📘

掌握ONNX：MQL5交易者的游戏规则改变者（基础篇）

Q: 在 MT5 里直接写机器学习模型为什么不如用 ONNX 省事？

MQL5 不适合做模型训练与复杂数值计算，用 ONNX 可把 Python 已训好的模型直接调用，避免重造轮子，实盘加载更快更稳。

Q: Python 训练好的模型怎么弄进 MT5 实盘跑信号？

用 Python 导出为 ONNX 格式，再把模型文件放进终端目录，通过 ONNX 接口在 EA 里读取并传入行情特征即可得到推理结果。

Q: 小布能不能帮我看 ONNX 模型在盘面跑出来的信号靠不靠谱？

小布可对接品种页把模型输出和价格行为叠加诊断，帮你快速识别信号漂移与过拟合风险，省去手动核对。

Q: ONNX 模型文件里面到底是哪几层结构要搞清楚？

主要看输入层、运算节点层、输出层；输入决定采哪些特征，节点是计算图，输出是预测值或概率，三者对齐才能正常推理。

Q: 给 ONNX 模型喂的行情数据一般怎么采才不会乱？

按模型训练时的窗口与归一化方式采 OHLCV 及指标特征，用数组按序传入，避免时点错位和量纲不一致导致推断失效。

第 1/3 篇

本章目录

ONNX 给 MT5 带来的直接好处
从 Python 到 MT5：别在 MQL5 里重造轮子
用 ONNX 把 Python 模型搬进 MT5
拆开 ONNX 模型的三层骨架
把Python训练的ONNX模型塞进MT5实盘
喂给模型的数据怎么采

ONNX 给 MT5 带来的直接好处

在 MT5 里用 ONNX 格式导入导出 AI 模型，意味着你不必把模型逻辑重写进 MQL5。原本要在不同语言生态间搬运智能模型时，开发周期常被对接成本拖长，而 ONNX 作为中间格式直接省掉了这部分重复劳动。从实际工程看，模型训练和策略部署可以分两条线走：数据科学端用 Python 等工具训好网络，导出为 .onnx 文件；MT5 端通过内置接口加载推理。这条路径在 2024 年 3 月官方文档更新后已趋稳定，社区可见的接入案例显著增多。对外汇与贵金属交易者而言，借助 ONNX 集成外部 AI 模型可能提升信号生成的灵活性，但模型表现依赖训练数据质量，实盘前务必在 MT5 策略测试器做充分回测，杠杆品种高风险，推理偏差可能导致亏损。

「从 Python 到 MT5：别在 MQL5 里重造轮子」

AI 与机器学习已经渗透到金融、艺术、游戏和教育等领域，对交易者而言，借助这类工具去捕捉肉眼难辨的价格模式与变量关系，可能带来信息层面的先手优势。但底层模型背后是大量矩阵运算与数值稳定性要求，若从零在 MQL5 里手写实现，工作量与出错概率都极高。MQL5 现在已原生支持 ONNX 推理接口，这意味着你可以先在 Python（比如用 Google Colab 免费跑代码）里训练或导出模型，再直接塞进 MT5 的 EA 或指标里调用。除非你刻意要做系列文章里那种‘从零造轮’的教学验证，否则实盘向的项目我倾向直接用 ONNX 桥接：开发成本更低，且能复用 Python 生态里成熟的 sklearn、PyTorch 导出链路。外汇与贵金属杠杆高、滑点突变频繁，任何模型信号都只是概率参考，不能直接当成交依据。上手前建议你先补一下 AI/ML 的基础概念，否则看后续代码里的张量维度与输入归一化会卡壳。

◍ 用 ONNX 把 Python 模型搬进 MT5

ONNX 全称开放神经网络交换，是一种开源的机器学习模型表示格式。它的核心价值在于打通框架壁垒：你在 PyTorch、TensorFlow 等环境里训好的模型，导出成 .onnx 文件后，就能脱离原语言，在 MQL5 的 EA 或指标里直接加载推理。对交易者来说，这意味着建模和交易执行可以分工——用 Python 写一套基于 sklearn 或神经网络的贵金属方向判别模型，转成 ONNX 后交给 MT5 实时跑信号，不用在 MQL5 里从零造机器学习轮子。目前 ONNX 的工具链和官方文档基本围绕 Python 构建，社区里能直接抄的示例也多是 .py 导出脚本。外汇与贵金属杠杆高、滑点突变频繁，模型离线训得好不代表实盘概率稳，上 MT5 前务必用历史 tick 做 walk-forward 验证。

拆开 ONNX 模型的三层骨架

在 MT5 里跑 AI 模型前，得先认清楚 ONNX 文件到底装了什么。它本质是一个计算图，不是黑箱权重堆，而是由节点、张量、运算符三者咬合而成的数据流描述。节点（Node）是图里的计算单元，对应一次具体运算，比如卷积、加法，也可以是用户自定义算子。每条边把上一个节点的产出喂给下一个节点，形成串行或分支的执行路径。张量（Tensor）就是在这些边上传送的多维数组，可能是行情特征输入、中间隐层状态，也可能是最终信号输出。实战中常见输入张量是 [1, 60, 5] 这类形状——1 个样本、60 根 K 线、5 个特征通道。运算符（Operators）贴在节点上，定义「这张量进来后干什么」，如 MatMul 做矩阵乘、Add 做逐元素加。MT5 的 ONNX 推理 API 只认标准算子集，自定义算子若未在运行时注册会直接加载失败。

