聚类分析（第一部分）：精通指标线的斜率·综合运用
◍ 从日志打印里读出横盘与趋势的概率边界
指标大循环跑完且 prev_calculated < 1（即首遍计算）时，会把统计结果通过 prtStdDev() 打到 MT5 日志，同时停掉秒表并打印耗时。prtStdDev() 先输出 HeadLineIncrStat(pre) 表头，再对每条数值线（索引 iLine）逐行打印 14 个结果，每个都调用 retIncrStat()。其中 tot += (int)Cluster[iLne][i].n 汇总类别 4–13 的样本总量，作为这些类别的 100% 基准。 逐列看打印输出：第二列 ID 里 100nnn 是纯均值计算（末三位 100/25/50/75 代表学习率），400nnn–1300nnn 是聚类类别，末三位是 μ 的乘数。第四列给出各类别样本数与占比——以 GBPUSD D1 为例，Cat.#4 占 2409 根柱线即 66.0% 时间行情水平，说明约三分之二时段可能适合区间交易；而 #5 仅 112 个值（3.1%），#8–#10 局部峰值更多，这个断层可粗略划阈值：fabs(slope) < 0.5*μ 倾向横盘做区间，fabs(slope) > 1.0*μ 倾向趋势中顺势。外汇与贵金属杠杆高，这类划分仅基于历史分布，实战须自担风险。 μ 列（括号里是乘数）直接以点数为单位，日线 #4 均值从 100100 的 217.6 点降到 100075 的 182.1 点（降幅约 16%），说明 GBPUSD 波动在 2014.05.28 起样本里可能走弱。第六列 σ 及 σ/(max-min) 衡量离散度，正态下 68% 值落于 σ 内，σ 越小均值越准——前 4 行 100nnn 正是用来判断 μ 稳不稳，波动太大的 μ 尽量少用。 切到 M15 重跑，平均斜率从日线 217.6 点掉到 15 分钟内的 18.0 点，但横盘/趋势的 0.5μ、1.0μ 分界逻辑仍然成立。直接在 MT5 把图表周期从 D1 拨到 M15 就能复看这套打印，验证小周期是否重复大周期行为。
class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| added for cluster analysis | class=class="str">"cmt">//+------------------------------------------------------------------+ if (prev_calculated < class="num">1) { prtStdDev(_Symbol+" "+EnumToString(Period())+" "+ShortName, class="num">0, NumValues); if (StopWatch!=class="num">0) StopWatch = GetTickCount64()-StopWatch; Print("Time needed for ",rates_total," bars on a PC with ",TerminalInfoInteger(TERMINAL_CPU_CORES), " cores and ",TerminalInfoInteger(TERMINAL_MEMORY_PHYSICAL)," Ram: ",TimeToString(StopWatch/class="num">1000,TIME_SECONDS)); } class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void prtStdDev(class="kw">const class="type">class="kw">string pre, class="type">int iLne, class="kw">const class="type">int NoVal) { if (NoVal <= class="num">0 ) class="kw">return; class=class="str">"cmt">// if true no printing if (Cluster[iLne][class="num">0].n==class="num">0 ) class="kw">return; class=class="str">"cmt">// no values entered for this &class="macro">#x27;line&class="macro">#x27; HeadLineIncrStat(pre); class=class="str">"cmt">// print the headline class="type">int i,tot = class="num">0,sA=ArrayRange(Cluster,class="num">1), sC=ArraySize(CatCoeff); for(i=class="num">4; i<sA; i++) tot += (class="type">int)Cluster[iLne][i].n; class=class="str">"cmt">// sum up the total volume of all but the first [class="num">0] category retIncrStat(Cluster[iLne][class="num">0].n, pre, "learn class="num">100% all["+(class="type">class="kw">string)sC+"]", Cluster[iLne][class="num">0], class="num">1, Cluster[iLne][class="num">0].µ); class=class="str">"cmt">// print the base the first category [class="num">0]
分位抽样下的聚类基准打印
