📘

将您自己的 LLM 集成到 EA 中（第 5 部分）：使用 LLM 开发和测试交易策略（四）测试交易策略（基础篇）

第 1/3 篇

本章目录

用 LLM 跑一遍策略回测的可行路径
先看这套 LLM 接入 MT5 的章节地图
把微调模型搬进 MT5 的前置条件
跑通示例前先看这套环境
GPT-2 进 EA 的三条路与其现实墙
把微调 GPT-2 导成 ONNX 的实操路径

「用 LLM 跑一遍策略回测的可行路径」

在 MT5 里验证 LLM 生成的交易策略，最务实的做法不是直接上真金白银，而是先让 EA 在策略测试器里把历史行情跑一遍。外汇与贵金属杠杆高、滑点跳空频发，历史回测结果只代表过去概率，实盘表现可能明显偏离。把 LLM 输出的开平仓逻辑落成 MQL5 代码后，建议先用 2020—2024 年 H1 周期的 EURUSD Tick 数据做样本外测试。公开社区帖中一组对照显示：同样一套均值回归规则，在 2022 年加息行情中夏普从 1.4 跌到 0.3，说明 LLM 给的假设在 regime shift 下会快速失效。你可以现在打开 MT5 的 Strategy Tester，把 LLM 生成的 EA 挂载后只勾选「仅用开盘价」先快速筛掉明显亏损版本，再切到逐笔成交模式做精细回测，这一步能省掉大量无效人工读代码的时间。

◍ 先看这套 LLM 接入 MT5 的章节地图

要把大语言模型塞进 MQL5 的 EA 里，整条链路不止写几行代码那么短。原文给出的章节顺序，基本就是一条可复刻的工程路径：从开发环境选型，到在 MQL5 里真正调用 LLM，再到把 GPT-2 转成 ONNX、拆出服务端推理与 EA 客户端，最后用回溯测试收口。跟着这个顺序走，你开 MT5 时就不会卡在「模型到底跑在哪」这件事上。全文共 9 个节点，其中「创建推理服务」和「EA 客户端」是解耦的关键两步，后面单独拆。

把微调模型搬进 MT5 的前置条件

前面几篇我们已经用适配器调优（Adapter Tuning）跑通了一个 GPT-2 变体，让它具备按简单量化规则输出交易倾向的初阶能力。本文默认你手里的就是那个经过适配器微调的模型，后文里所有“GPT-2”都特指它，不再另行说明。必须泼一盆冷水：这个模型是用极有限的数据做演示训练的，没经过真实行情压力测试和参数优化，直接挂真账户大概率翻车。外汇和贵金属本身杠杆高、跳空频繁，拿演示模型裸奔属于高风险操作，实盘前务必先回测。之前的预测推理全在 Python 里写，但要让策略自动下单、盯盘，得回到 MQL5——它是 MT5 原生语言，调 EA、访问报价和持仓都比跨进程桥接稳得多。接下来就一步步把模型从 Python 迁进 MQL5 EA，让它在平台内直接跑实时决策。

「跑通示例前先看这套环境」

下面这套配置是文中所有代码示例实际跑通时所用的环境，你不必完全照搬，但一旦在 MT5 外接 Python 脚本或本地推理时出现 import 报错、ONNX 加载失败，先照这个清单对齐依赖版本。操作系统用的是 Ubuntu 22.04.5 LTS，也可以直接在对应版本的 WSL 里跑；Python 锁定在 3.10.14，避免高版本里 numpy 2.x 与部分旧 wheel 不兼容。核心库版本如下：torch-2.4.1、numpy-1.26.3、pandas-2.2.3、transformers-4.45.1、peft-0.13.0、matplotlib-3.9.2、onnx-1.17.0、onnxconverter-common-1.14.0、onnxruntime-1.20.1、onnxruntime-tools-1.7.0。注意，动手前你得先按前一篇说的用适配器（adapter）调优训出一个模型——因为权重体积超了平台限制，我训好的那份没法直接发出来，只能你本地重训后挂到 MT5 的 Python 桥上验证。外汇与贵金属品种外接推理延迟可能受此影响，属高风险联调。

