利用回归衡量度评估 ONNX 模型·进阶篇
📊

利用回归衡量度评估 ONNX 模型·进阶篇

（2/3）· 从 MAE 到 RMSLE 七种衡量度的语义边界与 MQL5 落地，多数人在损失函数和衡量度之间混淆了优化目标与品质准则

实战向 第 2/3 篇
接上篇，我们继续深挖 ONNX 模型在 Metatrader 5 里的回归评估细节。把损失函数当成衡量度来读报告，是实盘前最容易漏掉的一步——优化目标可微不代表预测质量可解释。
本章目录
  1. 模型类的初始化与释放骨架
  2. 新K线与预测分类的底层判定
  3. EURUSD日线10根K线的回归包装类
  4. 给 ONNX 模型喂归一化 OHLC 的实操细节
  5. 反归一化取回预测价格
  6. EURUSD D1 三十根收盘价的回归包装

◍ 模型类的初始化与释放骨架

在 MT5 里封装 ONNX 推理模型，第一步是把句柄生命周期管起来。下面这段基类代码给出了最小可用骨架：取模型名、虚 Init 占位、CheckInit 做符号周期校验并加载模型、Shutdown 释放会话。 CheckInit 会先比对 symbol 和 period 是否和类内成员 m_symbol、m_period 一致，不一致直接 PrintFormat 报错并返回 false。一致时才调用 OnnxCreateFromBuffer 从静态字节数组 model[] 建会话，失败则打印 GetLastError() 后返回 false，成功返回 true。 Shutdown 里判断 m_handle 不是 INVALID_HANDLE 就调 OnnxRelease 并置回无效句柄，避免 EA 重载或退出时显存/内存泄漏。外汇与贵金属行情波动剧烈、杠杆高风险大，这类本地推理模块加载失败时必须阻断后续 OnTick，否则可能用空模型跑出无意义信号。 别把虚 Init 当摆设 基类 Init 默认返回 false，意味着派生类不重写就永远初始化不通过。写自己的黄金 15 分钟模型时，记得在派生类里把权重路径和输入输出张量名填实，否则 CheckInit 过了也跑不出推理。

MQL5 / C++
class="type">class="kw">string GetModelName(class="type">void)
  {
   class="kw">return(m_name);
  }
class="kw">virtual class="type">bool Init(class="kw">const class="type">class="kw">string symbol, class="kw">const ENUM_TIMEFRAMES period)
  {
   class="kw">return(false);
  }
class="type">bool CheckInit(class="kw">const class="type">class="kw">string symbol, class="kw">const ENUM_TIMEFRAMES period,class="kw">const class="type">uchar& model[])
  {
   class=class="str">"cmt">//--- check symbol, period
   if(symbol!=m_symbol || period!=m_period)
     {
      PrintFormat("Model must work with %s,%s",m_symbol,EnumToString(m_period));
      class="kw">return(false);
     }
   class=class="str">"cmt">//--- create a model from class="kw">static buffer
   m_handle=OnnxCreateFromBuffer(model,ONNX_DEFAULT);
   if(m_handle==INVALID_HANDLE)
     {
      Print("OnnxCreateFromBuffer error ",GetLastError());
      class="kw">return(false);
     }
   class=class="str">"cmt">//--- ok
   class="kw">return(true);
  }
class="type">void Shutdown(class="type">void)
  {
   if(m_handle!=INVALID_HANDLE)
     {
      OnnxRelease(m_handle);
      m_handle=INVALID_HANDLE;
     }
  }
class="kw">virtual class="type">bool CheckOnTick(class="type">void)
  {

