Modèles ONNX dans MT5 : Comment le Trading IA Fonctionne Réellement

Qu'est-ce que ONNX ? (Et Pourquoi les Traders Devraient S'en Soucier)

ONNX (Open Neural Network Exchange) est un format open-source pour les modèles de machine learning. C'est un traducteur universel : vous entraînez un modèle en Python avec PyTorch, TensorFlow, XGBoost ou scikit-learn — puis vous l'exportez au format .onnx pour qu'il fonctionne partout.

Pour les traders, c'est important car MetaTrader 5 a un support natif ONNX Runtime. Vous pouvez entraîner un modèle ML sophistiqué, l'exporter en .onnx, l'intégrer directement dans un Expert Advisor et l'exécuter à chaque tick — sans serveurs, appels API ni dépendances Internet.

Avant ONNX, exécuter des modèles ML dans MT5 signifiait :

• Coder en dur les poids dans MQL5 (fragile, limité)
• Appels HTTP vers un serveur Python (latence, fiabilité)
• Imports DLL (sécurité, compatibilité)

ONNX résout les trois. Le modèle tourne nativement dans le terminal, à la vitesse du C++. Le projet est soutenu par Microsoft, Meta, Amazon — c'est le standard de l'industrie.

Comment ONNX Fonctionne dans MetaTrader 5

MetaQuotes a ajouté le support natif ONNX depuis la build 3600+.

Le Pipeline : Entraîner → Exporter → Intégrer → Exécuter

1. Entraîner le modèle en Python avec feature engineering et validation walk-forward.
2. Exporter vers .onnx avec onnxmltools ou skl2onnx.
3. Intégrer le fichier .onnx comme ressource dans l'EA MQL5.
4. Exécuter avec OnnxCreate(), OnnxRun(), OnnxRelease().

Fonctions MQL5 Clés

• OnnxCreate() — Charger un modèle
• OnnxRun() — Exécuter les prédictions
• OnnxSetInputShape() — Configurer les dimensions
• OnnxRelease() — Libérer la mémoire

Performance

L'inférence d'un modèle typique prend moins de 1 milliseconde. Assez rapide pour l'analyse tick par tick même sur les instruments les plus volatils.

Pourquoi ONNX Change la Donne pour le Développement d'EAs

1. Indépendance du Framework

XGBoost, LightGBM, PyTorch — tous exportent vers le même format .onnx.

2. Aucune Dépendance Externe

Le modèle tourne dans le processus MT5. Pas de serveur Python, pas d'API, pas d'Internet nécessaire.

3. Compatibilité Strategy Tester

Backtestez un EA ML sur 10+ ans de données tick, exactement comme un EA traditionnel.

4. Mises à Jour Sans Changement de Code

Remplacez simplement le fichier .onnx lors du ré-entraînement.

5. Architecture Multi-Modèles

MT5 peut charger plusieurs modèles ONNX simultanément pour des approches ensemble.

Le Workflow d'Entraînement ONNX (Étape par Étape)

Étape 1 : Feature Engineering

Les données brutes sont inutiles pour le ML. Transformez-les en features significatives : indicateurs techniques, mesures de volatilité, patterns temporels. 80% du travail se fait ici.

Étape 2 : Entraînement & Validation

Validation walk-forward obligatoire — jamais de splits aléatoires pour les séries temporelles. Entraînez sur 2015-2020, validez sur 2021, testez sur 2022.

Plus de détails dans notre article sur les Expert Advisors ML : hype vs réalité.

Étape 3 : Export ONNX

Exportez avec onnxmltools ou skl2onnx. Fichier typique : 100KB à 5MB.

Étape 4 : Intégration MQL5

Intégrez la ressource .onnx, chargez dans OnInit(), prédisez dans OnTick().

Étape 5 : Validation Strategy Tester

Backtestez avec le modèle ONNX intégré sur l'ensemble des données, y compris les périodes hors échantillon.

Modèles Ensemble : Pourquoi un Seul ONNX ne Suffit Pas

En ML compétitif, les modèles individuels gagnent rarement. Les ensembles surpassent systématiquement.

