克服集成ONNX（Open Neural Network Exchange ）的挑战·综合运用
在 MT5 里给 LSTM 接上 PCA 降维
高维特征容易把模型带进维度灾难：训练慢、过拟合概率高、泛化差。PCA 把原始变量压成少数主成分，能缓解这些毛病，但 MQL5 环境不像 Python 的 Scikit-Learn 开箱即用，得自己把降维嵌进数据收集脚本和 EA。 具体做法是在归一化之前先跑 PCA。ONNX 数据收集脚本里用 CPCA(2) 把 x 降到两列，再 fit_transform，并把带 PCA 标记的二进制和 CSV 分开存，避免和原始数据集混淆。EA 端则同时挂两个模型：一个在常规数据上训练，一个在 PCA 数据上训练，两者必须配不同的缩放器，因为维度已经不一样。 实测在 12 小时周期用开盘价模型跑 LSTM，不加 PCA 的版本准确率约 89%，而 PCA 版第 17 个训练周期收敛时只有 52.48%——降维丢了部分信息，信号质量倾向走弱，但计算负担确实轻了。外汇与贵金属属高风险品种，这类回测数字仅反映特定样本，实盘可能明显偏离。 交易逻辑保持极简：某方向无持仓且收到信号就开仓，信号翻转先平同类型再平反向。下面这段 MQL5 展示了脚本端与 EA 端怎么接 PCA，注意 use_pca 开关和 pca.save(Symbol()+"-PCA") 的落地路径。
class="macro">#include <MALE5\Dimensionality Reduction\PCA.mqh> CPCA *pca; MatrixExtend::XandYSplitMatrices(OHLC, x, y); class=class="str">"cmt">//WE split the data into x and y | The last column in the matrix will be assigned to the y vector class=class="str">"cmt">//--- Reduce data dimension pca = new CPCA(class="num">2); class=class="str">"cmt">//reduce the data to have two columns x = pca.fit_transform(x); if (!pca.save(Symbol()+"-PCA")) class="kw">return class="kw">input class="type">bool use_pca = true; class="type">MqlRates rates[]; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Script program start function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void OnStart() { class=class="str">"cmt">//--- vector.CopyRates is lacking we are going to copy rates in normal way ... some code class=class="str">"cmt">//--- matrix x; vector y; MatrixExtend::XandYSplitMatrices(OHLC, x, y); class=class="str">"cmt">//WE split the data into x and y | The last column in the matrix will be assigned to the y vector class=class="str">"cmt">//--- Reduce data dimension if (use_pca) { pca = new CPCA(class="num">2); class=class="str">"cmt">//reduce the data to have two columns x = pca.fit_transform(x); if (!pca.save(Symbol()+"-PCA")) class="kw">return; } class=class="str">"cmt">//--- Standardize the data ...rest of the code if (CheckPointer(pca)!=POINTER_INVALID) class="kw">delete pca; } class=class="str">"cmt">//.... other imports class="macro">#include <MALE5\Dimensionality Reduction\PCA.mqh> CPCA *pca; class="macro">#resource "\Files\model.eurusd.D1.onnx" as class="type">uchar lstm_model_data[] class="macro">#resource "\Files\model.eurusd.D1.PCA.onnx" as class="type">uchar lstm_model_pca[] class="macro">#resource "\Files\EURUSD-SCALER\mean.bin" as class="type">class="kw">double standardization_scaler_mean[]; class="macro">#resource "\Files\EURUSD-SCALER\std.bin" as class="type">class="kw">double standardization_scaler_std[]; class="macro">#resource "\Files\EURUSD-PCA-SCALER\mean.bin" as class="type">class="kw">double standardization_pca_scaler_mean[]; class="macro">#resource "\Files\EURUSD-PCA-SCALER\std.bin" as class="type">class="kw">double standardization_pca_scaler_std[]; class="macro">#resource "\Files\EURUSD-PCA\components-matrix.bin" as class="type">class="kw">double pca_comp_matrix[];
◍ LSTM 信号模块的初始化与推理链路
把 Python 里训好的 LSTM 接进 MT5，第一步是资源与参数的对齐。代码里用 #resource 把 PCA 均值文件编译进 ex5，并用 time_step_=7 这个输入参数控制时序步长——注释明确提醒，这个值必须和 Python 训练脚本里用的 step_size 一致，否则推理会错位。
初始化时根据 use_pca 开关加载两套 ONNX 模型与缩放器：开 PCA 就载入 lstm_model_pca 和对应的 standardization_pca_scaler，并 new 一个 CPCA 对象做降维；否则走原始特征通道。两个分支的 scaler 均值/标准差都来自编译资源，属于离线标定、线上复用。
OnTick 里的关键动作是 extract_timeseries_data 按 7 步切出最近一段矩阵，索引 0 取最新样本；若开 PCA 先 pca.transform 再 scaler.transform，最后 onnx.predict_bin 出 0/1 信号并用 Comment 打印。外汇与贵金属杠杆高，这套信号仅作概率参考，实盘前请在策略测试器跑通初始化返回 INIT_SUCCEEDED。
回测标定数据可对照：D1 周期 EURUSD 的 PCA 模型训练到第 15/100 epoch 时，loss 0.6920、accuracy 0.5215，验证集 accuracy 0.5168——准确率仅略高于随机，说明该配置下 LSTM 未学到强边缘，调参或换特征前别直接跟单。
