MQL5 频谱分析程序：FFT 与图形对象面板

一、频谱分析在交易中的用途

价格序列可以看作一种信号。对它做傅里叶变换，能得到“哪些周期/频率成分最强”的频谱——也就是找出市场里反复出现的周期性（如某段历史里存在一个约 N 根柱的波动节律）。文章用 FFT 分析移动平均线的脉冲特性，直观展示不同均线的频率响应，帮助你理解指标的滞后与平滑本质。

二、FFT 原理简述

快速傅里叶变换（Cooley-Tukey 基 2）把时域序列转成频域。它要求序列长度为 2 的幂（文章固定用 1024=2^10）。内部用复数（实部 re / 虚部 im）运算，通过“位反转置换 + 蝶形（butterfly）运算”逐级合并，把 O(N²) 的离散傅里叶变换降到 O(N·logN)。

三、MQL5 实现：调用 FFT 函数

文章把 FFT 实现封装在外部函数 realfastfouriertransform（取自 mql4.com），指标只需准备 1024 个输入点再调用。输入可以是外部指标零缓冲的 1024 个值，也可以是 SMA/LWMA 的脉冲（前 N 点为 1、其余 0）来观测其频率特性：

void get_input_data()
  {
   ArrayInitialize(InpData, 0.0);
   switch(InputSource)
     {
      case 0: CopyBuffer(ExtHandle,0,0,ArraySize(InpData),InpData); break;
      case 1: for(i=0;i<3;i++)  InpData[i]=1; break;  // SMA(3) 脉冲
      case 2: for(i=0;i<32;i++) InpData[i]=1; break;  // SMA(32) 脉冲
      case 3: for(i=0;i<12;i++) InpData[i]=12-i; break; // LWMA(12) 脉冲
     }
  }

void fft_calc()
  {
   realfastfouriertransform(InpData, ArraySize(InpData), false); // FFT
   for(i=1;i<ArraySize(Spectrum);i++)
     {
      k=i*2;
      Spectrum[i]=InpData[k]*InpData[k] + InpData[k+1]*InpData[k+1]; // 实部^2+虚部^2 = 功率
     }
   Spectrum[0]=0.0; // 清直流分量
  }

四、幅度谱与显示

FFT 后每个频率点是一对 (re, im)，功率谱 = re²+im²（文章直接计算平方，未开方）。频谱用面板对象（标签/趋势线/矩形）绘制，并提供线性/对数（dB）、振幅/功率四种显示模式。要找“主导周期”，就找功率谱峰值对应的谐波索引 k，周期长度 ≈ 总样本数 / k。

五、坑

六、价格序列做 FFT 的意义

快速傅里叶变换（FFT）把价格序列从「时间域」变到「频率域」，让你看到「哪些周期在价格里最 dominant」。市场常呈现季节性周期（如周内效应、月度节奏），FFT 能把这些隐藏周期挖出来。

注意：金融价格非平稳，直接对原始价格做 FFT 意义不大；通常先取收益率或去趋势后再变换，周期结构才清晰。

七、主周期检测

变换后看频谱的峰值位置，峰值对应的频率倒数就是「主导周期」（如 20 根、60 根）。这些周期可用于择时（在周期低点附近偏多）或验证当前行情是否处于某周期的特定相位。

但周期会漂移，不能刻舟求剑。把 FFT 当成「当前市场节奏的快照」，定期重算，比当成永恒真理更稳。 一个实用技巧是把 FFT 结果和「近期波动率」一起看：低波动期周期更稳定、高波动期周期易被噪音淹没，二者印证时才信周期信号。

八、实现坑：窗函数与采样长度

两大坑：一是采样长度必须是 2 的幂（FFT 要求），且长度要覆盖你关心的最小周期若干倍，太短看不出长周期；二是边界突变会产生频谱泄漏，要用窗函数（汉宁窗等）加权缓解。

九、FFT 与周期交易的结合

检测出主周期后，可直接做「周期择时」：在周期的回踩低位偏多、高位偏空，相当于用市场的节奏感替代主观判断。配合支撑阻力，命中率比盲目跟风高。

但要强调：周期择时赚的是「概率倾斜」，不是每次都对。必须配止损和仓位管理，单笔错了也不伤筋动骨，靠周期优势在样本上累积正期望。

十、小结