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·进阶篇
「FrAMA与强力指数共振的二元信号构造」
把形态6写成函数，核心是先铺一个全0的二维数组，行数等于输入数据帧长度，两列分别装看涨、看跌信号。全0初始化保证只有条件命中才翻成1，不会在历史上凭空冒出噪声信号。 三个输入帧——FrAMA、强力指数、收盘价——长度必须严格对齐，否则 shift(1)、shift(2) 错位会直接污染信号。代码里用 np.zeros((len(one_df), 2)) 搭好骨架，前两根K线因偏移产生 NaN，所以函数末尾把第0、1行强制置0，避免无效触发。 看涨列的逻辑是：连续3期收盘价站在 FrAMA 上方，且强力指数为正，同时前两期强力指数呈 U 形回升（shift(1) < shift(2)）。看跌列完全对称，价格连续3期在 FrAMA 下方，强力指数为负且近期动量继续向下。 下跌往往比上涨来得快，所以同一套对称条件在牛熊里的命中频率可能差很多。建议先在 MT5 导出的日线或 H1 数据上跑一遍，统计该信号在历史样本里的出现次数，再决定是否值得接进实盘过滤层。外汇与贵金属杠杆高，信号仅作趋势确认参考，不构成方向保证。
def feature_6(one_df, two_df, price_df): """ Generate binary signals based on sustained price-FrAMA alignment and Force Index momentum. Args: one_df: DataFrame with FrAMA values(&class="macro">#x27;main&class="macro">#x27; column). two_df: DataFrame with Force Index values(&class="macro">#x27;main&class="macro">#x27; column). price_df: DataFrame with price data(&class="macro">#x27;close&class="macro">#x27; column). Returns: 2D NumPy array with bullish(column class="num">0) and bearish(column class="num">1) signals. """ feature = np.zeros((len(one_df), class="num">2)) feature[:, class="num">0] = ((price_df[&class="macro">#x27;close&class="macro">#x27;] > one_df[&class="macro">#x27;main&class="macro">#x27;]) & (price_df[&class="macro">#x27;close&class="macro">#x27;].shift(class="num">1) > one_df[&class="macro">#x27;main&class="macro">#x27;].shift(class="num">1)) & (price_df[&class="macro">#x27;close&class="macro">#x27;].shift(class="num">2) > one_df[&class="macro">#x27;main&class="macro">#x27;].shift(class="num">2)) & (two_df[&class="macro">#x27;main&class="macro">#x27;] > class="num">0.0) & (two_df[&class="macro">#x27;main&class="macro">#x27;].shift(class="num">1) < two_df[&class="macro">#x27;main&class="macro">#x27;].shift(class="num">2))).astype(class="type">int) feature[:, class="num">1] = ((price_df[&class="macro">#x27;close&class="macro">#x27;] < one_df[&class="macro">#x27;main&class="macro">#x27;]) & (price_df[&class="macro">#x27;close&class="macro">#x27;].shift(class="num">1) < one_df[&class="macro">#x27;main&class="macro">#x27;].shift(class="num">1)) & (price_df[&class="macro">#x27;close&class="macro">#x27;].shift(class="num">2) < one_df[&class="macro">#x27;main&class="macro">#x27;].shift(class="num">2)) & (two_df[&class="macro">#x27;main&class="macro">#x27;] < class="num">0.0) & (two_df[&class="macro">#x27;main&class="macro">#x27;].shift(class="num">1) < two_df[&class="macro">#x27;main&class="macro">#x27;].shift(class="num">2))).astype(class="type">int) feature[class="num">0, :] = class="num">0 feature[class="num">1, :] = class="num">0 class="kw">return feature
价格与FrAMA、强力指数单周期同向的短线信号
这套逻辑只盯一根K线内的变化：收盘价、FrAMA、强力指数三者同时向上或向下，才记一次信号。相比跨多周期平滑的同类特征，它对短期拐点的反应更快，剥头皮或日内短线用起来更跟手。 三个输入必须行数完全一致——FrAMA数据帧、强力指数数据帧和价格数据帧的索引要对齐，否则 shift(1) 比的是错位数据，信号会整列作废。输出是一个 N×2 的二维数组，第 0 列看涨、第 1 列看跌，分开存互不覆盖。 看涨条件写成：今收 > 昨收 且 今FrAMA > 昨FrAMA 且 今强力指数 > 昨强力指数。三项同步上行代表买盘在价、趋、量能上达成一致，单周期判断让它对即时拉升敏感。看跌反之，三项同步下行捕捉卖压一致性。 因为用了 shift，数组前两行（索引 0 和 1）强制置 0——第一行无前值可比，第二行常因指标预热不足噪音大。回测时建议先统计信号触发频率：外汇与贵金属波动大、噪音多，单周期敏感特征在震荡市可能一天触发十几二十次，过度交易会吃掉点差。把信号画在图上对照量价，确认不是假突破再考虑实盘。