新K线与预测分类的底层判定

这段 CTestEngine 派生类的代码负责两件事：判定是否进入新Bar，以及把回归预测价转成涨跌分类。外汇与贵金属波动剧烈，任何预测都只是概率倾向，实盘前务必在 MT5 策略测试器核查逻辑。 新Bar检查先用 TimeCurrent() 与 m_next_bar 比较，未到时间直接 return(false) 跳过。到时间后把 m_next_bar 对齐到当前周期整点：减去对周期秒数的取余，再加上一个周期秒数，这样下一根Bar的开盘时刻就锁定了。 PredictPrice 是虚函数桩，默认返回 DBL_MAX 表示无模型可用。真正落地分类在 PredictClass：先把传入时间按周期取整，调 PredictPrice 拿到预测价，若返回 DBL_MAX 则直接 return(-1) 放弃分类。 接着用 CopyClose 取该时间点起两根收盘线，取前一根 prev_price。用 delta = prev_price - predicted_price 衡量偏离，当 fabs(delta) <= m_class_delta 归为 PRICE_SAME，delta<0 为 PRICE_UP，否则 PRICE_DOWN。最后 probabilities 向量清零，仅把命中分类的概率置 1.0——意味着此桩实现是确定性分类，不带模糊概率。

MQL5 / C++
   class=class="str">"cmt">//--- check new bar
   if(TimeCurrent()<m_next_bar)
      class="kw">return(false);
   class=class="str">"cmt">//--- set next bar time
   m_next_bar=TimeCurrent();
   m_next_bar-=m_next_bar%PeriodSeconds(m_period);
   m_next_bar+=PeriodSeconds(m_period);
   class=class="str">"cmt">//--- work on new day bar
   class="kw">return(true);
   }
   class=class="str">"cmt">//+------------------------------------------------------------------+
   class=class="str">"cmt">//| class="kw">virtual stub for PredictPrice(regression model)                |
   class=class="str">"cmt">//+------------------------------------------------------------------+
   class="kw">virtual class="type">class="kw">double PredictPrice(class="type">class="kw">datetime date)
   {
      class="kw">return(DBL_MAX);
   }
   class=class="str">"cmt">//+------------------------------------------------------------------+
   class=class="str">"cmt">//| Predict class (regression ~> classification)                    |
   class=class="str">"cmt">//+------------------------------------------------------------------+
   class="kw">virtual class="type">int PredictClass(class="type">class="kw">datetime date,vector& probabilities)
   {
      date-=date%PeriodSeconds(m_period);
      class="type">class="kw">double predicted_price=PredictPrice(date);
      if(predicted_price==DBL_MAX)
         class="kw">return(-class="num">1);
      class="type">class="kw">double last_close[class="num">2];
      if(CopyClose(m_symbol,m_period,date,class="num">2,last_close)!=class="num">2)
         class="kw">return(-class="num">1);
      class="type">class="kw">double prev_price=last_close[class="num">0];
      class=class="str">"cmt">//--- classify predicted price movement
      class="type">int    predicted_class=-class="num">1;
      class="type">class="kw">double delta=prev_price-predicted_price;
      if(fabs(delta)<=m_class_delta)
         predicted_class=PRICE_SAME;
      else
        {
         if(delta<class="num">0)
            predicted_class=PRICE_UP;
         else
            predicted_class=PRICE_DOWN;
        }
      class=class="str">"cmt">//--- set predicted probability as class="num">1.0
      probabilities.Fill(class="num">0);
      if(predicted_class<(class="type">int)probabilities.Size())
         probabilities[predicted_class]=class="num">1;
      class=class="str">"cmt">//--- and class="kw">return predicted class
      class="kw">return(predicted_class);
   }
   };

「EURUSD日线10根K线的回归包装类」

第一个落地模型叫 model.eurusd.D1.10.onnx，是用 EURUSD 日线连续 10 根 OHLC 价格序列训出来的回归模型，思路和之前公开过的共享项目里的初版一致。 喂给模型前必须把 10 根 OHLC 做标准化：每根序列相对均价的偏离，除以该序列自身标准差。这样序列被压到均值 0、离散度 1 的区间里，训练时的收敛性会明显提升。 下面这段 MQH 是直接在 MT5 里调用该 ONNX 的包装类。构造函数写死品种 EURUSD、周期 PERIOD_D1、样本数 10；Init 里除了校验符号周期，还显式把输入张量形状设成 {1,10,4}——batch 为 1，序列长 10，OHLC 四通道。 外汇与贵金属属高风险品种，模型输出只是概率倾向，实盘前务必在策略测试器里跑一遍验证。

