优化结果的可视化评估·综合运用
（3/3）· 用独立包含文件把多自定义准则和余额/净值图塞进单次优化，省下反复跑测试的时间
「回测图上叠加回归线与统计文字的坑」
在 MT5 自定义回测图表里，余额与净值回归线通过 CurveAdd 分别挂成蓝、红两色，线宽由 widthL 控制；当选择 lineR_BalanceEquity 分支时，会同时加两条曲线，注意代码里 curve2.LinesWidth 被调了两次，curve3 的宽度其实没单独设，复制时容易漏。 图形绘制有个硬顺序：所有 LineAdd / TextAdd 必须放在 CurvePlotAll 之后，否则曲线会把后画的竖线和文字盖掉。源码注释直接标了 Important!!!，这不是客气话。 竖线用 ScaleX(size-1) 映射到 X 轴，坐标从 y=30 到 _height-45，标记的是回测样本末端；文字区从 (70,30) 起按 FontSet 行距排，系数按 i 值走不同精度：i=0/2 用 %.2f，i=1/3 用 %d，其余 %.4f。 最后两行把 STAT_PROFIT_FACTOR 和 STAT_EXPECTED_PAYOFF 写成绿色文字，例如 Profitability = 1.35、Expected payoff = 12.40 这类数字会直接落在图上，开 MT5 跑一遍就能看到实际值。外汇与贵金属回测高风险，数值仅反映历史样本，不代表未来。
CCurve *curve2 = graphic.CurveAdd(LRegressE, ColorToARGB(clrRed), CURVE_LINES, "LineR_Equity"); curve2.LinesWidth(widthL); } class="kw">break; case lineR_BalanceEquity: class=class="str">"cmt">// balance and equity regression line { size = ArraySize(LRegressB); CCurve *curve2 = graphic.CurveAdd(LRegressB, ColorToARGB(clrBlue), CURVE_LINES, "LineR_Balance"); curve2.LinesWidth(widthL); CCurve *curve3 = graphic.CurveAdd(LRegressE, ColorToARGB(clrRed), CURVE_LINES, "LineR_Equity"); curve2.LinesWidth(widthL); } class="kw">break; class="kw">default: class="kw">break; } class=class="str">"cmt">//--- plot curves graphic.CurvePlotAll(); class=class="str">"cmt">// Important!!! All lines and captions must be created after creating the graph; otherwise, the graph will class="kw">override them if(size == class="num">0) { size = ArraySize(LRegressE); if(size == class="num">0) size = ArraySize(LRegressB); } class="type">int x1 = graphic.ScaleX(size - class="num">1); class=class="str">"cmt">//Scales the value of the number of trades along the X axis graphic.LineAdd(x1, class="num">30, x1, _height - class="num">45, ColorToARGB(clrBlue), LINE_END_BUTT); class=class="str">"cmt">// construct the vertical line denoting the end of the Backward period class="type">class="kw">string txt = ""; class="type">int txt_x = class="num">70;class=class="str">"cmt">// text indent along the X axis class="type">int txt_y = class="num">30;class=class="str">"cmt">// text indent along the Y axis graphic.FontSet("Arial", FontSet);class=class="str">"cmt">// Set current font parameters for(class="type">int i = class="num">0; i < size_sort; i++) class=class="str">"cmt">// Write all coefficients and criteria on the chart { if(coeff[i] == class="num">0) class="kw">continue; if(i == class="num">1 || i == class="num">3) txt = StringFormat("%s = %d", EnumToString((sort)i), (class="type">int)coeff[i]); else if(i == class="num">0 || i == class="num">2) txt = StringFormat("%s = %.2f", EnumToString((sort)i), coeff[i]); else txt = StringFormat("%s = %.4f", EnumToString((sort)i), coeff[i]); graphic.TextAdd(txt_x, txt_y + FontSet * i, txt, ColorToARGB(clrGreen)); } txt_y = txt_y + FontSet * (size_sort - class="num">1); txt = StringFormat("Profitability = %.2f", TeSt[STAT_PROFIT_FACTOR]); graphic.TextAdd(txt_x, txt_y + FontSet, txt, ColorToARGB(clrGreen)); txt = StringFormat("Expected payoff = %.2f", TeSt[STAT_EXPECTED_PAYOFF]); graphic.TextAdd(txt_x, txt_y + FontSet * class="num">2, txt, ColorToARGB(clrGreen)); graphic.Update(); class=class="str">"cmt">//--- class="kw">return resource name
◍ 把图表里的位图对象单独导成文件
想在 MT5 里把某个 OBJ_BITMAP 或 OBJ_BITMAP_LABEL 对象单独存成图片，直接对原图截图会带背景，上面这段逻辑的做法是：先建一个隐藏图表，把位图对象复制过去再截，背景就干净了。 函数开头若传入空对象名直接返回 true，不报错；接着用 ObjectGetInteger 取对象类型，只有位图类才继续。复制时给临时对象名拼了 MathRand()，避免与原对象重名冲突。 关键一步是把隐藏图表 CHART_SHOW 设为 false，再用 ChartScreenShot 按对象自身 XSIZE/YSIZE 截出文件。若 FullImage 为 false，还会把原对象的 XOFFSET/YOFFSET 一并设上，只截局部。外汇与贵金属行情波动剧烈，这类脚本仅用于离线分析，实盘前请在策略测试器充分验证。
class="kw">return graphic.ChartObjectName(); } class="type">bool BitmapObjectToFile(class="kw">const class="type">class="kw">string ObjName, class="kw">const class="type">class="kw">string _FileName, class="kw">const class="type">bool FullImage = true) { if(ObjName == "") class="kw">return(true); class="kw">const ENUM_OBJECT Type = (ENUM_OBJECT)ObjectGetInteger(class="num">0, ObjName, OBJPROP_TYPE); class="type">bool Res = (Type == OBJ_BITMAP_LABEL) || (Type == OBJ_BITMAP); if(Res) { class="kw">const class="type">class="kw">string Name = __FUNCTION__ + (class="type">class="kw">string)MathRand(); ObjectCreate(class="num">0, Name, OBJ_CHART, class="num">0, class="num">0, class="num">0); ObjectSetInteger(class="num">0, Name, OBJPROP_XDISTANCE, -class="num">5e3); class="kw">const class="type">long chart = ObjectGetInteger(class="num">0, Name, OBJPROP_CHART_ID); Res = ChartSetInteger(chart, CHART_SHOW, class="kw">false) && ObjectCreate(chart, Name, OBJ_BITMAP_LABEL, class="num">0, class="num">0, class="num">0) && ObjectSetString(chart, Name, OBJPROP_BMPFILE, ObjectGetString(class="num">0, ObjName, OBJPROP_BMPFILE)) && (FullImage || (ObjectSetInteger(chart, Name, OBJPROP_XSIZE, ObjectGetInteger(class="num">0, ObjName, OBJPROP_XSIZE)) && ObjectSetInteger(chart, Name, OBJPROP_YSIZE, ObjectGetInteger(class="num">0, ObjName, OBJPROP_YSIZE)) && ObjectSetInteger(chart, Name, OBJPROP_XOFFSET, ObjectGetInteger(class="num">0, ObjName, OBJPROP_XOFFSET)) && ObjectSetInteger(chart, Name, OBJPROP_YOFFSET, ObjectGetInteger(class="num">0, ObjName, OBJPROP_YOFFSET)))) && ChartScreenShot(chart, FolderName + "\\" + _FileName, (class="type">int)ObjectGetInteger(chart, Name, OBJPROP_XSIZE), (class="type">int)ObjectGetInteger(chart, Name, OBJPROP_YSIZE)); ObjectDelete(class="num">0, Name); } class="kw">return(Res); }
