期货量化交易软件：如何在 MQL5 中集成 ONNX 模型的示例

概述

为了稳定进行交易，通常建议采用多样化得交易工具和交易策略。 这同样是指机器学习模型：创建几个更简单的模型比创建一个复杂的模型更容易。 但是，将这些模型汇集到一个 ONNX 模型可能很困难。

不过，可以在一个 MQL5 程序中组合多个经过训练的 ONNX 模型。 在本文中，赫兹量化软件将研究融合方式之一，称为表决分类器。 我们将向您展示如何轻松地实现这样的融合。

添加图片注释，不超过 140 字（可选）

项目的模型

对于我们的示例，赫兹量化软件将用到两个简单的模型：回归价格预测模型，和分类价格变动预测模型。 模型之间的主要区别在于回归模型预测数量，而分类模型预测分类。

第一个模型是回归。

它依据 2003 年至 2022 年底的 EURUSD D1 数据进行训练。 训练是基于一个 10 OHLC 价格序列进行。 为了提高模型的可训练性，赫兹量化软件对价格进行归常规化，并将序列中的平均价格除以序列中的标准差。 因此，我们将一个序列纳入某个范围，平均值为 0，扩散为 1，这提高了训练期间的收敛性。

结果就是，模型应能预测下一个交易日的收盘价。

模型非常简单。 此处提供的仅用于演示目的。

# Copyright 2023, MetaQuotes Ltd. # https://www.mql5.com from datetime import datetime import MetaTrader5 as mt5 import tensorflow as tf import numpy as np import pandas as pd import tf2onnx from sklearn.model_selection import train_test_split from tqdm import tqdm from sys import argv if not mt5.initialize(): print("initialize() failed, error code =",mt5.last_error()) quit() # we will save generated onnx-file near the our script data_path=argv[0] last_index=data_path.rfind("\\")+1 data_path=data_path[0:last_index] print("data path to save onnx model",data_path) # input parameters inp_model_name = "model.eurusd.D1.10.onnx" inp_history_size = 10 inp_start_date = datetime(2003, 1, 1, 0) inp_end_date = datetime(2023, 1, 1, 0) # get data from client terminal euru