🧠

掌握ONNX：MQL5交易者的游戏规则改变者·进阶篇

（2/3）·从格式原理到数据规范，绕开在MQL5里重造轮子的坑

偏理论进阶第 2/3 篇

很多交易者以为要把AI模型跑在MT5上就得用MQL5从头写算法，结果卡在矩阵运算里荒废几周。其实平台早已支持ONNX，你用Python训好的模型转个格式就能直接调用。这篇接着基础篇，把格式本身和两边的数据对接讲透。

本章目录

抓 EURUSD H1 的 ONNX 训练与实时张量
训练与实盘必须用同一套归一参数
把归一化参数落盘再拼回收盘价列
把回测结果落盘到 CSV 再读回
用 Python 把 MLP 训成 ONNX 给 MT5 调
训练回路与早停机制怎么落地

抓 EURUSD H1 的 ONNX 训练与实时张量

在 MT5 里接 ONNX 模型做 EURUSD H1 推理时，先得把历史窗口喂成矩阵。日志里同一秒（23:10:54.837）打了 7 组 Train data，分别是 HF 到 NL 的 4 维向量，比如 HF 为 [1.3976599,1.3894916,1.4053394,1.11189]，PM 为 [1.3848507,1.3761013,1.3718294,1.11022]，第四维都落在 1.109~1.112 的窄区，前三维是不同价位的归一化值。实时侧用 matrixf live_data = GetLiveData(0,1) 取最新一根，Print 出来是 [[-0.21183228,-0.23540309,-0.20334835]]，三个负向分量说明当下价位相对训练分布偏低，EURUSD 短线可能偏弱，但外汇高杠杆下这只是概率倾向。坑在参数尺寸：2023.09.18 18:03:53.212 报 ONNX: invalid parameter size, expected 1044480 bytes instead of 32640。模型期望的输入字节数是实际传的 32 倍，通常是窗口长度或 batch 维没对齐，开 MT5 查模型输入输出节点 shape 就能复现。

MQL5 / C++

matrixf live_data = GetLiveData(class="num">0,class="num">1);

Print("Live data\n",live_data);

「训练与实盘必须用同一套归一参数」

给机器学习模型喂数据前，规范化是绕不开的一步。最容易被忽略的坑是：训练集用的归一方式（比如 MinMaxScaler）必须原样套到测试集和实时行情上，min、max 或 mean、std 这些统计量不能重新算，否则模型接到的分布会漂移，预测倾向失真。只规范自变量，目标变量（label）保持原值，不管做的是分类还是回归都别动它。我们在 MT5 侧用 Preprocessing 类统一处理，并把每种 scaler 的参数落盘成 csv，供 Python 端复用同一组数值。下面这段 switch 按 NORM 宏分支把均值归一、min-max、标准化三类的参数分别写文件：均值归一存 mean/min/max，min-max 存 min/max，标准化存 mean/std。注意 GetTrainData 里取完 OHLC 后直接拼成矩阵，归一逻辑集成在 GetData 类内部，保证任何出口拿到的都是规范后的价格矩阵。外汇与贵金属波动受杠杆和消息面影响，高频重算归一参数可能放大过拟合风险，实盘前建议在策略测试器跑一轮不同品种的 csv 一致性校验。

