pyhon 拥有完整的统计库例如 numpy, pandas, scipy，也可以调用 Google 的人工智能机器学习库 tensorflow，对于作数组统计分析或开发机器学习交易策略，有相当的优势。

mt5 的官方 python 库内部也是调用 numpy 来转换取得的 K 线数组，数组的格式是 K 线的 open time, open price, high price, low price, close price, tick_volume, spread, real_volume。既然 mt5 返回的是 numpy array，后续的数据分析沿用 numpy 丰富的数组处理函数来操作是更加便利。

先写一个简单 python 程序从 mt5 下载个别商品不同周期的 K 线数组，分别以每个月的 csv 档格式先保持于本地便于后续作数据分析。

再写一个简单的 python 统计分析程序，分析从 2017-2020 年过去4年 GBPUSD 1小时 K 的阴阳线比例：

阳线和阴线的百分比分别是 51.06% 和 48.94%，相当接近的比例，所以不管行情如何变化，这个比例如此接近还是有些意外。

再多用 EURUSD 和 USDJPY 再跑一次得到的结果也是非常类似：

回到 GBPUSD 如果把 K 线实体小于 5pips 的 K 线过滤掉再作一次统计：

阳线和阴线的百分比降到 29.09% 和 28.57% 不过比例还是相当接近。

因为 mt5+python 来设计 ea，最大的缺点是无法使用 mt5 强大的 backtest 环境，只能依赖 python 第三方的 backtest 库，所以从 python 的统计结果来写 ea 最好的方式还是回到 mt5 ea 的编程环境。

把上面的统计结果转换成一个交易思维，如果 GPBUSD 1小时 K 线实体大于 5pips 当过去 200 根 K 线的阳线比大于 33% (参考上面统计结果 29.09% 再多一些比例），下空单，期望后续阴阳线比例回归，多单信号则是反向判断。实际编程 mt5 ea 还多加了一些逆势加仓和平仓的技巧，复盘 2020 年得到的复盘结果是：

初始资金 10000 美元，复盘结束增长到 21769，净值增长 117%。结果看起来理想，打开复盘图表，开单的位置其实是不太理想的，能得到这样的结果完全是靠优异的逆势加仓和平仓处理。

虽然预期阴阳线比会回归到历史平均值，这个交易策略最大的问题是，回归前的多空K线大小没有考虑在这个策略统计里。不过透过统计分析来生成策略，还是可以先得到一个较完整的思考模式。

个人提供 MT4/MT5 EA 或 指标定制编程代写服务，有兴趣可透过邮件 boolapi@qq.com 或 QQ 1034612103 联系 (加好友后即可立即留言）