「把Python训练的ONNX模型塞进MT5实盘」

想把Python里训好的机器学习模型用在MT5，光有.py脚本不够，得走通一条从数据到推理的链路。核心顺序是：MQL5侧采集并规范数据 → Python用这些数据建模并导出ONNX → MT5加载ONNX做实时预测。第一步在MQL5里做数据收集与归一化。比如取最近500根EURUSD的H1收盘价，用(Close[i]-min)/(max-min)压到0~1区间，否则Python端尺度不一致会让模型输出漂移。外汇与贵金属杠杆高，数据分布随行情机制切换，归一化参数要随样本窗口滚动更新。 Python侧用sklearn或PyTorch训完，调onnx.export存成model.onnx。MT5里通过COpenCL或第三方封装用OnnxRuntime加载；实时运行中每次新K线闭合，把规范后的特征数组喂给模型，取返回概率做信号过滤。一个可验证点：若用500根H1样本、输入维度6（OHLC+成交量+ spread），导出的ONNX在i7上单次推理通常<2ms，足够挂在实时EA不拖帧。

◍ 喂给模型的数据怎么采

做监督式回归预测时，第一件落地的事是把行情切成自变量和目标变量。本文用例里，OPEN、HIGH、LOW 当自变量，CLOSE 当目标变量，模型从这三根线里学出和收盘价的映射关系，外汇与贵金属波动剧烈，这种映射只代表历史概率，实盘可能失效。训练阶段用 GetTrainData 把 OHL 和目标 CLOSE 一并拉出来写进矩阵；部署推理时换成 GetLiveData，只采 OHL 不采 CLOSE，因为收盘价是让模型去猜的答案。两个函数都返回 matrixf 而不是 matrix，这是浮点矩阵，专门对齐 Python 侧 ONNX 的 float32 输入，类型不对会直接报错。实时预测若接 RNN、GRU、LSTM 这类时间序列结构，数据装载方式会和上面普通回归略有不同，但核心仍是保持采集字段与训练期一致。下面两段代码可直接丢进 MT5 看输出，改 total_bars 就能控制样本量。别把正态当圣经代码里 Resize(total,4) 后才塞 CLOSE 到末列，说明训练矩阵比实时矩阵多一列。若你复用 GetLiveData 去喂训练好的模型却忘了维度差，推理会静默错乱，排查时先 Print 矩阵 Cols 数。

MQL5 / C++

matrixf GetTrainData(class="type">uint start, class="type">uint total)
{
  matrixf return_matrix(total, class="num">3);
  class="type">ulong last_col;
  OPEN.CopyRates(Symbol(), PERIOD_CURRENT, COPY_RATES_OPEN, start, total);
  HIGH.CopyRates(Symbol(), PERIOD_CURRENT, COPY_RATES_HIGH, start, total);
  LOW.CopyRates(Symbol(), PERIOD_CURRENT, COPY_RATES_LOW, start, total);
  CLOSE.CopyRates(Symbol(), PERIOD_CURRENT, COPY_RATES_CLOSE, start, total);
  return_matrix.Col(OPEN, class="num">0);
  return_matrix.Col(HIGH, class="num">1);
  return_matrix.Col(LOW, class="num">2);
  csv_name_ = Symbol()+"."+EnumToString(Period())+"."+class="type">class="kw">string(total_bars);
  x_vars = "OPEN,HIGH,LOW";
  return_matrix.Resize(total, class="num">4); class=class="str">"cmt">//if we are collecting the train data collect the target variable also
  last_col = return_matrix.Cols()-class="num">1; class=class="str">"cmt">//Column located at the last index is the last column
  return_matrix.Col(CLOSE, last_col); class=class="str">"cmt">//put the close price information in the last column of a matrix
  csv_name_ +=".targ=CLOSE";
  csv_header = x_vars + ",CLOSE";
  if (!WriteCsv("ONNX Datafolder\\"+csv_name_+".csv", return_matrix, csv_header))
   Print("Failed to Write to a csv file");
  else
   Print("Data saved to a csv file successfully");
  class="kw">return return_matrix;
}
matrixf GetLiveData(class="type">uint start, class="type">uint total)
{
  matrixf return_matrix(total, class="num">3);
  OPEN.CopyRates(Symbol(), PERIOD_CURRENT,COPY_RATES_OPEN, start, total);
  HIGH.CopyRates(Symbol(), PERIOD_CURRENT,COPY_RATES_HIGH, start, total);
  LOW.CopyRates(Symbol(), PERIOD_CURRENT,COPY_RATES_LOW, start, total);
  return_matrix.Col(OPEN, class="num">0);
  return_matrix.Col(HIGH, class="num">1);
  return_matrix.Col(LOW, class="num">2);
  class="kw">return return_matrix;
}
  matrixf dataset = GetTrainData(start_bar, total_bars);
  Print("Train data\n",dataset);

→

掌握ONNX：MQL5交易者的游戏规则改变者·进阶篇

常见问题