MQL5 / C++

class=class="str">"cmt">//--- Saving the normalization prameters
class="kw">switch(NORM)
  {
   case  NORM_MEAN_NORM:
     class=class="str">"cmt">//--- saving the mean
     norm_params.Assign(norm_x.mean_norm_scaler.mean);
     WriteCsv(normparams_folder+csv_name_+".mean_norm_scaler.mean.csv",norm_params,x_vars);
     class=class="str">"cmt">//--- saving the min
     norm_params.Assign(norm_x.mean_norm_scaler.min);
     WriteCsv(normparams_folder+csv_name_+".mean_norm_scaler.min.csv",norm_params,x_vars);
     class=class="str">"cmt">//--- saving the max
     norm_params.Assign(norm_x.mean_norm_scaler.max);
     WriteCsv(normparams_folder+csv_name_+".mean_norm_scaler.max.csv",norm_params,x_vars);
      break;
    case NORM_MIN_MAX_SCALER:
     class=class="str">"cmt">//--- saving the min
     norm_params.Assign(norm_x.min_max_scaler.min);
     WriteCsv(normparams_folder+csv_name_+".min_max_scaler.min.csv",norm_params,x_vars);
     class=class="str">"cmt">//--- saving the max
     norm_params.Assign(norm_x.min_max_scaler.max);
     WriteCsv(normparams_folder+csv_name_+".min_max_scaler.max.csv",norm_params,x_vars);
      break;
    case NORM_STANDARDIZATION:
     class=class="str">"cmt">//--- saving the mean
     norm_params.Assign(norm_x.standardization_scaler.mean);
     WriteCsv(normparams_folder+csv_name_+".standardization_scaler.mean.csv",norm_params,x_vars);
     class=class="str">"cmt">//--- saving the std
     norm_params.Assign(norm_x.standardization_scaler.std);
     WriteCsv(normparams_folder+csv_name_+".standardization_scaler.std.csv",norm_params,x_vars);
      break;
  }
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);
    matrixf norm_params = {};
    csv_name_ = Symbol()+"."+EnumToString(Period())+"."+class="type">class="kw">string(total_bars);

◍ 把归一化参数落盘再拼回收盘价列

做特征工程时最容易被忽略的一步：归一化对象销毁前必须把 scaler 参数存下来，否则换周期重跑模型会尺度错乱。下面这段代码在删除旧的 norm_x 指针后，新建 CPreprocessing 实例，并按 NORM 分支把 mean/min/max/std 分别写成 CSV，列名绑定 OPEN,HIGH,LOW 三个变量。 x_vars = "OPEN,HIGH,LOW"; 声明后续 CSV 表头只覆盖这三列行情字段。 while (CheckPointer(norm_x) != POINTER_INVALID) delete (norm_x); 先清掉上一次残留的归一化对象，防止内存泄漏与旧参数串味。 norm_x = new CPreprocessing<vectorf, matrixf>(return_matrix, NORM); 用当前 return_matrix 和指定 NORM 模式重建预处理器。 switch 里三种归一化各自落盘：NORM_MEAN_NORM 存 mean/min/max 三个文件；NORM_MIN_MAX_SCALER 只存 min/max；NORM_STANDARDIZATION 存 mean/std。每个文件都通过 WriteCsv 写到 normparams_folder，文件名带 csv_name_ 前缀，方便小布后续按品种+周期追溯。 return_matrix.Resize(total, 4); 把矩阵扩成 4 列，多出来的最后一列留给标签。last_col = return_matrix.Cols()-1; 取到末列索引，return_matrix.Col(CLOSE, last_col); 把收盘价塞进末列，csv_name_ 追加 .targ=CLOSE，表头变成 OPEN,HIGH,LOW,CLOSE。最后写进 ONNX Datafolder，失败就 Print 报警——外汇与贵金属数据高频跳空，这种落盘失败在实盘前必须排查清楚，否则训练集可能缺了目标列。

MQL5 / C++

x_vars = "OPEN,HIGH,LOW";

while (CheckPointer(norm_x) != POINTER_INVALID)
   class="kw">delete (norm_x);

norm_x = new CPreprocessing<vectorf, matrixf>(return_matrix, NORM);

class=class="str">"cmt">//--- Saving the normalization prameters
 class="kw">switch(NORM)
  {
   case  NORM_MEAN_NORM:

    class=class="str">"cmt">//--- saving the mean
    norm_params.Assign(norm_x.mean_norm_scaler.mean);
    WriteCsv(normparams_folder+csv_name_+".mean_norm_scaler.mean.csv",norm_params,x_vars);

    class=class="str">"cmt">//--- saving the min
    norm_params.Assign(norm_x.mean_norm_scaler.min);
    WriteCsv(normparams_folder+csv_name_+".mean_norm_scaler.min.csv",norm_params,x_vars);

    class=class="str">"cmt">//--- saving the max
    norm_params.Assign(norm_x.mean_norm_scaler.max);
    WriteCsv(normparams_folder+csv_name_+".mean_norm_scaler.max.csv",norm_params,x_vars);

