🧩
MQL5 频谱分析程序：FFT 与图形对象面板
FFT频谱分析图形对象
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。
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)。
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
}
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。
坑
⚠ 频谱分析的现实约束
1) 长度必须是 2 的幂：固定 1024 点，非 2 的幂的数据要补零（zero-padding），补零会引入边界效应。2) 边界效应：序列首尾不连续会在频谱产生泄漏，可加窗（Hanning 等）缓解。3) 噪声：真实价格含强噪声，低频峰值才可信，高频尖峰常是噪声。4) 指标会改图表属性（隐藏网格、固定最小 0），应在独立窗口加载，移除时自动恢复。5) 本文只算功率谱和显示，未内置“自动反推周期并交易”的逻辑，需自行扩展。
常见问题
能作为参考，但不能直接信。频谱峰值告诉你“历史上这段序列里最强的周期性约多长”，但市场状态会变，过去的周期不一定延续。实务上把它当过滤/确认工具（比如只在周期共振时持仓），且要配合其他信号，别单靠它下单。
幅度谱通常取 sqrt(re²+im²)，功率谱取 re²+im²。文章直接算平方得到功率谱，差别只是量纲（功率 vs 振幅），对“找哪个频率最强”的排序结论一致。若要和教科书幅度对比再开方即可。
FFT（基 2）要求长度正好 2 的幂。数据长度不够就补零到最近的 2 的幂（如 1024），多了就截断或分段。补零不会增加真实信息，但会让频率栅格更密；同时要注意补零带来的边界效应，必要时先加窗函数。