MQL5 / C++
class=class="str">"cmt">//+------------------------------------------------------------------+
class=class="str">"cmt">//|                                                                 ModelEurusdD1_10.mqh |
class=class="str">"cmt">//|                                                    Copyright class="num">2023, MetaQuotes Ltd. |
class=class="str">"cmt">//|                                                                 [MQL5官方文档] |
class=class="str">"cmt">//+------------------------------------------------------------------+
class="macro">#include "ModelSymbolPeriod.mqh"
class="macro">#resource "Python/model.eurusd.D1.class="num">10.onnx" as class="type">uchar model_eurusd_D1_10[]
class=class="str">"cmt">//+------------------------------------------------------------------+
class=class="str">"cmt">//| ONNX-model wrapper class                                                        |
class=class="str">"cmt">//+------------------------------------------------------------------+
class CModelEurusdD1_10 : class="kw">public CModelSymbolPeriod
  {
class="kw">private:
   class="type">int                m_sample_size;
class="kw">public:
   class=class="str">"cmt">//+------------------------------------------------------------------+
   class=class="str">"cmt">//| Constructor                                                                  |
   class=class="str">"cmt">//+------------------------------------------------------------------+
   CModelEurusdD1_10(class="type">void) : CModelSymbolPeriod("EURUSD",PERIOD_D1)
     {
      m_name="D1_10";
      m_sample_size=class="num">10;
     }
   class=class="str">"cmt">//+------------------------------------------------------------------+
   class=class="str">"cmt">//| ONNX-model initialization                                                  |
   class=class="str">"cmt">//+------------------------------------------------------------------+
   class="kw">virtual class="type">bool Init(class="kw">const class="type">class="kw">string symbol, class="kw">const ENUM_TIMEFRAMES period)
     {
      class=class="str">"cmt">//--- check symbol, period, create model
      if(!CModelSymbolPeriod::CheckInit(symbol,period,model_eurusd_D1_10))
        {
         Print("model_eurusd_D1_10 : initialization error");
         class="kw">return(false);
        }
      class=class="str">"cmt">//--- since not all sizes defined in the class="kw">input tensor we must set them explicitly
      class=class="str">"cmt">//--- first index - batch size, second index - series size, third index - number of series(OHLC)
      class="kw">const class="type">long input_shape[] = {class="num">1,m_sample_size,class="num">4};
      if(!OnnxSetInputShape(m_handle,class="num">0,input_shape))
        {
         Print("model_eurusd_D1_10 : OnnxSetInputShape error ",GetLastError());
         class="kw">return(false);
        }

◍ 给 ONNX 模型喂归一化 OHLC 的实操细节

加载 EURUSD D1 的 ONNX 模型时，输出张量不会自动带全维度，必须手动指定形状。代码里用 output_shape[] = {1,1} 表示批次为 1、预测价格数为 1，且批次维度必须和输入张量一致，否则 OnnxSetOutputShape 会返回 false 并打印错误码。 预测函数里先静态开好 input_data(m_sample_size,4) 和 output_data(1)，其中 m_sample_size 是回看窗口长度。从 MT5 拷最近 m_sample_size 根日线 OHLC 到 rates 矩阵，注意 date-=date%PeriodSeconds(m_period) 把时间对齐到周期起点，避免跨周期取错 bar。 归一化按列做：先 rates.Mean(1) 和 rates.Std(1) 拿到每列（O/H/L/C）的均值与标准差，铺成 mm、ms 两个同形矩阵，再把 rates 转置成纵向 OHLC 向量后减均值除标准差。模型输入要求纵向向量，这步转置不能省。 最后 input_data.Assign(x_norm) 后调 OnnxRun 跑推理，外汇与贵金属杠杆高、模型预测仅代表统计倾向，实盘前务必在 MT5 策略测试器用历史数据验证归一化与输出维度是否匹配。

