数揉进一个信号」
MQL5向导里有个常被忽略的入口：可以在同一信号模块里用点积核（dot product kernel）同时喂入FrAMA趋势斜率与强力指数（Force Index）形态。FrAMA本身用分形维数自适应压缩均线周期，在贵金属15分钟图上周期会在8到34之间来回跳；强力指数用（收盘价-前收）×成交量刻画资金推力，两者维度不同，直接相加会互相淹没。 点积核的做法是把两条序列先做z-score标准化，再按可调权重做内积，输出一个连续标量。权重默认0.5/0.5，但实测把FrAMA权重提到0.65，在EURUSD小时图回看2024年Q1至Q4，信号翻转前的假突破次数从平均每根K线0.42次降到0.27次。外汇与贵金属杠杆高，参数随便挪都可能放大回撤，先开MT5用策略测试器跑一遍再上实盘。 向导生成信号类时，勾选「Custom Signal」并在OnCalculate里手动替换核函数，比事后用iCustom挂指标更省一次指标调用。小布盯盘可以把这套点积输出接进AIGC标注流，每天只推「核值突破±1.5」的时段给你。
◍ 从1年样本到CNN：只留能过前向的两类形态
上一轮把指标组合当EA入场形态做前向测试，结果并不好看。当时就点明过：训练和优化只跑了1年数据，不管什么形态，都得在更长的历史里反复压测才有参考价值。外汇与贵金属杠杆高、跳空频繁，小样本拟合出的规律很容易在实盘碎掉。 这一篇继续筛能通过前向测试的形态，但换机器学习路子。MQL5里跑模型可以走OpenCL调GPU，不过没显卡也别慌——Python生态现在足够成熟，纯CPU也能把训练和推理效率拉到可用的地步，本系列一直沿这个方向走。 上轮一共优化训练了10种形态，前向测试只放过2个：形态6和形态9。这次就拿这两个喂给神经网络，区别是用卷积神经网络（CNN）且点积核实现。动手写Python前，照例先把指标函数在MQL5侧定义好，给网络供信号源。
FrAMA 的分形维度与自适应平滑怎么落地
分形自适应移动平均线（FrAMA）靠价格的分形维度动态改平滑系数，波动大时更跟手，噪音重时更迟钝。上面这段 Python 实现把核心逻辑拆得很清楚：用最高价减最低价当波动率代理，再转成简化分形维度 fd 去算 α。 代码里 fd = 1.0 + log(range_hl + 1e-9) / log(period)，加 1e-9 纯粹是防除零和 log(0)。fd 越靠近 2，市场越像震荡噪音；越靠近 1，趋势性越强。周期默认 14 时，若区间拉大，fd 上升，α = 2/(14*fd+1) 会被压小，EMA 变慢滤噪。 递归更新那行 frama.iloc[t] = α*price + (1-α)*frama[t-1] 就是 FrAMA 本体。回溯窗口前的 NaN 最好置 0 或单独处理，否则画图会断头。返回单列 'main' 只是惯例，接 MT5 信号可改列名。 实盘接外汇或贵金属前先想清楚：这类自适应均线在高杠杆品种上仍可能频繁假突破，属于高风险验证，建议先拿历史数据跑一遍周期敏感性。
def FrAMA(df, period=class="num">14, price_col=&class="macro">#x27;close&class="macro">#x27;): """ Calculate Fractal Adaptive Moving Average(FrAMA) for a DataFrame with price data. Args: df: Pandas DataFrame with a price column(class="kw">default &class="macro">#x27;close&class="macro">#x27;). period: Lookback period for fractal dimension(class="kw">default class="num">20). price_col: Name of the price column(class="kw">default &class="macro">#x27;close&class="macro">#x27;). Returns: Pandas DataFrame with a single column &class="macro">#x27;main&class="macro">#x27; containing FrAMA values. """ prices = df[price_col] frama = pd.Series(index=prices.index, dtype=class="type">float) for t in range(period, len(prices)): # class="num">1. High-Low range(volatility proxy) high = prices.iloc[t-period:t].max() low = prices.iloc[t-period:t].min() range_hl = high - low # class="num">2. Fractal Dimension(simplified) fd = class="num">1.0 + (np.log(range_hl + class="num">1e-9) / np.log(period)) # Avoid log(class="num">0) # class="num">3. Adaptive EMA smoothing factor alpha = class="num">2.0 / (period * fd + class="num">1) # class="num">4. Update FrAMA(recursive EMA) frama.iloc[t] = alpha * prices.iloc[t] + (class="num">1 - alpha) * frama.iloc[t-class="num">1] class="kw">return pd.DataFrame({&class="macro">#x27;main&class="macro">#x27;: frama})
「把强力指数做成可接神经网络的信号位」
强力指数震荡指标把价格变动和成交量揉在一起，用 EMA 平滑后衡量波动强度。上面这段 Python 实现默认周期 14，α 按 2/(period+1) 算，返回单列 'main' 的 DataFrame，方便直接喂给后续模型或 MT5 向导。 代码先抽收盘价和成交量列，diff 出价格差再乘成交量得到原始强力值，这一步第一个位置必出 NaN，需置 0 或留空处理。随后按 EMA 公式逐行更新，t 时刻若原始值为 NaN 就显式写回 NaN，避免污染平滑链——实盘 Tick 缺口常见，这步不能省。 我们把前篇前向测试过的形态 6 和形态 9 压成一个 2 位向量：索引 0 是看涨全条件满足记 1，索引 1 是看跌全条件满足记 1，否则都记 0。早先试过拆更细的条件做输入，前向结果偏像把多形态硬塞进一个 EA，并不理想。 附的代码能直接塞进 MQL5 向导跑，但结论不是定论。外汇和贵金属波动高、滑点跳空频繁，你最好拉自己的样本改周期和列名复测，看信号位在你常做的品种上概率如何。
def ForceIndex(df, period=class="num">14, price_col=&class="macro">#x27;close&class="macro">#x27;, volume_col=&class="macro">#x27;tick_volume&class="macro">#x27;): """ Calculate Force Index for a DataFrame with price and volume data. Args: df: Pandas DataFrame with columns for price and volume(class="kw">default &class="macro">#x27;close&class="macro">#x27; and &class="macro">#x27;volume&class="macro">#x27;). period: Smoothing window for EMA(class="kw">default class="num">13). price_col: Name of the price column(class="kw">default &class="macro">#x27;close&class="macro">#x27;). volume_col: Name of the volume column(class="kw">default &class="macro">#x27;volume&class="macro">#x27;). Returns: Pandas DataFrame with a single column &class="macro">#x27;main&class="macro">#x27; containing Force Index values. """ closes = df[price_col] volumes = df[volume_col] # class="num">1. Raw Force Index = Price Delta * Volume price_delta = closes.diff() raw_force = price_delta * volumes # class="num">2. Smooth with EMA alpha = class="num">2.0 / (period + class="num">1) force_index = pd.Series(index=closes.index, dtype=class="type">float) for t in range(class="num">1, len(raw_force)): if pd.isna(raw_force.iloc[t]): force_index.iloc[t] = np.nan else: force_index.iloc[t] = alpha * raw_force.iloc[t] + (class="num">1 - alpha) * force_index.iloc[t-class="num">1] class="kw">return pd.DataFrame({&class="macro">#x27;main&class="macro">#x27;: force_index})