把回归线塞进优化器当裁判
自定义优化准则最好集中放在一个独立的 .mqh 包含文件里，这样画图的脚本和跑优化的 EA 都能直接调用同一套计算，不用各写一遍。实际落地时，我往项目里塞了四个准则：R^2 判定系数、ProfitStability（利润稳定性）、TSSF（交易系统安全系数）和 LinearFactor（线性系数），可惜没加上文献里提到的“复杂标准 max”，因为始终没翻到它的具体算法。 R^2 衡量的是余额或净值曲线贴近线性回归线的程度，值越接近 1 说明曲线越像一条稳定爬升的直线；ProfitStability 则用回归线终点减起点的 TrendProfit 除以 LR 标准误差，比值越高代表“趋势利润”相对回撤噪声越干净。TSSF 沿用 2011 年一篇老文中的安全系数公式：Avg.Win / Avg.Loss 乘上 ((110% - %Win) / (%Win - 10%) + 1)，对胜率和盈亏比同时敏感。 LinearFactor 在某些 EA 上效果极好，算法是 MaxDeviation / EndBalance，其中 MaxDeviation 取每根余额与平均线偏离的绝对值最大值，平均线斜率 K = (EndBalance - StartBalance) / n，n 是测试成交数。作者私下提过这个准则还能再增强，但没在代码里实现。 要提醒的是，不存在一个通吃所有 EA 的通用准则——不同逻辑的策略换不同准则才可能给出更优的遗传优化结果。外汇与贵金属市场高杠杆、高波动，任何准则都只是过滤噪声的辅助，回测漂亮不代表实盘概率占优。 下面这段 Coeff 函数是四个准则的计算核心，用 AlgLib 做线性回归后顺手把 R^2 和 ProfitStability 都算了出来： void Coeff(double& Array[], double& LR[], double& coeff[], double& TeSt[], int total, int c) { //-- Fill the matrix: Y - Array value, X - ordinal number of the value 把余额序列和序号填进矩阵，Y 是余额值，X 是次序 CMatrixDouble xy(total, 2); for(int i = 0; i < total; i++) { xy[i].Set(0, i); xy[i].Set(1, Array[i]); } //-- Find coefficients a and b of the linear model y = a*x + b; 用 AlgLib 求线性回归 y=a*x+b 的 a 和 b int retcode = 0; double a, b; CLinReg::LRLine(xy, total, retcode, b, a); //-- Generate the linear regression values for each X; 按求出的 a、b 生成每条 X 对应的回归线值 ArrayResize(LR, total); for(int x = 0; x < total; x++) LR[x] = x * a + b; if(m_calc == c) { //-- Find the coefficient of correlation of values with their linear regression 算序列与回归线的皮尔逊相关系数 corr = CAlglib::PearsonCorr2(Array, LR); //-- Find R^2 and its sign 平方得 R^2，并按首尾余额方向决定正负号 coeff[r2] = MathPow(corr, 2.0); int sign = 1; if(Array[0] > Array[total - 1]) sign = -1; coeff[r2] *= sign; //-- Find LR Standard Error 计算回归标准误差（自由度 total-2） if(total - 2 == 0) stand_err = 0; else { for(int i = 0; i < total; i++) { double delta = MathAbs(Array[i] - LR[i]); stand_err = stand_err + delta * delta; } stand_err = MathSqrt(stand_err / (total - 2)); } } //-- Find ProfitStability = Profit_LR/stand_err 趋势利润除以标准误差得到利润稳定性 if(stand_err == 0) coeff[ProfitStability] = 0; else coeff[ProfitStability] = (LR[total - 1] - LR[0]) / stand_err; }
| if(TeSt[STAT_PROFIT_TRADES] == 0 | TeSt[STAT_LOSS_TRADES] == 0 | TeSt[STAT_TRADES] == 0) |
|---|
coeff[TSSF] = 0; else {
