重思经典策略（第八部分）：基于美元兑加元（USDCAD）探讨外汇市场与贵金属·综合运用
（3/3）·从相关系数到MQL5落地，拆解美元兑加元怎么吃贵金属的跨市场信息
不少老手仍把黄金与美元的反向关系当铁律，却在量化宽松年代被反复打脸。用直觉押注跨市场传导，往往忽略钯金这类工业金属的真实权重。本篇把前三篇的模型训练收口到可运行的交易终端里。
把回归模型落进ONNX的实操链路
ONNX 是一套与语言无关的模型交换格式，核心思路是把机器学习模型拆成节点与图结构，再用支持该 API 的环境重新拼回原模型。对做跨平台推理的交易者来说，这意味着在 Python 里训好的东西可以脱离 sklearn 直接进其他运行时。 这一步先确认工具链版本：onnx 1.15.0、netron 7.8.0、skl2onnx 1.16.0。版本对齐能避开不少转换期的隐性报错，尤其 skl2onnx 对小版本差异挺敏感。 模型输入被显式定义为 1×12 的浮点张量，对应 12 个特征列。用全量数据拟合了 LinearSVR（tol=1e-05，loss='squared_epsilon_insensitive'，epsilon=0，C=10000），随后转 ONNX 并存为 "USDCAD XAUUSD XPDUSD M1 Float.onnx"。外汇与贵金属 M1 周期信号迁移到 ONNX 后，部署风险仍高，实盘前务必在 MT5 做样本外核对。 用 netron 起本地视图能看到节点图和输入输出签名，确认参数形态与预期一致再往下走，不然后面推理端会卡在 dtype 不匹配上。
class="macro">#Let&class="macro">#x27;s prepare to class="kw">export our model to ONNX format class="kw">import onnx class="kw">import netron class="kw">import skl2onnx from skl2onnx class="kw">import convert_sklearn from skl2onnx.common.data_types class="kw">import FloatTensorType class="macro">#Display library versions print(f"Onnx version: {onnx.__version__}") print(f"Netron version: {netron.__version__}") print(f"Skl2onnx version: {skl2onnx.__version__}") class="macro">#Define the class="kw">input type initial_types = [(&class="macro">#x27;float_input&class="macro">#x27;,FloatTensorType([class="num">1,class="num">12]))] class="macro">#Train the model on all the data we have customized_lsvr = LinearSVR(tol=class="num">1e-05,loss=&class="macro">#x27;squared_epsilon_insensitive&class="macro">#x27;,epsilon=class="num">0,C=class="num">10000) customized_lsvr.fit(X,y) class="macro">#Covert the sklearn model onnx_model = convert_sklearn(customized_lsvr,initial_types=initial_types) class="macro">#Save the onnx model onnx_name = "USDCAD XAUUSD XPDUSD M1 Float.onnx" onnx.save(onnx_model,onnx_name) class="macro">#View the onnx model netron.start(onnx_name)
「把ONNX模型塞进EA的运行骨架」
在MT5里跑AI信号，第一步是把训练好的ONNX模型编译进EA。用 #resource 把 .onnx 文件以字节数组形式嵌进程序，再用 OnnxCreateFromBuffer 从内存缓冲区建模型，避免运行时去磁盘找文件。
加载交易库用 <Trade/Trade.mqh> 里的 CTrade，开平仓都靠它。全局变量里要预留12维的均值与标准差数组 mean_values[12]、std_values[12]，这是做特征缩放用的，少一维模型输入形状就对不上。
load_onnx 这个函数只做两件事：从buffer建模型，然后设输入输出形状。输入定为 {1,12}、输出 {1,1}，即一次喂12个特征、吐1个预测值。若 OnnxSetInputShape 返回false，直接在图表上 Comment 报错并终止，不然后面全错。
初始化时先调 load_onnx 再读CSV里的缩放值，任一步失败就 return INIT_FAILED 结束EA；OnDeinit 里释放模型资源。每次 OnTick 更新 ask/bid 后重算预测，无仓按模型方向开，有仓则检查预测是否反向，反向就倾向平仓或反向对冲。外汇与贵金属杠杆高，模型信号错一次可能吞掉周盈利，实盘前务必用策略测试器跑USDCAD M1回测。
class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| USDCAD AI.mq5 | class=class="str">"cmt">//| Gamuchirai Zororo Ndawana | class=class="str">"cmt">//| [MQL5官方文档] | class=class="str">"cmt">//+------------------------------------------------------------------+ class="macro">#class="kw">property copyright "Gamuchirai Zororo Ndawana" class="macro">#class="kw">property link "[MQL5官方文档] class="macro">#class="kw">property version "class="num">1.00" class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Resources | class=class="str">"cmt">//+------------------------------------------------------------------+ class="macro">#resource "\\Files\\USDCAD XAUUSD XPDUSD M1 Float.onnx" as class="kw">const class="type">uchar onnx_buffer[]; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Libraries we need | class=class="str">"cmt">//+------------------------------------------------------------------+ class="macro">#include <Trade/Trade.mqh> CTrade Trade; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Global variables | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">long onnx_model; class="type">class="kw">double mean_values[class="num">12],std_values[class="num">12]; vectorf model_output = vectorf::Zeros(class="num">1); class="type">int model_forecast,state; class="type">class="kw">double ask,bid; class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| This function is responsible for loading our ONNX model | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">bool load_onnx(class="type">void) { class=class="str">"cmt">//--- First we must create the model from the buffer onnx_model = OnnxCreateFromBuffer(onnx_buffer,ONNX_DEFAULT); class=class="str">"cmt">//--- Now we shall define our I/O shape class="type">class="kw">ulong input_shape [] = {class="num">1,class="num">12}; class="type">class="kw">ulong output_shape [] = {class="num">1,class="num">1}; if(!OnnxSetInputShape(onnx_model,class="num">0,input_shape)) { Comment("Failed to set ONNX class="kw">input shape!"); class="kw">return(class="kw">false); }
◍ 从 CSV 把标准化参数喂进数组
把 ONNX 推理用的均值和标准差从外部 CSV 读进来，是模型在 MT5 里跑起来的前提。下面这段 load_scaling_factors 函数专门干这事：打开 usd_cad_xau_xpd_scaling_factors.csv，按行扫，把第 14~25 行写进 mean_values，第 27~38 行写进 std_values。
| 文件用 FILE_READ | FILE_CSV | FILE_ANSI 打开，分隔符是逗号。循环里有个 counter > 100 的硬熔断，防止 csv 异常时死读；真正落库只看 counter 在 [14,26) 和 [27,39) 两个区间，说明这份因子表前 13 行可能是表头或无关元信息。 |
|---|
外汇与贵金属行情的高波动会让标准化参数失效偏快，建议每次换品种或重训模型后重导该 csv。开 MT5 把文件丢进 MQL5/Files，跑一遍看 ArrayPrint 打出的 mean_values 是不是 12 个浮点，就能验证读取偏移对不对。
if(!OnnxSetOutputShape(onnx_model,class="num">0,output_shape)) { Comment("Failed to set ONNX output shape!"); class="kw">return(class="kw">false); } class=class="str">"cmt">//--- Everything went fine class="kw">return(true); } class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| This function will read our scaling factors and store them | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">bool load_scaling_factors(class="type">void) { class=class="str">"cmt">//--- Read in the file class="type">class="kw">string file_name = "usd_cad_xau_xpd_scaling_factors.csv"; class=class="str">"cmt">//--- Try open the file class="type">int result = FileOpen(file_name,FILE_READ|FILE_CSV|FILE_ANSI,","); class=class="str">"cmt">//Strings of ANSI type(one byte symbols). class=class="str">"cmt">//--- Check the result if(result != INVALID_HANDLE) { Print("Opened the file"); class=class="str">"cmt">//--- Store