◍ GPT-2 进 EA 的三条路与其现实墙

要把 Python 训出来的 GPT-2 塞进 MQL5 EA，先得解决运行环境错位。原文作者试过三条路：ONNX 内置推理、WinAPI 拉 Python 进程、Socket 连 Python 服务。 ONNX 是首选——MQL5 自带 ONNX 运行时，转换后不依赖外部 Python，推理效率高。但墙在文件体积：当前 GPT-2 适配器模型超了 MQL5 加载上限，试过 INT8 量化仍超限，INT4 能缩下来却不被 MQL5 支持，这条直接弃。 WinExec() 调 kernel32 拉脚本最直白，但每次推理起一个新 Python 进程，开销大且易崩。作者明说非常不推荐，只证明可行。最终落点是 Socket：Python 跑常驻服务加载模型，EA 只发数据收结果。本地无开发环境、远程训的模型也能用，EA 只管策略逻辑。代价是得自己写通信层，且依赖外部服务稳定性。外汇与贵金属交易杠杆高、滑点快，这类外部依赖在实时行情里任一切断都可能错失信号或重复下单，接入前务必在模拟环境压测连接恢复逻辑。

把微调 GPT-2 导成 ONNX 的实操路径

把适配器微调过的 GPT-2 塞进 MT5 前，得先变成 ONNX。直接可用的路子有五条：rayhern 的脚本、微软 onnxruntime-genai、torch.onnx 原生导出、transformers.onnx 以及 Hugging Face 的 Optimum。前两条要么停更要么要啃新 API，后三条里 transformers.onnx 对常更的 transformers 库兼容最好，本文示例就锁定它。命令行最简只需一句：python -m transformers.onnx --model=gpt2_Adapter-tuning --feature=causal-lm-with-past gpt2_onnx。其中 causal-lm-with-past 必须带，不然生成时没法复用 past_key_values，推理效率会掉一个量级。跑完在 gpt2_onnx 里会落出 model.onnx 和 config.json。但命令行管不了 Adapter 加载和 opset 细节，复杂场景得写脚本。关键坑有三个：模型类必须挂 Adapter 模块才能读回微调权重；路径要用 pathlib.Path 转格式，直接传字符串会被 export() 拒掉；tokenizer 和 preprocessor 只能设一个，选 preprocessor 更稳。 opset 必须对齐 MQL5 能认的版本，示例写死 opset=14，错一版都可能加载失败。输入目录指 gpt2_Adapter-tuning、输出指 gpt2_onnx，脚本末尾的 check_onnx() 和 quantization() 不是必选，只是给你验导出和顺手量化的参考。附件 torch2onnx.py 里 Adapter 类瓶颈维数写的是 64、dropout 0.1，这就是微调时实际嵌的维度，改了就得同步重训，别光在导出端动刀。

MQL5 / C++

pip install transformers onnx
pip install onnxruntime-gpu
python -m transformers.onnx --model=path/to/your/tuned_model --feature=causal-lm-with-past path/to/save/onnx_model
python -m transformers.onnx --model=gpt2_Adapter-tuning --feature=causal-lm-with-past gpt2_onnx
class="kw">import os
class="kw">import logging
from pathlib class="kw">import Path
from transformers.onnx class="kw">import class="kw">export, FeaturesManager
from transformers class="kw">import AutoConfig, AutoTokenizer, GPT2LMHeadModel, modeling_outputs
from torch class="kw">import nn
class="kw">import torch.nn.functional as F
class="kw">import onnx
# Set up basic configuration for logging
logging.basicConfig(level=logging.INFO)
tokenizer = AutoTokenizer.from_pretrained(&class="macro">#x27;gpt2&class="macro">#x27;)
# Define the Adapter class, which is a simple feed-forward network with dropout
class Adapter(nn.Module):
    def __init__(self, in_features, bottleneck_features=class="num">64):
        super(Adapter, self).__init__()
        # Down projection layer
        self.down_project = nn.Linear(in_features, bottleneck_features)
        # Up projection layer
        self.up_project = nn.Linear(bottleneck_features, in_features)
        # Dropout layer for regularization
        self.dropout = nn.Dropout(class="num">0.1)
        # Initialize weights of the layers
        self.init_weights()
    def init_weights(self):
        # Initialize weights for down projection layer

→

将您自己的 LLM 集成到 EA 中（第 5 部分）：使用 LLM 开发和测试交易策略（四）测试交易策略·进阶篇

常见问题

可以先在 LLM 里用自然语言描述策略逻辑，让它生成可直接粘贴运行的回测脚本，再放到交易终端里跑历史数据验证。

重点看内存和 CPU 单核性能，模型转成轻量格式后普通办公机也能跑；若用 GPU 加速需确认驱动兼容。

可以，小布能根据你的口头描述整理成结构化策略要点，并给出回测注意事项，省去手动梳理的麻烦。

常见墙在环境依赖和模型格式，先确认终端版本与运行库匹配，优先选导成通用推理格式的那条路最稳。

精简模型结构或用导出工具的兼容模式，把不支持的自定义层换成标准层再导出即可。

将您自己的 LLM 集成到 EA 中（第 5 部分）：使用 LLM 开发和测试交易策略（四） 测试交易策略（基础篇）