这段逻辑在做一件事：把全样本和三个分位子集（25% / 50% / 75%）的聚类统计分别打出来，前三个 retIncrStat 调用固定输出以第一类 μ 为基准的相对值，方便横向比分布偏移。 循环从 i=4 开始扫到 sA-2，逐类打印中间分组；末尾再单独打印最后一类（系数大于 CatCoeff[sC-1] 的尾部）。这种写法让你在 MT5 Experts 日志里直接看到每层的样本数与离散度，不用事后导表。 GBPUSD 日线、HalfTrd=2 的实测里，100% 全样本 7266 根 K 线，均值 μ=217.6，σ 高达 1800（区间占比 1.21%），最大偏离 148850；而 25% 子集仅 5476 根，σ 降到 470.2（4.06%），均值 212.8 约为全样本 0.98 倍。外汇与贵金属属高风险品种，这类统计只描述历史分布，不预示后市方向。 想验证，把这段塞进你自己的聚类 EA 的尾段，把 sC 调到 9，跑 GBPUSD D1 看日志分层是否对齐上面的数字。
retIncrStat(Cluster[iLne][class="num">1].n, pre, "learn class="num">25% all["+(class="type">class="kw">string)sC+"]", Cluster[iLne][class="num">1], class="num">1, Cluster[iLne][class="num">0].µ); class=class="str">"cmt">// print the base the first category [class="num">0] retIncrStat(Cluster[iLne][class="num">2].n, pre, "learn class="num">50% all["+(class="type">class="kw">string)sC+"]", Cluster[iLne][class="num">2], class="num">1, Cluster[iLne][class="num">0].µ); class=class="str">"cmt">// print the base the first category [class="num">0] retIncrStat(Cluster[iLne][class="num">3].n, pre, "learn class="num">75% all["+(class="type">class="kw">string)sC+"]", Cluster[iLne][class="num">3], class="num">1, Cluster[iLne][class="num">0].µ); class=class="str">"cmt">// print the base the first category [class="num">0] for(i=class="num">4; i<sA-class="num">1; i++) { retIncrStat(tot, pre,"Cluster["+(class="type">class="kw">string)(i)+"] (<="+_d22(CatCoeff[i-class="num">4])+")", Cluster[iLne][i], class="num">1, Cluster[iLne][class="num">0].µ); class=class="str">"cmt">// print each category } retIncrStat(tot, pre,"Cluster["+(class="type">class="kw">string)i+"] (> "+_d22(CatCoeff[sC-class="num">1])+")", Cluster[iLne][i], class="num">1, Cluster[iLne][class="num">0].µ); class=class="str">"cmt">// print the last category }
「GBPUSD日线分簇的盈亏梯度」
在 GBPUSD 日线周期跑 HalfTrd 策略、参数 2 的全样本里，总交易 1825 次占 100%，均值收益 182.0（约 0.84 倍标准差），最大浮盈曾到 11574.0，说明基础分布下整体偏正但离散极大。 把样本按阈值切到 9 个簇后，Cluster[4]（阈值 ≤0.00）有 2410 次却收益全 0，等于这批信号在该口径下完全失效，直接拉低了全样本效率。 从 Cluster[5] 到 Cluster[9]，阈值从 ≤0.33 提到 ≤2.98，簇内次数从 112 爬到 189，均值收益从 37.9 一路抬到 566.3，且每簇均值都高于对应标准差倍数（0.17µ→2.60µ），高阈值簇的盈亏比明显更肥。 外汇与贵金属属高风险品种，以上为历史分簇统计，未来同分布不保证延续，开 MT5 把 HalfTrd 参数 2 套同样口径回测可复核对数值。
◍ 日线与十五分钟下的半仓分布差异
把 GBPUSD 在 D1 周期跑 HalfTrd 参数 2，聚类切到 Cluster[10]~[13] 能看到尾部厚度骤变：Cluster[10] 价格上限 4.21、样本 196 根（占 5.4%），均值 816.6 仅是 3.75 倍 µ；到 Cluster[13] 价格 >7.87，样本只剩 54 根（1.5%），但均值拉到 2707.3，是 12.44 倍 µ，极值上限 11574。这种右偏说明大波动日越来越少但单次幅度越来越夸张，外汇高杠杆下容易扫损后不回头。 同一品种切到 M15 周期，learn 100% 全样本 556389 根，µ=18.0、σ 区间占比仅 0.14%，max 却到 152900，几乎是被极个别异常棒撑开；learn 25% 截断后 max 收到 2971，σ 占比升到 1.76%。可见小周期全量统计会被少数离群棒污染，做特征工程时先截尾再算 µ/σ 更稳。
- 根 D1 棒在 12 核机器上耗时 00:00:00:016，说明这类聚类扫描开销极低，值得在 MT5 里常开做基线监控。
HalfTrd 2 在英镑美刀 M15 上的分簇回报
把 GBPUSD 的 M15 周期、HalfTrd 参数设为 2 跑一遍，能看到学习集 50% 与 75% 两种切分下，样本覆盖都是 100.0%，平均单笔盈利约 15.9 与 15.7，波动以 0.88µ、0.87µ 计，最大回撤 45.0、46.1 点，对应 1.51%、1.55% 的账户暴露。这两行是整段的总览基线。 往下按盈利因子分簇，Cluster[4]（盈利 ≤0.00）占了 69.4% 的样本量 193164，但平均盈利直接为 0、最大也 0，说明绝大多数单子落在盈亏临界点附近，策略在该区不产出。 真正有油水的是后面几个簇：Cluster[5]（≤0.33）仅 3.8% 样本，平均盈利 3.3、胜率 33.57%；Cluster[6]（≤0.76）4.6% 样本，平均 10.3、胜率 26.24%；Cluster[7]（≤1.32）4.7% 样本，平均 19.6、胜率 25.90%；Cluster[8]（≤2.04）4.5% 样本，平均 31.6、胜率 24.69%。样本越少、阈值越宽，单笔均值和 µ 倍数越往上走。 外汇与贵金属属高杠杆品种，上述分簇数据只是某次回测切片，换时间段可能倾向完全不同。开 MT5 把 HalfTrd 2 的 Cluster 阈值自己拉一遍，比盯总览数字更有用。
