ONNX-Modelle in MT5: Wie echtes KI-Trading tatsächlich funktioniert

Was ist ONNX? (Und warum Trader das interessieren sollte)

ONNX (Open Neural Network Exchange) ist ein Open-Source-Format für Machine-Learning-Modelle. Stellen Sie es sich als universellen Übersetzer vor: Sie trainieren ein Modell in Python mit Frameworks wie PyTorch, TensorFlow, XGBoost oder scikit-learn — und exportieren es dann ins .onnx-Format, damit es überall laufen kann.

Für Trader ist das wichtig, weil MetaTrader 5 native ONNX-Runtime-Unterstützung hat. Das bedeutet: Sie können ein ausgeklügeltes ML-Modell auf Ihrem Rechner trainieren, als .onnx-Datei exportieren, direkt in einen Expert Advisor einbetten und bei jedem Tick ausführen — ohne externe Server, API-Aufrufe oder Internetabhängigkeiten.

Das ist ein fundamentaler Wandel. Vor ONNX bedeutete die Ausführung von ML-Modellen in MT5:

• Modellgewichte direkt in MQL5-Code hartcodieren (fragil, begrenzt)
• HTTP-Aufrufe an einen externen Python-Server (Latenz, Zuverlässigkeitsprobleme)
• DLL-Imports verwenden (Sicherheitsbedenken, Kompatibilitätsprobleme)

ONNX hat alle drei Probleme gelöst. Das Modell läuft nativ im Terminal, mit C++-Geschwindigkeit, mit null externen Abhängigkeiten.

Das ONNX-Projekt wird von Microsoft, Meta, Amazon und Dutzenden anderen großen Tech-Unternehmen unterstützt — es ist der Industriestandard für Modell-Interoperabilität.

Wie ONNX in MetaTrader 5 funktioniert

MetaQuotes hat ab Build 3600+ native ONNX-Unterstützung zu MT5 hinzugefügt. Der technische Ablauf:

Die Pipeline: Trainieren → Exportieren → Einbetten → Ausführen

1. Trainieren Sie Ihr Modell in Python. Hier machen Sie Feature-Engineering, Cross-Validation, Walk-Forward-Testing — die gesamte Schwerarbeit.
2. Exportieren Sie das trainierte Modell ins .onnx-Format mit Bibliotheken wie onnxmltools oder skl2onnx.
3. Betten Sie die .onnx-Datei als Ressource in Ihren MQL5 Expert Advisor ein.
4. Führen Sie das Modell bei jedem Tick mit MQL5-nativen Funktionen aus: OnnxCreate(), OnnxRun(), OnnxRelease().

Wichtige MQL5-ONNX-Funktionen

• OnnxCreate() / OnnxCreateFromBuffer() — Modell laden
• OnnxRun() — Modell ausführen und Vorhersagen erhalten
• OnnxSetInputShape() / OnnxSetOutputShape() — Tensor-Dimensionen konfigurieren
• OnnxRelease() — Sitzung schließen und Speicher freigeben

Performance

Da die ONNX Runtime kompilierter C++-Code ist, der innerhalb des MT5-Prozesses läuft, ist die Inferenz extrem schnell. Ein typisches Modell mit 50-100 Features läuft in unter 1 Millisekunde pro Vorhersage.

Warum ONNX ein Game-Changer für EA-Entwicklung ist

Vor ONNX in MT5 war die Lücke zwischen ML-Forschung und Live-Trading riesig. ONNX löst fünf konkrete Probleme:

1. Framework-Unabhängigkeit

Sie sind nicht an ein bestimmtes ML-Toolkit gebunden. Trainieren Sie mit XGBoost, LightGBM oder PyTorch — alles exportiert ins selbe .onnx-Format.

2. Keine externen Abhängigkeiten

Das Modell läuft im MT5-Prozess. Kein Python-Server. Keine API-Aufrufe. Kein Internet nötig für Vorhersagen.

3. Volle Strategy-Tester-Kompatibilität

ONNX-Modelle funktionieren nativ im MT5 Strategy Tester. Sie können ML-basierte EAs über 10+ Jahre Tick-Daten backtesten.