    break;

   case NORM_MIN_MAX_SCALER:

    class=class="str">"cmt">//--- saving the min
    norm_params.Assign(norm_x.min_max_scaler.min);
    WriteCsv(normparams_folder+csv_name_+".min_max_scaler.min.csv",norm_params,x_vars);

    class=class="str">"cmt">//--- saving the max
    norm_params.Assign(norm_x.min_max_scaler.max);
    WriteCsv(normparams_folder+csv_name_+".min_max_scaler.max.csv",norm_params,x_vars);

    break;

   case NORM_STANDARDIZATION:
    class=class="str">"cmt">//--- saving the mean
    norm_params.Assign(norm_x.standardization_scaler.mean);
    WriteCsv(normparams_folder+csv_name_+".standardization_scaler.mean.csv",norm_params,x_vars);

    class=class="str">"cmt">//--- saving the std
    norm_params.Assign(norm_x.standardization_scaler.std);
    WriteCsv(normparams_folder+csv_name_+".standardization_scaler.std.csv",norm_params,x_vars);

    break;
  }
 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

把回测结果落盘到 CSV 再读回

上面这段收尾代码只做一件事：把矩阵算完之后，往终端日志打一行 "Data saved to a csv file successfully"，然后 return return_matrix 把结果交回去给调用方。真正落地时，你得在 Print 之前先把 return_matrix 用 FileOpen / FileWrite 写进 MT5 的 MQL5\Files 目录下的 csv，否则只靠 Print 没法拿去 Excel 做分布检验。外汇与贵金属品种点差跳空多，回测矩阵建议至少跑 500 根以上日线再导出，样本太少正态假设会塌。打开 MT5 按 F4 进 MetaEditor，把这段嵌进你自己的指标或 EA 末尾，编译后切到「专家」标签页就能看到那行成功提示，证明数据已就绪可进一步处理。

MQL5 / C++

    Print("Data saved to a csv file successfully");
  
  
  class="kw">return return_matrix;
}

「用 Python 把 MLP 训成 ONNX 给 MT5 调」

先隔离环境再写模型，能少踩很多坑。Windows 下从 CMD 跑 pip3 install virtualenv、virtualenv venv、venv\Scripts\activate 三连，就能建出独立虚拟环境，避免不同项目的包版本互相打架。依赖统一放 requirements.txt，pip install -r 一把装齐，Mac 和 Linux 的激活命令略有差异，但思路一致。 MT5 这侧要先 initialize() 拉起终端，收尾记得 shutdown() 释放。数据不从网络抓，而是直接读 terminal_info.data_path 拼出 \\MQL5\\Files\\ONNX Datafolder——若 os.path.exists 为假，说明 MT5 端还没落盘数据，脚本该直接 quit() 而不是硬跑。模型本体包成一个类，__init__ 里把 CSV 读进 pandas，按 target_column 拆 X/Y，用 train_test_split 以 0.3 测试比、random_state=42 切分。输入维度取 train_x.shape[-1]，输出恒为 1 个神经元，对应回归式预测。 BuildNeuralNetwork 用 keras.Sequential 堆单层全连接，relu 激活、默认 10 神经元即可跑通。实际训练中准确率约 93%，样本外测试约 95%，存在过拟合倾向，但作为原型够用。满意后装 onnx 与 tf2onnx，在 train_network 里导出 ONNX 存进 Files 父目录——这样后续 EA 或指标把模型当资源挂进去最省事。外汇与贵金属波动剧烈，此类模型仅作概率参考，实盘前务必在 MT5 策略测试器复核。