class="type">void Coeff(class="type">class="kw">double& Array[], class="type">class="kw">double& LR[], class="type">class="kw">double& coeff[], class="type">class="kw">double& TeSt[], class="type">int total, class="type">int c) { class=class="str">"cmt">//-- Fill the matrix: Y - Array value, X - ordinal number of the value CMatrixDouble xy(total, class="num">2); for(class="type">int i = class="num">0; i < total; i++) { xy[i].Set(class="num">0, i); xy[i].Set(class="num">1, Array[i]); } class=class="str">"cmt">//-- Find coefficients a and b of the linear model y = a*x + b; class="type">int retcode = class="num">0; class="type">class="kw">double a, b; CLinReg::LRLine(xy, total, retcode, b, a); class=class="str">"cmt">//-- Generate the linear regression values for each X; ArrayResize(LR, total); for(class="type">int x = class="num">0; x < total; x++) LR[x] = x * a + b; if(m_calc == c) { class=class="str">"cmt">//-- Find the coefficient of correlation of values with their linear regression corr = CAlglib::PearsonCorr2(Array, LR); class=class="str">"cmt">//-- Find R^class="num">2 and its sign coeff[r2] = MathPow(corr, class="num">2.0); class="type">int sign = class="num">1; if(Array[class="num">0] > Array[total - class="num">1]) sign = -class="num">1; coeff[r2] *= sign; class=class="str">"cmt">//-- Find LR Standard Error if(total - class="num">2 == class="num">0) stand_err = class="num">0; else { for(class="type">int i = class="num">0; i < total; i++) { class="type">class="kw">double delta = MathAbs(Array[i] - LR[i]); stand_err = stand_err + delta * delta; } stand_err = MathSqrt(stand_err / (total - class="num">2)); } } class=class="str">"cmt">//-- Find ProfitStability = Profit_LR/stand_err if(stand_err == class="num">0) coeff[ProfitStability] = class="num">0; else coeff[ProfitStability] = (LR[total - class="num">1] - LR[class="num">0]) / stand_err; } if(TeSt[STAT_PROFIT_TRADES] == class="num">0 || TeSt[STAT_LOSS_TRADES] == class="num">0 || TeSt[STAT_TRADES] == class="num">0) coeff[TSSF] = class="num">0; else {
「从回测统计里抠出稳健系数」
这段逻辑干的事，是把历史交易的盈亏分布压成两个可比对的比值：一个是理论安全线，一个是真实表现。先算平均盈利和平均亏损，再用盈利单占比反推一个「teor」理论盈亏比，最后拿真实 avg_win/avg_loss 去除以它，得到 TSSF 系数。 代码里有个硬边界：当 win_perc 落在 10% 附近使得分母为 0 时，直接把 coeff[TSSF] 置 0，避免除零崩脚本。实际跑下来，如果某 EA 的盈利单只有 12%，teor 会飙到 (110-12)/(12-10)+1 = 50，真实比若只有 2，那 TSSF 就只有 0.04，说明这策略的赔率结构极脆弱。 后半段换了个角度：用资金曲线做线性拟合，找最大偏离度。K 是整体斜率，MaxDeviaton 抓的是每根余额点与「起点+斜率×步数」这条理想线的最大绝对差。 LinearFactor 用 1/(MaxDeviaton/Balance[0]) 表达，偏离占初始资金比越小，系数越接近 1，曲线越像稳定爬坡。外汇与贵金属杠杆高，这类系数只反映历史样本，换周期可能失效，验证时务必在 MT5 策略测试器里多跑几个品种。
