文章 "如何在 MQL5 中使用 ONNX 模型" - 页 4

[Catur Susetyo]

非常感谢。真的非常感谢。希望在不久的将来能有更多关于它的文章。

[donbar upbar]

onyx 库有问题吗？

安装 onyx 时出现错误

ERROR：Could not find a version that satisfies the requirement onyx (from versions：0.0.5, 0.0.17, 0.0.19, 0.0.20, 0.0.21, 0.1, 0.1.1, 0.1.3, 0.1.4, 0.1.5, 0.2, 0.2.1, 0.3, 0.3.2, 0.3.3, 0.3.4, 0.3.5, 0.3.6, 0.3.7, 0.3.8, 0.3.9, 0.3.10, 0.3.11, 0.3.12, 0.4, 0.4.1, 0.4.2, 0.4.4, 0.4.5, 0.4.6, 0.4.7, 0.5, 0.6.1, 0.6.2, 0.6.3, 0.6.4, 0.7.3, 0.7.4, 0.7.5, 0.7.6, 0.7.7, 0.7.8, 0.7.10, 0.7.11, 0.7.12, 0.7.13, 0.8.5, 0.8.7, 0.8.10, 0.8.11)

错误：未找到与 onyx 匹配的发行版

然后在运行 t2fonnx 时

导入 onyx

ModuleNotFoundError：没有名为 "onyx "的模块

[Vasiliy Pototskiy]

奇怪的是，网络是以小时为单位进行训练的，而专家顾问提供的却是每日数据。这是一个错误吗？还是我不明白什么？

[Bill M]

donbar upbar #:

onyx lib 有问题吗？

安装 onyx 时出现错误

ERROR：Could not find a version that satisfies the requirement onyx (from versions：0.0.5, 0.0.17, 0.0.19, 0.0.20, 0.0.21, 0.1, 0.1.1, 0.1.3, 0.1.4, 0.1.5, 0.2, 0.2.1, 0.3, 0.3.2, 0.3.3, 0.3.4, 0.3.5, 0.3.6, 0.3.7, 0.3.8, 0.3.9, 0.3.10, 0.3.11, 0.3.12, 0.4, 0.4.1, 0.4.2, 0.4.4, 0.4.5, 0.4.6, 0.4.7, 0.5, 0.6.1, 0.6.2, 0.6.3, 0.6.4, 0.7.3, 0.7.4, 0.7.5, 0.7.6, 0.7.7, 0.7.8, 0.7.10, 0.7.11, 0.7.12, 0.7.13, 0.8.5, 0.8.7, 0.8.10, 0.8.11)

错误：未找到与 onyx 匹配的发行版

然后在运行 t2fonnx 时

导入 onyx

ModuleNotFoundError：没有名为 "onyx "的模块

你好，Donbar，看起来你试图安装错误的软件包。应该是 onnx，而不是 onyx。

[Bill M]

嗨，感谢您的文章。这是一篇关于如何构建 ML 模型并将其纳入 EA 的精彩攻略！

我试图重现您的结果，但遇到了一些问题。我希望你能帮助我了解原因。

我仔细地阅读了文章，但最终在策略测试器中 得到的结果却截然不同。我知道这些算法有一些随机特性，但我还是对这种差异感到惊讶。我也很小心地使用了相同的时间段，这样至少在建立模型时我的训练数据和测试数据是相同的，而且我的 MT5 回溯测试也是在相同的时间段内进行的。结果却大相径庭。

我试图找出可能的原因，我认为最有趣的差异始于模型构建过程。我的损失函数表明，在查看测试/验证数据的表现时，你的概括性要好得多。我已将它们包含在本信息的末尾。

您能提出可能的原因吗？这个模型是不是太脆弱了，以至于无法预料？

我最近一次重现的努力是简单复制粘贴您的 Python 最终代码，插入一些 Matplotlib 调用来生成损失图，但结果基本相同。您能建议我如何更好地重现您的结果吗？

谢谢

[mytarmailS]

