文章 "如何在 MQL5 中集成 ONNX 模型的示例"
Для обучения используются серии из 63 цен Close
神秘的数字 63）
我设置了相同的日期和相同的设置，但结果却不同。有人知道为什么吗？
第一个模型测试结果
第二个模型测试结果
首先，非常感谢你将这些内容整合在一起，很高兴能从不同的方向进行研究。它简单易懂，编排合理。
对我来说，使用模拟账户的成功率和交易次数都差不多，但使用 Meta Trader 模拟账户的成功率和交易次数略低。我的交易账户只交易一次。我想这与经纪商的时区有关，我的经纪商在澳大利亚（GMT+10）。模拟账户的第一笔交易是：Core 1 2023.01.02 07:02:00 deal #2 sell 1 EURUSD at 1.07016 done（根据订单#2）。
我的 澳大利亚 经纪商(GMT+10) 的 第一笔交易 是： Core 1 2023.01.03 00:00:00 市场失败，卖出 1 EURUSD [市场关闭]，不确定如何解决这个问题。整个模型可能与时区有关。但2023.01.02 07:02:00 的开始交易是如何变成2023.01.03 00:00:00 的？
如果能找到原因，我们将不胜感激。
Slava #:
交易服务
交易服务
我也是一样，在我的 MetaQuates 演示账户上使用原始 onnx文件 ，我设法重现了非常相似的结果。
然后，我设法重新训练 Python ML，并完成了训练；不过出现了以下警告/错误，可以忽略不计：
D:\MT5 Demo1\MQL5\Experts\article_12433\Python>python ONNX.eurusd.D1.10.Training.py 2023-11-19 18:07:38.169418: W tensorflow/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'cudart64_110.dll'; dlerror: cudart64_110.dll not found 2023-11-19 18:07:38.169664: I tensorflow/stream_executor/cuda/cudart_stub.cc:29] Ignore above cudart dlerror if you do not have a GPU set up on your machine. data path to save onnx model 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 5187/5187 [00:00<00:00, 6068.93it/s] 2023-11-19 18:07:40.434910: W tensorflow/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'nvcuda.dll'; dlerror: nvcuda.dll not found 2023-11-19 18:07:40.435070: W tensorflow/stream_executor/cuda/cuda_driver.cc:263] failed call to cuInit: UNKNOWN ERROR (303) 2023-11-19 18:07:40.437138: I tensorflow/stream_executor/cuda/cuda_diagnostics.cc:169] retrieving CUDA diagnostic information for host: WIN-SSPXX7BO0B0 2023-11-19 18:07:40.437323: I tensorflow/stream_executor/cuda/cuda_diagnostics.cc:176] hostname: WIN-SSPXX7BO0B0 2023-11-19 18:07:40.437676: I tensorflow/core/platform/cpu_feature_guard.cc:193] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations: AVX AVX2 To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags. Epoch 1/50 111/111 - 1s - loss: 1.6160 - mae: 0.9378 - val_loss: 2.7602 - val_mae: 1.3423 - lr: 0.0010 - 1s/epoch - 12ms/step Epoch 2/50 111/111 - 0s - loss: 1.4932 - mae: 0.8952 - val_loss: 2.4339 - val_mae: 1.2412 - lr: 0.0010 - 287ms/epoch - 3ms/step ...
两个 ML 脚本均以
111/111 - 0 s - loss: 1.2812 - mae: 0.8145 - val_loss: 1.2598 - val_mae: 0.8142 - lr: 1.0000 e-06 - 366 ms/epoch - 3 ms/step Epoch 50/50 111/111 - 0 s - loss: 1.3030 - mae: 0.8203 - val_loss: 1.2604 - val_mae: 0.8143 - lr: 1.0000 e-06 - 365 ms/epoch - 3 ms/step 33/33 [==============================] - 0 s 1 ms/step - loss: 1.1542 - mae: 0.7584 test_loss=1.154 test_mae=0.758 2023-11-19 18:07:57.480814: I tensorflow/core/grappler/devices.cc:66] Number of eligible GPUs (core count >= 8, compute capability >= 0.0): 0 2023-11-19 18:07:57.481315: I tensorflow/core/grappler/clusters/single_machine.cc:358] Starting new session 2023-11-19 18:07:57.560110: I tensorflow/core/grappler/devices.cc:66] Number of eligible GPUs (core count >= 8, compute capability >= 0.0): 0 2023-11-19 18:07:57.560380: I tensorflow/core/grappler/clusters/single_machine.cc:358] Starting new session 2023-11-19 18:07:57.611678: I tensorflow/compiler/mlir/mlir_graph_optimization_pass.cc:354] MLIR V1 optimization pass is not enabled saved model to model.eurusd.D1.10.onnx
24/24 - 0 s - loss: 0.6618 - accuracy: 0.6736 - val_loss: 0.8993 - val_accuracy: 0.4759 - lr: 4.1746 e-05 - 37 ms/epoch - 2 ms/step Epoch 300/300 24/24 - 0 s - loss: 0.6531 - accuracy: 0.6770 - val_loss: 0.8997 - val_accuracy: 0.4789 - lr: 4.1746 e-05 - 39 ms/epoch - 2 ms/step 11/11 [==============================] - 0 s 682 us/step - loss: 0.8997 - accuracy: 0.4789 test_loss=0.900 test_accuracy=0.479 2023-11-19 18:07:19.838160: I tensorflow/core/grappler/devices.cc:66] Number of eligible GPUs (core count >= 8, compute capability >= 0.0): 0 2023-11-19 18:07:19.838516: I tensorflow/core/grappler/clusters/single_machine.cc:358] Starting new session 2023-11-19 18:07:19.872285: I tensorflow/core/grappler/devices.cc:66] Number of eligible GPUs (core count >= 8, compute capability >= 0.0): 0 2023-11-19 18:07:19.872584: I tensorflow/core/grappler/clusters/single_machine.cc:358] Starting new session saved model to model.eurusd.D1.63.onnx
接下来，我重新编译原始的 ONNX.Price.Prediction.2M.D1.mq5 以使用新训练的 ML。
使用相同的 MetaQuates 演示账户进行的回溯测试结果与原始结果大相径庭，看起来不太妙。
如果能知道出了什么问题，我将非常感激。
非常感谢。
新文章 如何在 MQL5 中集成 ONNX 模型的示例已发布：
ONNX（开放神经网络交换）是一种表现神经网络的开放格式。 在本文中，我们将展示如何在一个智能交易系统中同时使用两个 ONNX 模型。
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，我们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。
第一个模型测试结果
现在我们测试第二个模型。 此处是第二个模型的测试结果。
事实证明，第二个模型比第一个模型强得多。 结果确认了弱模型需要集成的理论。 然而，本文不是关于集成理论，而是关乎实际应用。
作者：MetaQuotes