MQL5 / C++
   class=class="str">"cmt">//--- since not all sizes defined in the output tensor we must set them explicitly
   class=class="str">"cmt">//--- first index - batch size, must match the batch size of the class="kw">input tensor
   class=class="str">"cmt">//--- second index - number of predicted prices
   class="kw">const class="type">long output_shape[] = {class="num">1,class="num">1};
   if(!OnnxSetOutputShape(m_handle,class="num">0,output_shape))
     {
      Print("model_eurusd_D1_10 : OnnxSetOutputShape error ",GetLastError());
      class="kw">return(false);
     }
   class=class="str">"cmt">//--- ok
   class="kw">return(true);
   }
 class=class="str">"cmt">//+------------------------------------------------------------------+
 class=class="str">"cmt">//| Predict price                                                        |
 class=class="str">"cmt">//+------------------------------------------------------------------+
 class="kw">virtual class="type">class="kw">double PredictPrice(class="type">class="kw">datetime date)
   {
    class="kw">static matrixf input_data(m_sample_size,class="num">4);    class=class="str">"cmt">// matrix for prepared class="kw">input data
    class="kw">static vectorf output_data(class="num">1);                 class=class="str">"cmt">// vector to get result
    class="kw">static matrix  mm(m_sample_size,class="num">4);            class=class="str">"cmt">// matrix of horizontal vectors Mean
    class="kw">static matrix  ms(m_sample_size,class="num">4);            class=class="str">"cmt">// matrix of horizontal vectors Std
    class="kw">static matrix  x_norm(m_sample_size,class="num">4);        class=class="str">"cmt">// matrix for prices normalize

    class=class="str">"cmt">//--- prepare class="kw">input data
    matrix rates;
    class=class="str">"cmt">//--- request last bars
    date-=date%PeriodSeconds(m_period);
    if(!rates.CopyRates(m_symbol,m_period,COPY_RATES_OHLC,date-class="num">1,m_sample_size))
      class="kw">return(DBL_MAX);
    class=class="str">"cmt">//--- get series Mean
    vector m=rates.Mean(class="num">1);
    class=class="str">"cmt">//--- get series Std
    vector s=rates.Std(class="num">1);
    class=class="str">"cmt">//--- prepare matrices for prices normalization
    for(class="type">int i=class="num">0; i<m_sample_size; i++)
      {
       mm.Row(m,i);
       ms.Row(s,i);
      }
    class=class="str">"cmt">//--- the class="kw">input of the model must be a set of vertical OHLC vectors
    x_norm=rates.Transpose();
    class=class="str">"cmt">//--- normalize prices
    x_norm-=mm;
    x_norm/=ms;

    class=class="str">"cmt">//--- run the inference
    input_data.Assign(x_norm);
    if(!OnnxRun(m_handle,ONNX_NO_CONVERSION,input_data,output_data))

反归一化取回预测价格

模型推理结束后，输出值仍处于归一化空间，必须还原成真实报价才能用于下单或画线。上面这段代码在输出数组首位乘上缩放系数 s[3] 并加上偏移 m[3]，就是把网络输出反归一化。 若还原出的 predicted 无效，函数直接 return DBL_MAX，调用层可用这个值判断预测失败，避免在 MT5 里用脏数据发单。外汇与贵金属波动剧烈，这类边界判断能降低误触发风险。 把这段逻辑接进你已有的 EA 预测函数，在 return 前打印一次 predicted 与 DBL_MAX 的比较结果，就能在策略测试器里确认反归一化是否生效。

MQL5 / C++
     class="kw">return(DBL_MAX);
     class=class="str">"cmt">//--- denormalize the price from the output value
     class="type">class="kw">double predicted=output_data[class="num">0]*s[class="num">3]+m[class="num">3];
     class=class="str">"cmt">//--- class="kw">return prediction
     class="kw">return(predicted);
   }
 };
class=class="str">"cmt">//+------------------------------------------------------------------+

「EURUSD D1 三十根收盘价的回归包装」

第二个要落地的模型叫 model.eurusd.D1.30.onnx，它吃的是 EURUSD 日线最近 30 根收盘价，外加两条周期分别为 21 和 34 的简单移动平均线。和前几个类一样，Init 里直接调基类的 CheckInit，由基类去开 ONNX 会话，并把输入输出的张量尺寸显式钉死，避免推理时维度对不上。 PredictPrice 负责把 30 根历史收盘价和算好的双均线喂进去，常规化方式和训练时保持一致，否则归一化偏移会让输出偏离训练分布。这个模型最早是为“在类里包 ONNX”写的，本文把它从分类任务改成了回归，用来直接估价格而不是判方向。 外汇和贵金属杠杆高、跳空频繁，这类回归输出只是概率倾向，不能直接当进场依据，开 MT5 加载资源跑一遍才知道在你broker点差下漂多少。