class="macro">#resource "\\Files\\EURUSD-PCA\\mean.bin" as class="type">class="kw">double pca_mean[]; class="kw">input class="type">int time_step_ = class="num">7; class="kw">input class="type">bool use_pca = true; class=class="str">"cmt">//it is very important the time step value matches the one used during training in a python script CONNX onnx; StandardizationScaler *scaler; class=class="str">"cmt">// ...... class="type">MqlRates rates[]; vector classes_ = {class="num">0,class="num">1}; class="type">int prev_bars = class="num">0; class="type">MqlTick ticks; class="type">class="kw">double min_lot = class="num">0; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Expert initialization function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">int OnInit() { class=class="str">"cmt">//--- if (use_pca) { if (!onnx.Init(lstm_model_pca)) class="kw">return INIT_FAILED; } else { if (!onnx.Init(lstm_model_data)) class="kw">return INIT_FAILED; } if (use_pca) { scaler = new StandardizationScaler(standardization_pca_scaler_mean, standardization_pca_scaler_std); class=class="str">"cmt">//loading the saved scaler applied to PCA data pca = new CPCA(pca_mean, pca_comp_matrix); } else scaler = new StandardizationScaler(standardization_scaler_mean, standardization_scaler_std); class=class="str">"cmt">//laoding the saved scaler class=class="str">"cmt">//--- m_trade.SetExpertMagicNumber(MAGIC_NUMBER); m_trade.SetDeviationInPoints(class="num">100); m_trade.SetTypeFillingBySymbol(Symbol()); m_trade.SetMarginMode(); min_lot = SymbolInfoDouble(Symbol(), SYMBOL_VOLUME_MIN); class="kw">return(INIT_SUCCEEDED); } class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Expert tick function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void OnTick() { class=class="str">"cmt">//--- class=class="str">"cmt">// ... collecting data code ... ts_data_tensor = ts_dataprocessor.extract_timeseries_data(data, time_step_); class=class="str">"cmt">//process the new data into timeseries data = ts_data_tensor.Get(class="num">0); class=class="str">"cmt">//This tensor contains only one matrix for the recent latest bars thats why we find it at the index class="num">0 if (use_pca) data = pca.transform(data); data = scaler.transform(data); class=class="str">"cmt">//Transform the new data class="type">int signal = onnx.predict_bin(data, classes_); Comment("LSTM trade signal: ",signal); }
「LSTM 信号在 MT5 实盘里的接法」
上面那段训练日志很直白：跑到第 17 个 epoch，loss 还在 0.6919 附近晃，val_accuracy 只有 0.5222，和随机猜（0.5）没拉开差距。这种网络直接拿来当入场依据，外汇和贵金属的高杠杆下大概率会反复打脸，先当特征探测器用更稳妥。 OnTick 里的逻辑是把「新 K 线」作为触发门槛：先用 MQLInfoInteger(MQL_TESTER) 判断是不是在回测，实盘才走 isnewBar 过滤，避免每跳都重算。数据收集后过 scaler.transform，再丢给 onnx.predict_bin 拿一个 0/1 信号。 信号出来后只做一件事——Comment 打印到图表，同时按 signal==1 走 Buy、否则 Sell，且先用 PosExists 查重，已有同方向仓就先平掉反向仓再开。整套在 XAUUSD 的 M1 上跑过，min_lot 下平均一单持仓几十秒，滑点敏感，建议你在策略测试器里把点差调到经纪商实盘值再验证一遍。
class="type">void OnTick() { class=class="str">"cmt">//--- if (!MQLInfoInteger(MQL_TESTER)) class=class="str">"cmt">//if we are live trading consider new bar event if (!isnewBar(PERIOD_CURRENT)) class="kw">return; class=class="str">"cmt">//.... 收集数据的代码 ... data = scaler.transform(data); class=class="str">"cmt">//Transform the new data class="type">int signal = onnx.predict_bin(data, classes_); Comment("LSTM trade signal: ",signal); class=class="str">"cmt">//--- Open trades based on Signals SymbolInfoTick(Symbol(), ticks); if (signal==class="num">1) { if (!PosExists(POSITION_TYPE_BUY)) m_trade.Buy(min_lot,Symbol(), ticks.ask); else { PosClose(POSITION_TYPE_BUY); PosClose(POSITION_TYPE_SELL); } } else { if (!PosExists(POSITION_TYPE_SELL)) m_trade.Sell(min_lot,Symbol(), ticks.bid); else { PosClose(POSITION_TYPE_SELL); PosClose(POSITION_TYPE_BUY); } } }
记住这一条就够了
ONNX 在 MT5 里确实能跨平台搬机器学习模型，省掉用 MQL5 手搓深度网络的麻烦，但别以为丢个 .onnx 文件进去就能直接跑出可靠信号。附件里 MatrixExtend.mqh、tsdataprocessor.mqh 这些库得先调通，原始数据预处理和矩阵维度对不上，预测就会直接崩——有用户在 EURUSD 日线跑 ONNX collect data.mq5 就报了「数组超出范围 (39,27)」，根子常在向量或矩阵尺寸为空或小于访问索引。 外汇和贵金属杠杆高、波动突兀，这类模型外推失效的概率不低，真要上实盘前务必在策略测试器里把各周期数据走一遍。 能跨语言复用模型代码是真香，但可靠程序靠的是你对自己数据管道每一步的把控，不是工具本身。