量化交易软件：实战的策略实用自动交易技术

该 EA 也适用在赫兹量化软件，原因与上一个 EA 相同，因为它更容易看到盈利因子的改善：

添加图片注释，不超过 140 字（可选）

该智能交易系统里的信号是依次生成的。 买入之后是卖出，卖出之后则是买入。 这样做是为了演示该机制的实质。 在第二个测试中，我们采用固定手数，而在第一个测试中采用的是混合手数变化。 从其可见，只有原信号的余额波动最小的情况下，该系统才能改善盈利因子。 该系统将无法承受大浪。

均摊原理

均摊原理是一种相当有趣的算法。 尽管它像网格和金字塔一样无利可图，但它具有一项非常有趣的功能，可以帮助进行波浪交易。 如果已知走势将持续到某个水平，然后必然要回滚一定的点数，则在这种情况下可以使用马丁格尔均摊。 该技术在马丁格尔中特别有效，因为它可令您减少所需的回滚，同时保持盈利因子大于 1.0。

添加图片注释，不超过 140 字（可选）

该原理利用这样的假设：如果价格未如愿朝着我们的持仓方向移动，那么一段时间后，价格无疑会回滚一部分。 这虽非总会发生，但事实上还是有可能，尽管您能够在研究多个品种的波浪性质之后对该算法进行微调。 为了基于这种回调产生盈利，赫兹量化软件需要凭经验对其进行预测或预判。

这也适用于强级别操作，因为当级别被突破后，市场经常会尝试对其进行回踩测试。 如果我们猜对了第一次交易的方向，并且利润达到了期望值，那么我们应平仓，并在看起来更具吸引力的方向上开一笔新仓。 如果价格去往错误方向，则可以通过某些步骤尝试加仓。 在加仓时，我们应当非常小心 - 应该根据预期的回滚，精确完成。 以下是两种可能的示例。

一系列买入订单的示例：

添加图片注释，不超过 140 字（可选）

一系列卖出订单的示例：

添加图片注释，不超过 140 字（可选）

现在，我将展示如何计算所有订单的盈亏，以及如何根据现有情况，基于所需的回滚来计算下一笔订单的手数。 为了扇骨形持仓的平仓，有必要知道为什么要构建扇骨形，以及哪种条件会令它有用。 我将使用盈利因子。 如果扇骨形为正，则其盈利因子也为正。 若是所有订单的总盈利刚刚变为正数，就把扇骨形平仓是不明智的，因为服务器上的任何价格波动或滑点都可能令盈利向负方向偏移 - 在这种情况下，这种扇骨形似乎毫无用处。 此外，周期的盈利因子为激进的均摊提供了额外调整机会，这一条可在优化自动策略或手动搜索设置时用到。

假设系列中的最大订单数有限制。 然后，假设我们正处于某种未知状态下，此处我们已经开立了 k 笔订单 - 像任何集合或数组一样，它们的索引从 0 开始。 因此，该系列中最后一笔订单的索引为 “k-1”。 当我们开立下一笔订单时，其索引将为 k，订单编号为 “k+1”。 我们将这些思想情况转化为问题的输入数据：

• { MaxOrders } - 系列中允许的最大订单数

• { k = 0 ... 1 ... 2 ... (MaxOrders-1) } - 系列中下一笔订单的索引，如果我们未能从之前的方式法获利，其为我们打算开立的订单

• { ProfitFactorMax } - 允许平仓的盈利因子

• { i = 1 ... 1 ... 2 ... k } - 已经存在的扇骨形订单，和我们要开立的下一笔订单的索引

• { S[i-1] } - 从上一笔订单到当前订单的点数距离

• { X[i-1] } - 从系列的零号订单到当前的点数距离

• { D[k] } - 相对于系列最后一笔订单的开单价，预测所需方向上的回滚

另外，可以说，当我们引用特定订单时，MQL4 和 MQL5 语言会提供以下数据，包含我们计算选项所需的所有数据：

• { P[i] } - 在不排除佣金和隔夜利息的情况下，特定订单的利润

• { С[i] } - 选定订单的佣金

• { S[i] } - 所计算订单每天零点时的滚动隔夜利息

• { L[i] } - 订单交易量

• { Sp[i] } - 开买单时的点差/卖单的当前点差

• { TickSize } - 假设持仓量等于 1 手，并且价格朝期望的方向移动了 1 个点，持仓增加的利润

所有这些数值并非都可在自动交易中实际使用，但它们可以高亮示意计算这些数值的所有可能选项。 上图示意其中一些相关的数值，这些数值可以相对于价格进行描述。 赫兹量化软件从代码中使用的最简单计算方法开始：