• XGBoost — relations non-linéaires
• LightGBM — rapidité et haute dimension
• CatBoost — résistance au surapprentissage
• Réseaux Neuronaux — patterns temporels complexes

Notre Karat Killer EA utilise 4 modèles ONNX en parallèle pour le XAUUSD. Trades exécutés uniquement par consensus. Résultat backtest : +7 229% sur 10 ans.

ONNX vs Autres Approches IA dans MT5

Approche	Avantages	Inconvénients	Idéal pour
ONNX Runtime	Support natif, rapide, fiable, backtestable	Expertise ML requise	EAs ML production
API Externe	Écosystème Python complet	Latence, fiabilité	Recherche
Poids hardcodés	Simple	Fragile, limité	Modèles très simples
DLL	Flexibilité totale	Sécurité, MQL5 Market interdit	Systèmes institutionnels
Label "IA" seul	Marketing facile	Pas vraiment de l'IA	Marketing (malheureusement courant)

Pour le ML sérieux en trading, ONNX est le choix évident.

Comment BLODSALGO Utilise ONNX (Notre Architecture Réelle)

Karat Killer — Ensemble 4 Modèles XAUUSD

Karat Killer :

• 4 modèles ONNX : XGBoost, LightGBM, CatBoost, réseau neuronal profond
• 60+ features engineerées
• Système de consensus : les 4 modèles doivent s'accorder
• Backtest : +7 229% sur 10 ans

Stability Killer AI — ML AUDCAD

Stability Killer AI :

• Max drawdown live : 4,08%
• Croissance live : +15,6% vérifié

Les deux EAs incluent les fichiers .onnx comme ressources. Pour l'intersection or et IA, lisez notre article sur l'IA et le machine learning pour le XAUUSD.

Débuter avec ONNX dans Vos Propres EAs

Prérequis

• Python 3.8+ avec scikit-learn, XGBoost ou PyTorch
• MetaTrader 5 build 3600+
• Bases en machine learning
• Données historiques (5+ ans minimum)

Exemple Minimal

int handle = OnnxCreate("model.onnx", 0);
OnnxSetInputShape(handle, 0, input_shape);
OnnxRun(handle, 0, features, prediction);
OnnxRelease(handle);

Pièges Courants

• Désalignement des features MQL5/Python
• Erreurs de forme des tenseurs
• Surapprentissage — utilisez la validation walk-forward
• Normalisation différente entre Python et MQL5

Consultez la documentation ONNX de MetaQuotes.

L'Avenir d'ONNX dans le Trading Algorithmique

L'adoption d'ONNX dans MT5 est encore précoce. La plupart des EAs sont purement basés sur des règles — l'avantage du vrai ML est significatif.

Ce qui arrive

• Transformers pour la prédiction de séries temporelles
• Reinforcement learning pour les politiques de trading optimales
• Features plus larges avec données alternatives
• Ré-entraînement automatisé

Comprendre ONNX est une compétence pratique : ça vous permet de distinguer les vrais produits ML du marketing "IA".

FAQ : Modèles ONNX dans MetaTrader 5

Quelle version de MT5 supporte ONNX ?

Depuis la build 3600+. Vérifiez via Aide → À propos.

Les modèles ONNX ralentissent-ils mon EA ?

Impact minimal. Moins de 1ms par prédiction. Un ensemble de 4 modèles ajoute 2-3ms par tick.

ONNX fonctionne-t-il dans le Strategy Tester ?

Oui — nativement. C'est un avantage majeur.

Quels frameworks exportent vers ONNX ?

scikit-learn, XGBoost, LightGBM, CatBoost, PyTorch, TensorFlow, Keras, etc.

Comment vérifier qu'un EA utilise ONNX ?

Ouvrez l'EA dans MetaEditor, onglet Ressources. Pas de .onnx = pas de ML.

ONNX fonctionne-t-il avec un VPS ?

Oui. L'ONNX Runtime tourne dans le processus MT5, compatible avec tout système.