4. Modell-Updates ohne Code-Änderungen

Beim Nachtraining ersetzen Sie einfach die .onnx-Datei. Der EA-Code bleibt gleich.

5. Multi-Modell-Architektur

MT5 kann mehrere ONNX-Modelle gleichzeitig laden — für Ensemble-Ansätze mit robusteren Signalen.

Der ONNX-Trainingsworkflow (Schritt für Schritt)

So sieht der tatsächliche Entwicklungsprozess für einen ONNX-basierten EA aus:

Schritt 1: Feature Engineering

Rohe Preisdaten (OHLCV) sind für ML-Modelle fast nutzlos. Sie müssen in aussagekräftige Features transformiert werden: technische Indikatoren, statistische Maße, Volatilitätsmetriken, zeitbasierte Muster.

Schritt 2: Training & Validierung

Daten in Training-, Validierungs- und Testsets aufteilen — aber niemals zufällig bei Zeitreihen. Walk-Forward-Validierung ist Standard. Wenn ein Modell nur in einem bestimmten Zeitfenster funktioniert, ist es überangepasst.

Mehr dazu in unserem Artikel über Machine Learning Expert Advisors: Hype vs Realität.

Schritt 3: ONNX-Export

Das validierte Modell wird mit Tools wie onnxmltools exportiert. Die .onnx-Datei ist typischerweise 100KB bis 5MB groß.

Schritt 4: MQL5-Integration

Die .onnx-Datei als Ressource einbetten, in OnInit() laden, in OnTick() Vorhersagen ausführen, in OnDeinit() freigeben.

Schritt 5: Strategy-Tester-Validierung

Vor dem Live-Handel den EA mit eingebettetem ONNX-Modell über den gesamten Datensatz backtesten — inklusive Out-of-Sample-Perioden.

Ensemble-Modelle: Warum ein einzelnes ONNX nicht reicht

Im kompetitiven ML gewinnen einzelne Modelle selten. Ensembles — Kombinationen mehrerer Modelle — übertreffen konsistent einzelne Modelle in Genauigkeit und Robustheit.

Warum Ensembles funktionieren

• XGBoost erfasst nichtlineare Beziehungen hervorragend
• LightGBM ist schneller und effizient bei hochdimensionalen Features
• CatBoost handhabt kategorische Features und widersteht Überanpassung
• Neuronale Netze erfassen komplexe temporale Muster

Wenn Sie ihre Vorhersagen kombinieren, werden Fehler eines Modells durch andere korrigiert.

Reales Beispiel: 4-Modell-Ensemble für Gold

Unser Karat Killer EA verwendet 4 verschiedene ONNX-Modelle parallel für XAUUSD-Handel. Trades werden nur ausgeführt, wenn das Ensemble Konsens erreicht. Backtest-Ergebnis: +7.229% über 10 Jahre XAUUSD-Daten.

ONNX vs andere KI-Ansätze in MT5

Ansatz	Vorteile	Nachteile	Am besten für
ONNX Runtime	Nativer MT5-Support, schnell, zuverlässig, backtestbar	Erfordert ML-Expertise	Produktionsreife ML-EAs
Externe API	Volles Python-Ökosystem	Latenz, Zuverlässigkeit, kein korrektes Backtesting	Forschung & Prototyping
Hartcodierte Gewichte	Einfach	Fragil, begrenzte Modelltypen	Nur sehr einfache Modelle
DLL-Imports	Volle Flexibilität	Sicherheitsrisiken, MQL5 Market erlaubt es nicht	Institutionelle Systeme
Nur "KI"-Label	Leicht zu vermarkten	Keine echte KI	Marketing (leider häufig)

Für jeden, der ML im Trading ernst nimmt, ist ONNX der klare Gewinner.