class="type">class="kw">double avg_win = TeSt[STAT_GROSS_PROFIT] / TeSt[STAT_PROFIT_TRADES]; class="type">class="kw">double avg_loss = -TeSt[STAT_GROSS_LOSS] / TeSt[STAT_LOSS_TRADES]; class="type">class="kw">double win_perc = class="num">100.0 * TeSt[STAT_PROFIT_TRADES] / TeSt[STAT_TRADES]; class=class="str">"cmt">// Calculate the secure ratio for this percentage of profitable deals: if((win_perc - class="num">10.0) + class="num">1.0 == class="num">0) coeff[TSSF] = class="num">0; else { class="type">class="kw">double teor = (class="num">110.0 - win_perc) / (win_perc - class="num">10.0) + class="num">1.0; class=class="str">"cmt">// Calculate the real ratio: class="type">class="kw">double real = avg_win / avg_loss; if(teor != class="num">0) coeff[TSSF] = real / teor; else coeff[TSSF] = class="num">0; } } class="type">class="kw">double MaxDeviaton = class="num">0; class="type">class="kw">double K = (Balance[total - class="num">1] - Balance[class="num">0]) / total; for(class="type">int i = class="num">0; i < total; i++) { if(i == class="num">0) MaxDeviaton = MathAbs(Balance[i] - (Balance[class="num">0] + K * i)); else if(MathAbs(Balance[i] - (Balance[class="num">0] + K * i) > MaxDeviaton)) MaxDeviaton = MathAbs(Balance[i] - (Balance[class="num">0] + K * i)); } if(MaxDeviaton ==class="num">0 || Balance[class="num">0] == class="num">0) coeff[LinearFactor] = class="num">0; else coeff[LinearFactor] = class="num">1 / (MaxDeviaton / Balance[class="num">0]);
◍ 自定义优化准则怎么挑参数
做 EA 优化时，最直观的目标是净值曲线贴近一条向右上的直线，但 MT5 自带的比较只能横向比同一 EA 的不同参数组。交易次数、开仓手数这类维度我基本忽略——一次赚上千和上百次累赚上千，在自定义评分里没区别；不过样本太少时线性回归本身会失真，这点要心里有数。 真正卡死的两项是相对盈利和回撤。相对盈利用净利润除以初始保证金，回撤只看低于余额的最大净值落差，因为高于余额的浮赢根本没落袋，不疼；低于余额的回撤才是实打实的伤。自定义值按升序排，所以从基准里扣掉回撤，数值越高说明回撤越小。 原先的净值采集会漏掉最低点，后来改用两个变量：亏损结束时存最大净值、盈利结束时存最小净值，另一路只存最小净值，采集方式写进 TeSt[41] 交给 equityDD() 算 equity_rel 和 difference_B_E。 把 equity_rel 和 R^2 揉进去，能造出「相对利润*R^2」「相对利润*R^2/标准误差」这类组合。想让某个维度权重更高，就塞一个 ratio 变量。最终凑出 12 个自定义准则，从纯 R^2 到 profit_equity_r2_R 都覆盖。外汇和贵金属杠杆高，回测优的准则实盘也可能因点差滑点失效，验证时务必用真实tick。 下面这段是 equityDD 与组合系数的核心片段，逐行看逻辑： Relative_Prof = TeSt[STAT_PROFIT] / TeSt[STAT_INITIAL_DEPOSIT]; // 相对盈利=净利润/初始保证金 double equityDD(const double & Balance[], const double & Equity[], const double & TeSt[], const double & coeff[], const int total) // 定义回撤计算函数，传入余额、净值、统计数组、系数数组和总长度 { if(TeSt[STAT_INITIAL_DEPOSIT] == 0) return(0); // 初始保证金为0直接返回0避免除零 double Balance_max = Balance[0]; // 初始化历史最高余额 double Equity_min = Equity[0]; // 初始化最低净值 difference_B_E = 0; // 余额减净值的最大落差清零 double Max_Balance = 0; // 临时存最高余额 switch((int)TeSt[41]) // 根据采集方式分支 { case 0: difference_B_E = TeSt[STAT_EQUITY_DD]; // 方式0直接用MT5统计的净值回撤 break; default: for(int i = 0; i < total - 1; i++) // 遍历每根历史 { if(Balance_max < Balance[i]) // 更新历史最高余额 Balance_max = Balance[i]; if(Balance[i] == 10963) Sleep(1); // 调试用断点，可删 if(Balance_max - Equity[i + 1] > difference_B_E) // 若当前落差大于记录值 { Equity_min = Equity[i + 1]; // 刷新最低净值 difference_B_E = Balance_max - Equity_min; // 刷新最大落差 Max_Balance = Balance_max; // 记录当时最高余额 } } break; } return(1 - difference_B_E / TeSt[STAT_INITIAL_DEPOSIT]); // 返回 equity_rel：1减回撤占比 } coeff[c_recovery_factor] = coeff[Profit_Bak] / difference_B_E; // 挽回因子=利润/最大落差 coeff[c_recovery_factor_r2] = coeff[Profit_Bak] / difference_B_E * coeff[r2]; // 挽回因子乘R^2 coeff[profit_r2] = relative_prof * coeff[r2]; // 相对利润乘R^2 if(stand_err == 0) coeff[profit_r2_Err] = 0; // 标准误差为0则商为0 else coeff[profit_r2_Err] = relative_prof * coeff[r2] / stand_err; // 否则算入标准误差 relative_prof + equity_rel + r2; // 占位示意三量相加 coeff[profit_R_equity_r2] = relative_prof * ratio + coeff[equity_rel] + coeff[r2]; // 利润加权 coeff[profit_equity_R_r2] = relative_prof + coeff[equity_rel] * ratio + coeff[r2]; // 回撤加权 coeff[profit_equity_r2_R] = relative_prof + coeff[equity_rel] + coeff[r2] * ratio; // 直线度加权
Relative_Prof = TeSt[STAT_PROFIT] / TeSt[STAT_INITIAL_DEPOSIT]; class="type">class="kw">double equityDD(class="kw">const class="type">class="kw">double & Balance[], class="kw">const class="type">class="kw">double & Equity[], class="kw">const class="type">class="kw">double & TeSt[], class="kw">const class="type">class="kw">double & coeff[], class="kw">const class="type">int total) { if(TeSt[STAT_INITIAL_DEPOSIT] == class="num">0) class="kw">return(class="num">0); class="type">class="kw">double Balance_max = Balance[class="num">0]; class="type">class="kw">double Equity_min = Equity[class="num">0]; difference_B_E = class="num">0; class="type">class="kw">double Max_Balance = class="num">0; class="kw">switch((class="type">int)TeSt[class="num">41]) { case class="num">0: difference_B_E = TeSt[STAT_EQUITY_DD]; class="kw">break; class="kw">default: for(class="type">int i = class="num">0; i < total - class="num">1; i++) { if(Balance_max < Balance[i]) Balance_max = Balance[i]; if(Balance[i] == class="num">10963) Sleep(class="num">1); if(Balance_max - Equity[i + class="num">1] > difference_B_E) { Equity_min = Equity[i + class="num">1]; difference_B_E = Balance_max - Equity_min; Max_Balance = Balance_max; } } class="kw">break; } class="kw">return(class="num">1 - difference_B_E / TeSt[STAT_INITIAL_DEPOSIT]); } coeff[c_recovery_factor] = coeff[Profit_Bak] / difference_B_E; coeff[c_recovery_factor_r2] = coeff[Profit_Bak] / difference_B_E * coeff[r2]; coeff[profit_r2] = relative_prof * coeff[r2]; if(stand_err == class="num">0) coeff[profit_r2_Err] = class="num">0; else coeff[profit_r2_Err] = relative_prof * coeff[r2] / stand_err; relative_prof + equity_rel + r2; coeff[profit_R_equity_r2] = relative_prof * ratio + coeff[equity_rel] + coeff[r2]; coeff[profit_equity_R_r2] = relative_prof + coeff[equity_rel] * ratio + coeff[r2]; coeff[profit_equity_r2_R] = relative_prof + coeff[equity_rel] + coeff[r2] * ratio;