如果第一笔订单以正值结果平仓，则无需任何操作。 在我们认为适当的任何时候，我们都可顺着所需方向开新单。 如果价格没有达到目标，就已朝反方向移动，那么我们必须决定价格向亏损方向移动多少点就必须开新单（S[k-one]）。 如果价格已达到此水平，那么我们必须决定哪种回滚是合适的 (D [k])。 在那之后，我们必须依据计划的回滚，来判断将要开单的手数；我们得到所需的所有订单的盈利因子大于我们选择的价值 (ProfitFactorMax)。 为此，我们首先需要计算当前持仓将产生哪些利润，以及会产生哪些亏损，最后是它们的合计值。 在编写相应的公式之后，我将在后面解释其目的：

首先，我们引入每笔指定订单的未来利润值。 它等于当前利润加上订单即将盈利的增量，前提是所需的回滚将会发生：

• { j = 0 ... 1 ... 2 ... k-1 }

• { PF[j] = P[j] + С[j] + S[j] + (D[k] * L[j] * TickSize) } - 当所需回滚发生时，指定订单的利润将等于该值

• { PF[k] = { ( D[k] - Spread[k] ) * L[k] * TickSize } - 无法计算此值，因为它包含我们要开仓所需的手数；但是稍后需要用到此表达式

在第一种情况下，P[i] 值是已知的，我们可以利用语言的内置函数来获取它，也可以自行计算。 该计算方法将在本文的末尾附带显示，因为所有内容都可以在标准语言里找到。 出于我们要在系列中开立最后一笔订单，它也需要佣金和隔夜利息，但是这些值只能从以前开立订单中获得。 进而，由于无法断定持仓会否在零点之前移仓，因此无法确定隔夜利息数值。 始终会有不精确的数值。 可以仅选择那些拥有正值隔夜利息的货币对

之后，我们能够利用此预测利润来划分可盈利和亏损的订单，并计算盈利因子：

• { i = 0 ... 1 ... 2 ... k } - 已开单的索引

• { Pr[i] >= 0, Ls[i] >= 0 } - 引入 2 个数组，根据品种接受订单盈亏（“+” 将用于获利，这是计算盈利因子所必需的）

• { PF [i] < 0 ? Pr[i] = 0 & Ls[i] = - PF[i] } - 如果订单利润为负，则将其利润写为 “0”，而利润值应用一个负号写入亏损变量

• { PF [i] > 0 ? Ls[i] = 0 & Pr[i] = PF[i] } - 如果订单获利为正，只需将其写入相应的数组，并在亏损数组中设置零值

数组填充完毕之后，我们可以编写一个公式来计算总盈亏，及其最终结果。

• { SummProfit = Summ[0,k]( PF[i] ) } - 所有获利订单的总利润模块

• { SummLoss = Summ[0,k]( Ls [i] ) } - 所有亏损订单的总亏损模块

现在我们需要编写循环平仓条件：

• { SummLoss > 0 ? SummProfit/SummLoss = ProfitFactorMax }

为了进一步使用该方程式，您需要了解，当扇骨形持仓平仓时，系列中最后一笔订单的利润始终为正。 有基于此，您可以编写：

• { SummProfit = Summ[0,k-1]( PF[j] ) + PF[k] }

将此值代入方程式，并得到以下结果：

• { ( Summ[0,k-1]( PF[j] ) + PF[k] ) / SummLoss = ProfitFactorMax }

现在，通过求解 PF[k] 等式，我们得到：

• { PF[k] = ProfitFactorMax * SummLoss - Summ[0,k-1]( PF[j] ) }

考虑到我们已经有一个 PF[k] 值的公式，我们可在此替换该表达式，并得到：

• { ( D[k] - Spread[k] ) * L[k] * TickSize = ProfitFactorMax * SummLoss - Summ[0,k-1]( PF[j] ) }

现在我们可以相对于 L[k] 求解方程式。 因此，我们最终将获得计算所需开仓量的公式：

• { L[k] = ( ProfitFactorMax * SummLoss - Summ[0,k-1]( PF[j] ) ) / ( ( D[k] - Spread[k] ) * TickSize ) }

这些就是全部了。 现在我们来研究如何在不使用内置函数的情况下计算 P[i] 值。