the values of the file class="type">int counter = class="num">0; class="type">class="kw">string value = ""; class="kw">while(!FileIsEnding(result) && !IsStopped()) class=class="str">"cmt">//read the entire csv file to the end { if(counter > class="num">100) class=class="str">"cmt">//if you aim to read class="num">10 values set a break point after class="num">10 elements have been read break; class=class="str">"cmt">//stop the reading progress value = FileReadString(result); Print("Trying to read class="type">class="kw">string: ",value," count value: ",counter); class=class="str">"cmt">//--- Check where we are if((counter >= class="num">14) && (counter < class="num">26)) { mean_values[counter - class="num">14] = (class="type">class="kw">float) value; } class=class="str">"cmt">//--- Check where we are if((counter >= class="num">27) && (counter < class="num">39)) { std_values[counter - class="num">27] = (class="type">class="kw">float) value; } class=class="str">"cmt">//--- Reading a new row if(FileIsLineEnding(result)) { Print("row++"); } counter++; } class=class="str">"cmt">//---Close the file ArrayPrint(mean_values); ArrayPrint(std_values); FileClose(result); class="kw">return(true); } class=class="str">"cmt">//--- We failed to find the file else {
把多品种报价塞进ONNX模型前先标准化
这段逻辑干的事很直接：先抓 USDCAD、XAUUSD、XPDUSD 三个品种当前 K 线的开高低收，拼成长度 12 的向量，再丢给训练好的 ONNX 模型跑推理。外汇与贵金属跨品种联合输入时，量纲差异极大——金价 1900 上下，美加汇率 1.3 上下，不标准化模型输出会失真，这是实盘前必须验证的点。 标准化循环写死了 i<12，对应前面三个品种各 4 个价格字段。每一维都用各自预存的均值 mean_values[i] 和标准差 std_values[i] 做 z-score，若你换品种或加字段，数组长度和归一化参数必须同步改，否则 OnnxRun 可能直接报错或给出无意义预测。 模型输出 model_output[0] 只跟 USDCAD 当前收盘比大小：高于收盘则 model_forecast 置 1（倾向上涨），低于则置 -1（倾向下跌）。这种二值化很粗糙，真实外汇高风险环境下建议把阈值做成可调参数，而非硬比现价。
class="type">void update_market_prices(class="type">void) { ask = SymbolInfoDouble(_Symbol,SYMBOL_ASK); bid = SymbolInfoDouble(_Symbol,SYMBOL_BID); } class="type">void model_predict(class="type">void) { class=class="str">"cmt">//--- First fetch the market data vectorf model_input = { iOpen("USDCAD",PERIOD_CURRENT,class="num">0),iHigh("USDCAD",PERIOD_CURRENT,class="num">0),iLow("USDCAD",PERIOD_CURRENT,class="num">0),iClose("USDCAD",PERIOD_CURRENT,class="num">0), iOpen("XAUUSD",PERIOD_CURRENT,class="num">0),iHigh("XAUUSD",PERIOD_CURRENT,class="num">0),iLow("XAUUSD",PERIOD_CURRENT,class="num">0),iClose("XAUUSD",PERIOD_CURRENT,class="num">0), iOpen("XPDUSD",PERIOD_CURRENT,class="num">0),iHigh("XPDUSD",PERIOD_CURRENT,class="num">0),iLow("XPDUSD",PERIOD_CURRENT,class="num">0),iClose("XPDUSD",PERIOD_CURRENT,class="num">0) }; class=class="str">"cmt">//--- Now standardize and scale the data for(class="type">int i =class="num">0; i < class="num">12; i++) { model_input[i] = ((model_input[i] - mean_values[i]) / std_values[i]); } class=class="str">"cmt">//--- Now fetch a prediction from our model OnnxRun(onnx_model,ONNX_DEFAULT,model_input,model_output); class=class="str">"cmt">//--- Store our model&class="macro">#x27;s forecat if(model_output[class="num">0] > iClose("USDCAD",PERIOD_CURRENT,class="num">0)) { model_forecast = class="num">1; } else if(model_output[class="num">0] < iClose("USDCAD",PERIOD_CURRENT,class="num">0)) { model_forecast = -class="num">1; } }
