MT5 Python回测记录:从模型到真金白银的完整流程

用历史数据跑回测，说白了就是验证策略在过去的行情里能不能赚钱、会不会爆仓。但很多人栽在同一个坑里：回测看着很美，一上实盘就变脸。下面把机器学习交易的全流程拆开揉碎，重点说说那些容易让人“虚假繁荣”的偏差。

机器学习驱动交易全流程框架

整个链条从数据开始——拿原始行情、基本面、另类数据，洗干净后挖因子、跑模型出信号，再定交易规则、算仓位，最后扔进回测看绩效，不行就回来调。这中间每个环节都藏着坑。

回测常见陷阱

数据里的猫腻

前瞻偏差：别用未来数据去回测过去。比如复权价、修正后的财报，回测时点根本拿不到。解决方法：给每条数据打时间戳，只取当时真实可见的信息。延迟发布的数据，做最坏打算。
幸存者偏差：只测现在还活着的股票？那胜率肯定虚高。必须把退市、被收购的那些“死掉”的标的也加进去。MT5的历史数据尤其要当心这点。
过度清洗极端值：有人觉得暴涨暴跌是异常值，直接删掉。结果回测岁月静好，实盘碰上闪崩直接穿仓。金融数据天生厚尾，截尾处理要手下留情。
样本单一：只测牛市当然爽。覆盖熊市、震荡市，或者用合成数据补一些极端场景，才扛得住检验。

模拟执行的现实问题

风险指标别只看回测结束时的数字。用滚动窗口算VaR、索提诺比率，看看最坏情况能不能扛住。
佣金、滑点、冲击成本不模拟，回测收益率自动打对折都算乐观。实盘里大单进出能把价格推走，这个也得建模。
用收盘价生成信号，假设立刻成交？太天真。保险做法：信号出来后，用下一根K线的开盘或收盘价成交。

统计上的过度优化

同一个策略，换几个参数来回测几十遍，总能挑出一个好看的。但这一出样本外就露馅。解决办法：策略本身要有经济逻辑，不是纯数据挖出来的；样本外数据必须独立，碰都不能碰。

两种回测路径的选择

Python全自建

用MetaTrader5库拉数据，自己写回测引擎。好处是灵活，想集成scikit-learn、PyTorch随便搞。代价是订单执行、滑点这些细节都得手撸代码。

MQL5+Python混合

MQL5跑EA，Python只做模型导出和结果分析。MT5自带的回测引擎精度能到tick级，但两套代码来回维护很烦，模型导出格式有限（通常转ONNX）。

个人建议：快速验证因子用Python向量化回测，省时间；真要模拟复杂交易细节（比如盘口深度、订单簿），直接上MT5原生。

MT5 Python回测实操方案

用MAS库跑一把

这个库专门为MT5写回测的，从拿数据到出报告一条龙。下面是一段均线交叉的例子（代码略）。支持外汇、黄金、股指、加密货币，跑完直接给你夏普比率、最大回撤、盈亏因子、胜率。

import mas

classMASStrategy(mas):
defreceive_bars(self, symbol, data, is_end):
# 策略逻辑示例：均线交叉
ifself.index % self.ma == 0:
ifnotself.hold:
self.order_id = self.send_order({
"symbol": "EURUSD",
"order_type": "buy",
"volume": 0.1,
"backtest_toggle": self.toggle
                })
self.hold = True
else:
self.send_order({
"symbol": "EURUSD",
"order_type": "sell",
"order_id": self.order_id,
"volume": 0.1,
                })
self.hold = False
self.index += 1

if is_end:
self.generate_kpi_report()  # 输出夏普比率、最大回撤等
self.generate_trade_chart()  # 动态可视化

# 运行回测
params = {
"symbol": "EURUSD",
"from": '2020-01-01',
"to": '2024-12-31',
"timeframe": "D1"
}
df = mas_c.subscribe_bars(params)

支持品种：Forex、黄金、股指、加密货币，可生成KPI报告（盈亏因子、胜率、最大回撤等）

ONNX模型灌进MQL5

Python训练好的模型（比如随机森林）转成ONNX格式，MQL5里直接调用。注意：标准化参数（StandardScaler）要一起打包进ONNX图里，这样MQL5端传原始特征值就行。

# Python端：训练并导出模型
from skl2onnx import convert_sklearn
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier

# 训练模型（StandardScaler内置于ONNX图）
model = Pipeline([('scaler', StandardScaler()), 
                  ('clf', RandomForestClassifier())])
model.fit(X_train, y_train)

# 导出ONNX
onx = convert_sklearn(model, initial_types=[('input', FloatTensorType([None, n_features]))])
withopen("model.onnx", "wb") as f:
    f.write(onx.SerializeToString())

MQL5端：EA初始化时加载ONNX模型，每次tick调用OnnxRun()进行推理

注意事项：StandardScaler参数已内置到ONNX图中，MQL5传入原始特征值即可

CPCV交叉验证

这个玩法稍微进阶一点：用组合交叉验证测策略到底有没有统计意义。Python端把时间轴切成N段（比如6折，留2段做测试），每段生成一个掩码文件。MT5的优化器并行跑这些路径，最后汇总看各条路径的夏普分布和PBO。如果中位夏普还行、PBO不高（策略选优不是瞎蒙），心里就有底了。

ML模型和回测怎么搭

离线训练+在线调用

回测外面把模型训好（Lasso、XGBoost随便），存权重。回测时加载模型，根据因子出信号。适合日线级别、模型不用天天换的策略。

回测内滚动训练

回测过程中每隔一段时间重新训一次模型。比如用SGD预测价格，再用DNN去补SGD的残差，两个模型叠着用。代价是耗时间，而且必须用样本外数据验证每次重训是不是真的有效。

特征重要性别忘看

互信息法能筛出哪些特征有预测能力；递归特征消除可以验证特征集合稳不稳。

绩效评估别只看夏普

基础指标：累计收益、年化收益、波动率、最大回撤、VaR、夏普、索提诺。

进阶想法：

蒙特卡洛模拟：把交易顺序随机打乱几千次，看最大回撤的分布长什么样。
凯利公式：f = (pu - l) / (ul)。p是胜率，u是平均盈利比例，l是平均亏损比例。实盘建议用分数凯利（除以2~4），别算满仓。

MMT5缺的工具，Python补上

MT5原生回测没有蒙特卡洛、前进优化这些统计功能。可以接Python生态：

pyfolio：风险分析、收益拆解
empyrical：各种绩效指标一把算
QuantStats：一键生成漂亮报告