Vladimir Perervenko 项目 都包括三个阶段：

• 预处理
• 模型选择、训练、优化等
• 实施

在 µl 中使用 ONNX 模型解决了实施问题。不过，并非所有模型都能实现，而且也不太容易。

模型的训练和优化由 Python 中的一个单独流程解决。

但在上述所有过程中，第一阶段是最耗时、最具创造性和最重要的。而且不可能在 µl 上实现。我们不认为原始缩放是预处理。民间智慧说："垃圾进，垃圾出"。要在 MCL 上充分使用 MO，需要在 MCL 上额外开发和实施的东西太多了。不可能包罗万象，尤其是它还在不断扩展。

因此，要执行预处理，要么用另一种语言（掌握 R/Python/Julia 等语言的人），要么尝试将其转换为 ONNX。

到目前为止，实施 ONNX 的好处仅在于学习如何转换、创建、简化和优化 ONNX 模型。将来可能会有用。

你说得太好了，一切都很准确，切中要害

[mytarmailS]

Rorschach #:

将预处理转移到 MT 不是问题，但我很想在 MT 测试仪中测试系统，而在 python/R 中我需要编写自己的测试仪，错误百出。

现在已经有很多用 R 和 Python 测试过的测试器了。

但转移预处理只是个问题，预处理不是一个微不足道的缩放或随机计算。

[Too Chee Ng]

Bill M 策略测试器中 得到的结果却截然不同。我知道这些算法有一些随机特性，但我还是对这种差异感到惊讶。我也很小心地使用了相同的时间段，这样至少在建立模型时我的训练数据和测试数据是相同的，而且我的 MT5 回溯测试也是在相同的时间段内进行的。结果却大相径庭。

我试图找出可能的原因，我认为最有趣的差异始于模型构建过程。我的损失函数表明，在查看测试/验证数据的表现时，你的概括性要好得多。我把它们放在了本信息的末尾。

您能提出可能的原因吗？模型是否过于脆弱，以至于出现这种情况并非意料之外？

我最近的重现工作只是复制粘贴了您的 Python 最终代码，插入了一些 Matplotlib 调用来生成损失图，但得到的结果基本相同。您能建议我如何更好地重现您的结果吗？

谢谢

我也遇到了同样的问题。

谁能帮帮我？

[Too Chee Ng]

Joseph #:

我也遇到了同样的问题。

谁能帮帮我？

继续调查我所面临的问题（很可能还有其他问题）；并更新我的调查结果。

首先，非常感谢MetaQuotes（作者）分享这篇详细的文章。在我的 ML 交易探索中，我学到了很多东西。

在我的 MetaQuates 演示账户上运行文章中的原始 onnx文件 ，我设法重现了相同的结果。但是，使用附件中的 ONNX.eurusd.H1.120.Training.py 重新训练 onnx 模型时，模型（附件：ONNX.eurusd.H1.120.Training.py：

data start date = 2022-09-03 00:00:00
data end date = 2023-01-01 00:00:00

模型（ONNX 附录：）的得分：

RMSE         : 0.005212606864326095
MSE          : 2.7171270322019527e-05
R2 score     : -3.478924709873314

以及所附的 2023 年 1 月 1 日至 3 月 26 日的回溯测试结果："回溯测试结果.png"

[Too Chee Ng]

我用下面的内容重新训练了所附的 ONNX.eurusd.H1.120.Training.py：

data start date = 2022-11-28 12:28:00
data end date = 2023-03-28 12:28:00

模型（ONNX 附录：）得分：

RMSE         : 0.0014680559413400179
MSE          : 2.155188246903726 e-06
R2 score     : 0.9699715149559284

并附上 2023 年 1 月 1 日至 2023 年 3 月 26 日的细菌检测结果："bacttest result2.png

因此，从上述练习中，我猜测用于生成文章中最终结果 的模型很可能没有经过以下日期的训练？

data start date = 2022-09-03 00:00:00
data end date = 2023-01-01 00:00:00

希望有人能对此发表评论。
。