「EA 生命周期与 ONNX 推理主循环」
把训练好的 ONNX 模型塞进 MT5，关键在 OnInit 里把模型和归一化参数一次性读进来。只要 load_onnx() 或 load_scaling_factors() 任一失败，直接返回 INIT_FAILED，EA 不会上线跑单，避免用错权重做决策。 OnDeinit 只做一件事：OnnxRelease 释放模型句柄，再 ExpertRemove 自卸。不清理显存/内存句柄，多次加载策略容易把终端拖死。 OnTick 的逻辑很直白：先 update_market_prices() 刷最新价，再 model_predict() 取模型信号。无持仓时，forecast 为 -1 就 Trade.Sell(0.2, _Symbol, ask, 0, 0, "USDCAD AI") 做空 0.2 手，为 1 则同参数 Buy 做多，并把 state 记成对应方向。 有持仓后若 state 与最新 model_forecast 不一致，视为反转，Alert 弹窗后 PositionClose 平掉当前符号所有仓位。外汇与贵金属杠杆高，这类硬平可能落在滑点扩大的瞬间，实盘前建议在策略测试器用 USDCAD 历史数据跑至少 3 个月验证信号翻转频率。
class=class="str">"cmt">//| Expert initialization function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">int OnInit() { class=class="str">"cmt">//--- This function will load our ONNX model if(!load_onnx()) { class="kw">return(INIT_FAILED); } class=class="str">"cmt">//--- This function will load our scaling factors if(!load_scaling_factors()) { class="kw">return(INIT_FAILED); } class=class="str">"cmt">//--- class="kw">return(INIT_SUCCEEDED); } class=class="str">"cmt">//+------------------------------------------------------------------+ class=class="str">"cmt">//| Expert deinitialization function | class=class="str">"cmt">//+------------------------------------------------------------------+ class="type">void OnDeinit(class="kw">const class="type">int reason) { class=class="str">"cmt">//--- Free up the resources we do not need OnnxRelease(onnx_model); ExpertRemove(); } class="type">void OnTick() { class=class="str">"cmt">//--- Update the market prices update_market_prices(); class=class="str">"cmt">//--- Fetch a forecast from our model model_predict(); class=class="str">"cmt">//--- Find a trading oppurtunity if(PositionsTotal() == class="num">0) { if(model_forecast == -class="num">1) { Trade.Sell(class="num">0.2,_Symbol,ask,class="num">0,class="num">0,"USDCAD AI"); state = -class="num">1; } else if(model_forecast == class="num">1) { Trade.Buy(class="num">0.2,_Symbol,ask,class="num">0,class="num">0,"USDCAD AI"); state = class="num">1; } } class=class="str">"cmt">//--- Check for reversals if(PositionsTotal() > class="num">0) { if(state != model_forecast) { Alert("Reversal detected by our AI system, closing all positions now!"); Trade.PositionClose(_Symbol); } } } class=class="str">"cmt">//+------------------------------------------------------------------+
◍ 把这条线请下神坛
这套跨市场关联分析跑下来，实证结果偏向一个反直觉结论：普通行情数据加简单线性模型，往往够用。噪声是主因——分钟级 USDCAD、XAUUSD、XPDUSD 这类品种序列里干扰项太多，复杂模型对输入微变过于敏感，反而容易过拟合。 附件里 USDCAD_AI.mq5（7.77 KB）和对应的 onnx 浮点模型（0.32 KB）可以直接拖进 MT5 验证：用默认参数跑 USDCAD 的 M1，对比你手头任意神经网络 EA，夏普未必更好。外汇与贵金属杠杆高、回撤凶，验证时请先用模拟盘。 所以别把隐藏关系当圣杯。开 MT5 把那几个缩放因子 csv（0.56 KB）配上，跑一遍自有样本，比信任何‘关联暴利’说辞都实在。