MQL5 / C++
class=class="str">"cmt">//+------------------------------------------------------------------+
class=class="str">"cmt">//|                                                                 ModelEurusdD1_30.mqh |
class=class="str">"cmt">//|                                                    Copyright class="num">2023, MetaQuotes Ltd. |
class=class="str">"cmt">//|                                                       [MQL5官方文档] |
class=class="str">"cmt">//+------------------------------------------------------------------+
class="macro">#include "ModelSymbolPeriod.mqh"
class="macro">#resource "Python/model.eurusd.D1.class="num">30.onnx" as class="type">uchar model_eurusd_D1_30[]
class=class="str">"cmt">//+------------------------------------------------------------------+
class=class="str">"cmt">//| ONNX-model wrapper class                                          |
class=class="str">"cmt">//+------------------------------------------------------------------+
class CModelEurusdD1_30 : class="kw">public CModelSymbolPeriod
  {
class="kw">private:
   class="type">int               m_sample_size;
   class="type">int               m_fast_period;
   class="type">int               m_slow_period;
   class="type">int               m_sma_fast;
   class="type">int               m_sma_slow;
class="kw">public:
   class=class="str">"cmt">//+------------------------------------------------------------------+
   class=class="str">"cmt">//| Constructor                                                      |
   class=class="str">"cmt">//+------------------------------------------------------------------+
   CModelEurusdD1_30(class="type">void) : CModelSymbolPeriod("EURUSD",PERIOD_D1)
     {
     m_name="D1_30";
     m_sample_size=class="num">30;
     m_fast_period=class="num">21;
     m_slow_period=class="num">34;
     m_sma_fast=INVALID_HANDLE;
     m_sma_slow=INVALID_HANDLE;
     }
   class=class="str">"cmt">//+------------------------------------------------------------------+
   class=class="str">"cmt">//| ONNX-model initialization                                        |
   class=class="str">"cmt">//+------------------------------------------------------------------+
   class="kw">virtual class="type">bool Init(class="kw">const class="type">class="kw">string symbol, class="kw">const ENUM_TIMEFRAMES period)
     {
     class=class="str">"cmt">//--- check symbol, period, create model
     if(!CModelSymbolPeriod::CheckInit(symbol,period,model_eurusd_D1_30))
       {
       Print("model_eurusd_D1_30 : initialization error");
       class="kw">return(false);
       }
     class=class="str">"cmt">//--- since not all sizes defined in the class="kw">input tensor we must set them explicitly
把重复劳动交给小布
这些诊断小布盯盘的 AIGC 已内置，打开对应品种页即可看到模型回测的 RMSE 与 R2 漂移，你只需在异常扩散时介入判断。

常见问题

RMSE 始终大于或等于 MAE，两者差值越大说明样本里独立误差的扩散越宽；相等则所有误差幅度一致，可用于识别预测集稳定性。
R2 为负仅表示模型比直接用均值泛泛预测还差，且不跟随数据趋势；在外汇贵金属高频样本上可能由极端尖峰导致，需结合 RMSE 看。
可以，小布盯盘对应品种页已内置 MAE、RMSE、R2 等诊断，加载 ONNX 权重后自动输出，无需手写 MQL5 计算循环。
MAPE 是无量纲相对误差，对真实测量单位不敏感，当目标值跨数量级或含近零观测时解释力会失真，这类情况倾向用 RMSLE。
MSPE 是 MSE 的加权版，权重与观测值平方成反比，观测值越大则对应误差权重越小，适合数值范围跨度大的回归目标。

相关阅读

🧩
系列基础
利用回归衡量度评估 ONNX 模型·基础篇
 🔥
模型部署
Metatrader 5 加载 ONNX 推理的实盘延迟陷阱

小布盯盘 · 交易者自己的 价格行为学 + AIGC 分析工具。小布知识库 持续更新硬核交易干货。

本文由人工智能（AIGC）基于价格行为学进行深度分析，仅为技术方法论的探讨与分享，不构成任何形式的投资建议或交易指令。外汇保证金及贵金属交易具有高风险，并不适合所有投资者；过往表现不代表未来结果，请结合自身风险承受能力独立决策。

© 2026 小布盘 unyet.cn