MQL5 / C++

$ pip3 install virtualenv
$ virtualenv venv
$ venv\Scripts\activate
class="kw">import MetaTrader5 as mt5
if not mt5.initialize(): class="macro">#This will open MT5 app in your pc
  print("initialize() failed, error code =",mt5.last_error())
  quit()
# program logic and ML code will be here
mt5.shutdown() class="macro">#This closes the program
# Getting the data we stored in the Files path on Metaeditor
data_path = terminal_info.data_path
dataset_path = data_path + "\MQL5\Files\ONNX Datafolder"
class="kw">import os if not os.path.exists(dataset_path):
print("Dataset folder doesn&class="macro">#x27;t exist | Be sure you are referring to the correct path and the data is collected from MT5 side of things")
quit()
class NeuralNetworkClass():
    def __init__(self, csv_name, target_column, batch_size=class="num">32):
    # Loading the dataset and storing to a variable Array          
            self.data = pd.read_csv(dataset_path+"\"+csv_name)
            if self.data.empty:
                print(f"No such dataset or Empty dataset csv = {csv_name}")
                quit() # quit the program
            
            print(self.data.head()) # Print class="num">5 first rows of a given data
            self.target_column = target_column
            # spliting the data into training and testing samples
            X = self.data.drop(columns=self.target_column).to_numpy() # droping the targeted column, the rest is x variables
            Y = self.data[self.target_column].to_numpy() # We convert data arrays to numpy arrays compartible with sklearn and tensorflow
                
            
            self.train_x, self.test_x, self.train_y, self.test_y = train_test_split(X, Y, test_size=class="num">0.3, random_state=class="num">42) # splitting the data into training and testing samples
            
            print(f"train x shape {self.train_x.shape}
test x shape {self.test_x.shape}")
                
            self.input_size = self.train_x.shape[-class="num">1] # obtaining the number of columns in x variable as our inputs
            
            self.output_size = class="num">1 # We are solving for a regression problem we need to have a single output neuron
            
            self.batch_size = batch_size
            
            self.model = None # Object to store the model
            
            self.plots_directory = "Plots"
            self.models_directory = "Models"
                
    def BuildNeuralNetwork(self, activation_function=&class="macro">#x27;relu&class="macro">#x27;, neurons = class="num">10):
    # Create a Feedforward Neural Network model
    self.model = keras.Sequential([
        keras.layers.Input(shape=(self.input_size,)),  # Input layer

◍ 训练回路与早停机制怎么落地

模型搭完之后真正跑起来的是 train_network 这个方法。默认跑 100 个 epoch，学习率 0.001，损失函数用 mean_squared_error，优化器选 Adam；这些参数在调用时都能改，外汇和贵金属序列噪声大，学习率设太高容易过拟合，实盘前建议在历史数据上先扫一遍。早停靠 EarlyStopping 盯着 val_loss，patience=10 意味着连续 10 个 epoch 验证损失没明显变化就停，且 restore_best_weights=True 会把权重回滚到最优那一轮。这套机制能省掉大量无意义迭代，MT5 里接 Python 脚本跑的时候，日志里看到 epoch 停在 30~50 之间都算正常。训练完会把 loss 和 val_loss 曲线存成图，再用 r2_score 算训练集拟合优度。pred = self.model.predict(self.train_x) 拿到预测值，和 train_y 画在一起，标题直接带上 acc 数值，方便你一眼判断模型是不是在硬记。模型最后存成 h5：self.model.save(f"Models\\lstm-pat.{self.target_column}.h5")。选 h5 不是为了好看，是后面转 ONNX 给 MT5 做推理更顺。test_network 则另起一套 count 轴把测试集实际值和预测值叠着画，文件名标 MLP - Test，没看到这部分代码跑完之前，别轻易把模型丢进实盘。

MQL5 / C++

keras.layers.Dense(units=neurons, activation=activation_function, activity_regularizer=l2(class="num">0.01), kernel_initializer="he_uniform"),  # Hidden layer with an activation function
keras.layers.Dense(units=self.output_size, activation=&class="macro">#x27;linear&class="macro">#x27;, activity_regularizer=l2(class="num">0.01), kernel_initializer="he_uniform")
])
# Print a summary of the model&class="macro">#x27;s architecture.
self.model.summary()
def train_network(self, epochs=class="num">100, learning_rate=class="num">0.001, loss=&class="macro">#x27;mean_squared_error&class="macro">#x27;):
	early_stopping = EarlyStopping(monitor=&class="macro">#x27;val_loss&class="macro">#x27;, patience=class="num">10, restore_best_weights=True) # Early stoppage mechanism | stop training when there is no major change in loss in the last to epochs, defined by the variable patience
	adam = optimizers.Adam(learning_rate=learning_rate) # Adam optimizer

