ML-Modelle in StrategyQuant

Hallo zusammen,

Ich untersuche derzeit verschiedene Möglichkeiten zur Integration von Modelle für maschinelles Lernen (Python-basiert) direkt in den StrategyQuant X-Workflow, insbesondere als Indikatoren für die Verwendung während der Gebäude/Erzeugung Phase. Ich bin neugierig, ob jemand hier erfolgreich ML-Modelle implementiert hat, die Bar-by-Bar während des Backtests für die Strategiegenerierung arbeiten.

Mich interessieren vor allem Ihre Erfahrungen mit den beiden größten Herausforderungen:

1. Backtest-Geschwindigkeit: Der Aufruf eines externen Python-Prozesses (ProcessBuilder) bei jedem Balken scheint ein großer Engpass für den Builder zu sein. Wenn Sie dies tun, verwenden Sie eine lokale API/Server (wie FastAPI/Flask), um die Latenz zu verringern, oder sind Sie zu nativen Java-Bibliotheken (wie Smile oder Weka) übergegangen?
2. MQL4/MQL5 Export: Für diejenigen, die komplexe ML-Indikatoren verwenden (wie Hidden Markov Models oder Neural Nets), wie handhaben Sie den Export zu MetaTrader? Replizieren Sie die Logik manuell in MQL, verwenden Sie DLL-Brücken oder exportieren Sie vielleicht Modelle nach ONNX?