用 profit_equity_R_r2 挑出更平滑的曲线
把两个简单 EA 直接跑出来，结果都没达到预期，于是换用一个会实际下单的 EA 来展示优化效果，EA 名字先隐去。假设时间到了四月底，准备上真仓，核心问题是：用什么优化准则，才更可能在接下来实盘里获利。 启动一次三个月窗口的前向优化，跑完重启终端，用脚本只勾选最优结果。我从所有结果里按视觉挑了前向通测最好的一条，几个候选差不多，最终选了 profit_equity_R_r2，因为这组优化把低回撤放在优先位。 和最大余额、最大复杂度两组比对，profit_equity_R_r2 下的成交笔数明显更少，利润量级接近，但净值曲线平滑得多。这就把自定义准则钉在了 profit_equity_R_r2 上。 回测验证：若过去三个月按 profit_equity_R_r2 优化，再把所得参数用于 4 月 1 日至 5 月 1 日交易，账面约 +750 单位，净值回撤约 300 单位。外汇与贵金属杠杆高，这类前向结果只代表历史窗口概率，不等于未来收益。 再用 fxsaber 的 Validate EA 做四个月的「优化三月+交易一月」压力测试，EA 扛住了；同参数但基于最大复杂度优化的对照图，EA 虽没爆，但曲线难看得多。
「没有万能准则，但准则库已经成型」
实验跑下来一个很实在的结论：不存在哪一种自定义优化准则能通吃所有 EA。同一套数据里，有的系统用最大回撤加权跑出更稳的参数，有的反而靠盈利因子优先才拿到最优解，所谓「独占矛头的超级准则」并不存在。 但我们手里的这一组准则已经覆盖了多数常见逻辑——均值回归、突破跟随、网格加仓各自都有适配项。如果你认可用多准则并行筛选的思路，实际可挑的组合比策略测试器默认那几项宽得多。 外汇与贵金属市场高杠杆、滑点跳空频发，任何优化结果都只是历史样本下的概率倾向，不能直接当成实盘保底。 有测试者提过一嘴：与其让用户啃文档，不如直接把脚本配置摊开。对不想钻细节的人，复制代码改几个输入变量就能在 MT5 里跑，比读原理更快落地。
◍ 把快照优化器挂进自己的EA
这套快照优化逻辑以头文件形式分发，先取附带的 zip 解压，丢进 MQL5 数据目录。终端里走「文件→打开数据文件夹」，在空白处右键选插入，若弹窗问是否覆盖，直接点替换即可。 随后开 MetaEditor 载入你的 EA 做三处改动：OnTick() 内调 IsOnTick()；若已有 OnTradeTransaction() 就在里面接 IsOnTradeTransaction(trans, request, result)；底部补一段包含 OnTester 返回值的代码。改完按编译。 编译报错多是变量名撞车，按提示改个名就能过。外汇与贵金属品种波动剧烈、杠杆风险高，挂上后建议先在策略测试器用历史数据跑一遍确认无异常再上实盘。
class="macro">#include <SkrShotOpt.mqh> class="type">class="kw">double OnTester() {class="kw">return(IsOnTester());} class="type">void OnTradeTransaction(class="kw">const MqlTradeTransaction & trans, class="kw">const class="type">MqlTradeRequest & request,class="kw">const class="type">MqlTradeResult & result) { IsOnTradeTransaction(trans, request, result); }
EA 面板里那几行隐藏开关怎么调
把代码塞进 EA 之后，设置面板会多出几行参数。先说死一条：这些新增项绝对不要勾进优化框，它们不参与遗传优化计算，勾了只会干扰批次还拖慢速度。 写盘门槛有两个实用旋钮。「Write the pass if trades more than」管交易笔数，你的 EA 在单遍回测里狂刷几百单时，调大这个值能砍掉帧数据文件的体量；「Write the pass if profit exceeds %」默认会删亏损通测，想保留高于初始余额某百分比的结果就改它，比如设 5 即只留利润超 5% 的遍次。 「Select equity values」直接决定一批自定义准则能不能算准。要算 equity_rel、c_recovery_factor、profit_r2_Err 这类带权益依赖的项，选 save only min equity；想要和策略测试器里一模一样的权益带图形，选 save min and max equity。 「Custom criterion」设 none 时帧照写不误，但完全不跑准则计算、也不许你按准则筛优；真要按准则挑，就得在这里指名某一个，且别忘了它依赖上一项的权益选取和「Calculate criterion by」的基准切换（余额或净值影响所有含 R^2 的准则）。 脚本侧，「Draw regression line」挑画哪条回归线；「Profit percent more than」卡掉低利润截图省时间；「Only best results」开 true 只存每准则最优帧。Graph 项切 Back separately from Forward（前向从初始余额起）或 Back continued by Forward（前向接回测末尾余额），两种净值轨迹差异在加仓策略里能差出整段曲线形态。