	# Compile the model: Specify the loss function, optimizer, and evaluation metrics.
	self.model.compile(loss=loss, optimizer=adam, metrics=[&class="macro">#x27;mae&class="macro">#x27;])
	# One hot encode the validation and train target variables

	validation_y = self.test_y
	y = self.train_y
	history = self.model.fit(self.train_x, y, epochs=epochs, batch_size=self.batch_size, validation_data=(self.test_x, validation_y), callbacks=[early_stopping], verbose=class="num">2)

	if not os.path.exists(self.plots_directory): class="macro">#create plots path if it doesn&class="macro">#x27;t exist for saving the train-test plots
		os.makedirs(self.plots_directory)

	# save the loss and validation loss plot

	plt.figure(figsize=(class="num">12, class="num">6))
	plt.plot(history.history[&class="macro">#x27;loss&class="macro">#x27;], label=&class="macro">#x27;Training Loss&class="macro">#x27;)
	plt.plot(history.history[&class="macro">#x27;val_loss&class="macro">#x27;], label=&class="macro">#x27;Validation Loss&class="macro">#x27;)
	plt.xlabel(&class="macro">#x27;Epochs&class="macro">#x27;)
	plt.ylabel(&class="macro">#x27;Loss&class="macro">#x27;)
	plt.legend()
	title = &class="macro">#x27;Training and Validation Loss Curves&class="macro">#x27;
	plt.title(title)
	plt.savefig(fname=f"{self.plots_directory}\"+"+title)

	# use the trained model to make predictions on the trained data

	pred = self.model.predict(self.train_x)
	acc = metrics.r2_score(self.train_y, pred)
	# Plot actual & pred
	count = [i*class="num">0.1 for i in range(len(self.train_y))]
	title = f&class="macro">#x27;MLP {self.target_column} - Train&class="macro">#x27;

	# Saving the plot containing information about predictions and actual values

	plt.figure(figsize=(class="num">7, class="num">5))
	plt.plot(count, self.train_y, label = "Actual")
	plt.plot(count, pred,  label = "forecast")
	plt.xlabel(&class="macro">#x27;Actuals&class="macro">#x27;)
	plt.ylabel(&class="macro">#x27;Preds&class="macro">#x27;)
	plt.title(title+f" | Train acc={acc}")
	plt.legend()
	plt.savefig(fname=f"{self.plots_directory}\"+"+title)
	self.model.save(f"Models\\lstm-pat.{self.target_column}.h5") class="macro">#saving the model in h5 format, this will help us to easily convert this model to onnx later
def test_network(self):
	# Plot actual & pred

	count = [i*class="num">0.1 for i in range(len(self.test_y))]
	title = f&class="macro">#x27;MLP {self.target_column} - Test&class="macro">#x27;

让小布替你跑这套

这些ONNX模型的载入与信号诊断，小布盯盘的AIGC模块已内置，打开对应品种页即可看到推理输出，你只管判断概率倾向。

←

掌握ONNX：MQL5交易者的游戏规则改变者（基础篇）

→

掌握ONNX：MQL5交易者的游戏规则改变者·综合运用

常见问题

节点代表卷积、加法等运算，边描述运算间的数据流，整个图就是模型前向推理的结构化表达。

目前小布内置了常见范式模型的解析与信号映射，自定义结构可关注后续版本，重点先看输入张量是否对齐。

实时行情在EA内流动，为降低延迟与依赖，需在MQL5按训练时的均值方差重做归一，避免跨进程传输变形。

公开文档与工具链确实以Python为中心，其他语言多通过绑定或导出间接使用，选Python构建最省事。

掌握ONNX：MQL5交易者的游戏规则改变者·进阶篇

抓 EURUSD H1 的 ONNX 训练与实时张量

「训练与实盘必须用同一套归一参数」

◍ 把归一化参数落盘再拼回收盘价列

把回测结果落盘到 CSV 再读回

「用 Python 把 MLP 训成 ONNX 给 MT5 调」

◍ 训练回路与早停机制怎么落地

常见问题

相关阅读