Wie BLODSALGO ONNX einsetzt (Unsere echte Architektur)

Karat Killer — 4-Modell XAUUSD Ensemble

Karat Killer ist unser technisch fortschrittlichster EA:

• 4 ONNX-Modelle: XGBoost, LightGBM, CatBoost und ein tiefes neuronales Netz
• 60+ Features inklusive Preismuster, Volatilitätsmaße und Cross-Asset-Korrelationen
• Konsenssystem: Alle 4 Modelle müssen über die Richtung einig sein
• Backtest-Ergebnis: +7.229% Rendite über 10 Jahre

Stability Killer AI — ML für AUDCAD

Stability Killer AI nutzt ein einzelnes ONNX-Modell, optimiert für AUDCADs Mean-Reversion:

• Live-Signal Max Drawdown: 4,08%
• Live-Wachstum: +15,6% verifiziert

Beide EAs enthalten die .onnx-Modelldateien als eingebettete Ressourcen. Zum Thema Gold und KI im Trading lesen Sie unseren Artikel über KI und Machine Learning für XAUUSD-Handel.

Erste Schritte mit ONNX in eigenen EAs

Voraussetzungen

• Python 3.8+ mit scikit-learn, XGBoost oder PyTorch
• MetaTrader 5 Build 3600 oder höher
• Grundkenntnisse in Machine Learning
• Historische Daten (5+ Jahre minimum)

Minimales Arbeitsbeispiel

// In OnInit()
int handle = OnnxCreate("model.onnx", 0);
OnnxSetInputShape(handle, 0, input_shape);

// In OnTick()
float features[], prediction[];
OnnxRun(handle, 0, features, prediction);

// In OnDeinit()
OnnxRelease(handle);

Häufige Fehler

• Feature-Mismatch: MQL5-Features müssen exakt mit dem Python-Training übereinstimmen
• Shape-Fehler: Immer OnnxSetInputShape() vor Inferenz aufrufen
• Überanpassung: Walk-Forward-Validierung statt nur Train/Test-Splits verwenden
• Normalisierung: Gleiche Normalisierung wie im Python-Training anwenden

MetaQuotes hat umfangreiche ONNX-Dokumentation veröffentlicht.

Die Zukunft von ONNX im algorithmischen Handel

Die ONNX-Adoption in MT5 ist noch früh. Die meisten EAs sind rein regelbasiert — was bedeutet, dass der Wettbewerbsvorteil von echtem ML erheblich ist.

Was kommt

• Transformer-Modelle: Attention-basierte Architekturen werden für Zeitreihenprognose adaptiert
• Reinforcement Learning: Modelle, die optimale Trading-Policen lernen
• Größere Feature-Sets: Alternative Datenquellen, Cross-Market-Korrelationen
• Automatisches Nachtraining: Pipelines, die Modelle periodisch aktualisieren

Warum es jetzt wichtig ist

Für Trader, die EAs bewerten, ist ONNX-Verständnis eine praktische Fähigkeit: Es ermöglicht die Unterscheidung zwischen echten ML-Produkten und reinen Marketing-"KI"-Labels. Suchen Sie nach .onnx-Dateien, fragen Sie nach Trainingsmethodik, verlangen Sie Walk-Forward-Ergebnisse.

FAQ: ONNX-Modelle in MetaTrader 5

Welche MT5-Version unterstützt ONNX?

ONNX Runtime wird seit MetaTrader 5 Build 3600+ unterstützt. Stellen Sie sicher, dass Ihr Terminal auf dem neuesten Stand ist.

Verlangsamen ONNX-Modelle meinen EA?

Minimaler Einfluss. Ein typisches Modell läuft in unter 1 Millisekunde pro Vorhersage. Selbst ein 4-Modell-Ensemble fügt nur 2-3ms pro Tick hinzu.

Kann ich ONNX-Modelle im Strategy Tester nutzen?

Ja — das ist einer der größten Vorteile. Modelle laufen nativ im Strategy Tester.

Welche ML-Frameworks exportieren nach ONNX?

Die meisten großen: scikit-learn, XGBoost, LightGBM, CatBoost, PyTorch, TensorFlow, Keras und mehr.

Wie erkenne ich ob ein EA wirklich ONNX nutzt?

Öffnen Sie den EA in MetaEditor und prüfen Sie den Resources-Tab. Echte ONNX-EAs enthalten .onnx-Dateien als eingebettete Ressourcen.

Funktioniert ONNX mit VPS-Hosting?

Ja. Die ONNX Runtime läuft im MT5-Prozess und funktioniert auf jedem System, das MT5 ausführen kann.