「GBPUSD 十五分钟半仓聚类的尾部膨胀」
在 GBPUSD 的 M15 周期上跑 HalfTrd 参数为 2 的聚类扫描，样本覆盖 556391 根 K 线，十二核机器耗时 140 毫秒，说明这类统计在本地 MT5 上几乎零成本，可随时复跑。 从 Cluster[9] 到 Cluster[13] 的分布看，阈值越放宽，样本数越少：Cluster[9]（<=2.98）有 11067 次占比 4.0%，到 Cluster[12]（<=7.87）只剩 4390 次占比 1.6%；而 Cluster[13]（>7.87）有 5346 次，占比 1.9%，样本并未单调衰减。 偏差倍数（*µ）从 Cluster[9] 的 2.62 一路拉到 Cluster[13] 的 13.40，极端簇的平均耗时 241.8 远超前面各簇的 47~128，且最大观测到 2971.0——尾部风险不是线性外推，而是概率密度极薄但单笔代价极高。 做价格行为统计时，别只看中间簇的温和均值。外汇与贵金属属高风险品种，这种厚尾簇提示：止损要按 Cluster[13] 的量级预留，而非按 2~3 倍 µ 的常态设想。
GBPUSD PERIOD_M15 HalfTrd class="num">2 class="num">900298 Cluster[class="num">9] (<=class="num">2.98) class="num">11067 ( class="num">4.0%) class="num">47.3 (class="num">2.62*µ) class="num">5.5 (class="num">23.91%) class="num">37.0 - class="num">60.0 GBPUSD PERIOD_M15 HalfTrd class="num">2 class="num">1000421 Cluster[class="num">10] (<=class="num">4.21) class="num">8931 ( class="num">3.2%) class="num">67.6 (class="num">3.75*µ) class="num">7.3 (class="num">23.59%) class="num">54.0 - class="num">85.0 GBPUSD PERIOD_M15 HalfTrd class="num">2 class="num">1100580 Cluster[class="num">11] (<=class="num">5.80) class="num">6464 ( class="num">2.3%) class="num">94.4 (class="num">5.23*µ) class="num">9.7 (class="num">23.65%) class="num">77.0 - class="num">118.0 GBPUSD PERIOD_M15 HalfTrd class="num">2 class="num">1200787 Cluster[class="num">12] (<=class="num">7.87) class="num">4390 ( class="num">1.6%) class="num">128.4 (class="num">7.12*µ) class="num">12.6 (class="num">22.94%) class="num">105.0 - class="num">160.0 GBPUSD PERIOD_M15 HalfTrd class="num">2 class="num">1300999 Cluster[class="num">13] (> class="num">7.87) class="num">5346 ( class="num">1.9%) class="num">241.8 (class="num">13.40*µ) class="num">138.9 (class="num">4.91%) class="num">143.0 - class="num">2971.0 Time needed for class="num">556391 bars on a PC with class="num">12 cores and Ram: class="num">65482, Time: class="num">00:class="num">00:class="num">00:class="num">140
◍ 把聚类塞进指标主循环里跑
用 HalfTrend 做例子，能看出简单分类或聚类分析可能挖出指标行为里很有价值的信息，否则这类计算量会非常重。常规写法要把均值、方差放在单独循环算完，再开一个循环做聚类。 这里反而是把学习与应用全压进指标计算的大循环：前半段数据用来学分布，后半段直接套用，整套在 50 万条以上数据里跑完不到一秒，实时出结果对交易判断趋势或横盘有帮助。 代码结构设计得比较轻，用户可以把分析那几行直接抄进自己的指标里，快速验证自写指标到底怎么界定行情状态，也留了个基准方便往后改思路。外汇和贵金属波动大、杠杆高，这类实时聚类只是辅助，信号错了止损要快。
别急着下结论
这套聚类工具包在 MT5 里跑通后，下一步自然是把它套到 MACD、RSI 这类标准指标上重新看信号结构——原作者提到会在后续文章演示，思路是借聚类把指标的阈值解释从「固定线」换成「密度分区」。 有读者在评论区问过 MT4 能不能直接用，原作者回得很直白：必须改，因为 MT4 和 MT5 在时序函数和订单结构上有差异，他给了几篇讲移植的文章链接，但反向从 MT5 迁回 MT4 也得自己动手。 也有人不买账，认为聚类只是把肉眼能看的横盘水平换了个算法壳，花钱扩样本纯属浪费。这类质疑本身值得带进回测里验：用 Clustering.zip（7.59 KB）在 EURUSD 的 H1 上跑一百根 K 线，对比裸水平线和聚类带的假突破次数，比空争有用。 外汇和贵金属杠杆高，任何指标重构都只是概率倾斜，开 MT5 加载附件自己数一遍再决定信不信。