def feature_9(one_df, two_df, price_df): """ Generate binary signals based on single-period momentum alignment of price, FrAMA, and Force Index. Args: one_df: DataFrame with FrAMA values(&class="macro">#x27;main&class="macro">#x27; column). two_df: DataFrame with Force Index values(&class="macro">#x27;main&class="macro">#x27; column). price_df: DataFrame with price data(&class="macro">#x27;close&class="macro">#x27; column). Returns: 2D NumPy array with bullish(column class="num">0) and bearish(column class="num">1) signals. """ feature = np.zeros((len(one_df), class="num">2)) feature[:, class="num">0] = ((price_df[&class="macro">#x27;close&class="macro">#x27;] > price_df[&class="macro">#x27;close&class="macro">#x27;].shift(class="num">1)) & (one_df[&class="macro">#x27;main&class="macro">#x27;] > one_df[&class="macro">#x27;main&class="macro">#x27;].shift(class="num">1)) & (two_df[&class="macro">#x27;main&class="macro">#x27;] > two_df[&class="macro">#x27;main&class="macro">#x27;].shift(class="num">1))).astype(class="type">int) feature[:, class="num">1] = ((price_df[&class="macro">#x27;close&class="macro">#x27;] < price_df[&class="macro">#x27;close&class="macro">#x27;].shift(class="num">1)) & (one_df[&class="macro">#x27;main&class="macro">#x27;] < one_df[&class="macro">#x27;main&class="macro">#x27;].shift(class="num">1)) & (two_df[&class="macro">#x27;main&class="macro">#x27;] < two_df[&class="macro">#x27;main&class="macro">#x27;].shift(class="num">1))).astype(class="type">int) feature[class="num">0, :] = class="num">0 feature[class="num">1, :] = class="num">0 class="kw">return feature
◍ 点积卷积网络怎么替FrAMA形态挑重点
把自适应均线（FrAMA）和强力指数揉进机器学习，最轻量的做法是点积核一维卷积网络。它吃进去的是 [批次, 通道, 序列长度] 的三维张量，吐出来每个样本一个 0 到 1 之间的标量：靠近 0 倾向看跌，靠近 1 倾向看涨。外汇与贵金属杠杆高、跳空频繁，这种概率输出只适合当辅助信号，不能直接当成下单依据。 传统 CNN 的局部感受野容易漏掉长程依赖，而点积注意力让每个时间步都能回头看整条序列。高波动段和平稳段的参考价值不同，注意力分数按输入动态算，模型会自己给混乱行情里的关键 K 线加权重，不必靠堆大卷积核去扩视野。 代码里初始化用 kernel_size=3 算对称填充，保住卷积后序列长度不变；Q、K、V 三个 1×1 卷积本质是逐时间步线性映射。proj 末尾接 Sigmoid，把输出锁死在 [0,1]。 前向传播里注意力矩阵是 Q 转置与 K 做批量矩阵乘得到的 [B, W, W]，再除以序列长度平方根做缩放 Softmax 稳梯度。最后 V 乘回注意力权重，经全局平均池化压成单值——比完整 Transformer 省算力，中等序列长度上跑得动。
class DotProductConv1D(nn.Module): def __init__(self, in_channels=class="num">1, out_channels=class="num">1, kernel_size=class="num">3): super().__init__() self.kernel_size = kernel_size self.padding = kernel_size class=class="str">"cmt">// class="num">2 # Projections for dot product attention(1D convolution) self.query = nn.Conv1d(in_channels, out_channels, kernel_size=class="num">1) self.key = nn.Conv1d(in_channels, out_channels, kernel_size=class="num">1) self.value = nn.Conv1d(in_channels, out_channels, kernel_size=class="num">1) # Output projection to produce a single value per sample self.proj = nn.Sequential( nn.Conv1d(out_channels, class="num">1, kernel_size=class="num">1), nn.AdaptiveAvgPool1d(class="num">1), # Reduce width to class="num">1 (global average pooling) nn.Sigmoid() # Ensures output in [class="num">0, class="num">1] ) def forward(self, x): B, C, W = x.shape # [Batch, Channels, Width] # Compute Q/K/V(all [B, out_channels, W]) q = self.query(x) k = self.key(x) v = self.value(x) # Dot product attention attn = torch.bmm(q.transpose(class="num">1, class="num">2), k) # [B, W, W] attn = F.softmax(attn / (W ** class="num">0.5), dim=-class="num">1) # Scaled softmax # Apply attention to values out = torch.bmm(v, attn.transpose(class="num">1, class="num">2)) # [B, out_channels, W] # Project to [B, class="num">1, class="num">1] and squeeze to [B, class="num">1] out = self.proj(out) # [B, class="num">1, class="num">1] class="kw">return out.squeeze(-class="num">1) # [B, class="num">1]
「有限样本下的前向测试结果」
形态6与形态9都跑通了前向测试，说明这两类特征结构在样本内具备可识别性。但必须点明：本次训练集规模极小，结论的外推性存疑，外汇与贵金属市场高杠杆、高波动，盲信小样本回测极易踩坑。 读者若想确认形态6、形态9是否真有边缘概率优势，应自己在MT5用更大周期、更多品种重跑验证，而不是照搬这份报告当长期依据。 任何形态识别都只是概率倾向，不是确定性信号；样本外的失效风险始终存在。
把工具请下神坛
FrAMA 叠加强力指数震荡指标，再接点积核机器学习模型，这次只跑了形态 6 与形态 9 两种，样本量极小，远谈不上验证充分。外汇与贵金属市场高杠杆、高波动，这类组合策略只代表一种可探索的信号扩展路径，实战胜率仍偏概率性。 除已测的两种外，剩下 8 种形态和同组指标的其它实现方式都还没碰，wz_66.mq5 与 SignalWZ_66.mqh 已放出，66_6.onnx、66_9.onnx 各 29.43 KB，直接丢进 MT5 用向导编译就能复现初步结果。 别把向导生成的 EA 当圣杯，它只是把人工看形态的事交给核函数去算；真要落地，自己换形态编号、调包含文件引用才是正经事。