MetaTrader 5 build 3980：其他改进和修复

程序端

1. 新交易报告的改进。修正总库存费值和交易品种利润图表的显示问题。
2. 优化出入金页面。有关新平台与支付系统集成的更多详细信息，请参阅build 3950发布说明。
3. 优化整个平台（包括策略测试）财务运营的重新计算。现在，利润、预付款和许多其他参数的计算速度更快。
   
4. 更新用户界面翻译。

1. 添加复数、向量<复数>和矩阵<复数>类型共轭方法。实现复杂的共轭运算。
   

   //+------------------------------------------------------------------+
   //| 脚本程序起始函数                          |
   //+------------------------------------------------------------------+
   void OnStart()
     {
      complex a=1+1i;
      complex b=a.Conjugate();
      Print(a, "  ", b);
      /*
      (1,1)  (1,-1)
      */
   
      vectorc va= {0.1+0.1i, 0.2+0.2i, 0.3+0.3i};
      vectorc vb=va.Conjugate();
      Print(va, "  ", vb);
      /*
      [(0.1,0.1),(0.2,0.2),(0.3,0.3)]  [(0.1,-0.1),(0.2,-0.2),(0.3,-0.3)]
      */
   
      matrixc ma(2, 3);
      ma.Row(va, 0);
      ma.Row(vb, 1);
      matrixc mb=ma.Conjugate();
      Print(ma);
      Print(mb);
      /*
      [[(0.1,0.1),(0.2,0.2),(0.3,0.3)]
       [(0.1,-0.1),(0.2,-0.2),(0.3,-0.3)]]
   
      [[(0.1,-0.1),(0.2,-0.2),(0.3,-0.3)]
       [(0.1,0.1),(0.2,0.2),(0.3,0.3)]]
      */
      
      ma=mb.Transpose().Conjugate();
      Print(ma);
      /*
      [[(0.1,0.1),(0.1,-0.1)]
       [(0.2,0.2),(0.2,-0.2)]
       [(0.3,0.3),(0.3,-0.3)]]
      */
     }

2. 添加处理“Sequence of maps”类型的ONNX模型输出。
   
   对于在输出层提供Map序列（ONNX_TYPE_MAP的ONNX_TYPE_SEQUENCE）的ONNX模型，应将动态或固定的结构数组作为输出参数传递。此结构的前两个字段必须与ONNX_TYPE_MAP键和值类型匹配，并且是固定数组或动态数组。
   
   考虑由以下Python脚本创建的iris.onnx模型：
   

   从 sys 导入 argv
   data_path=argv[0]
   last_index=data_path.rfind("\\")+1
   data_path=data_path[0:last_index]
   
   从 sklearn.datasets 导入 load_iris
   iris_dataset = load_iris()
   从 sklearn.model_selection 导入 train_test_split
   X_train, X_test, y_train, y_test = train_test_split(iris_dataset['data'], iris_dataset['target'], random_state=0)
   从 sklearn.neighbors 导入 KNeighborsClassifier
   knn = KNeighborsClassifier(n_neighbors=1)
   knn.fit(X_train, y_train)
   
   # 转换 为 ONNX格式
   从 skl2onnx 导入 convert_sklearn
   从 skl2onnx.common.data_types 导入 FloatTensorType
   initial_type = [('float_input', FloatTensorType([None, 4]))]
   onx = convert_sklearn(knn, initial_types=initial_type)
   path = data_path+"iris.onnx"
   with open(path, "wb") as f:
       f.write(onx.SerializeToString())

   在MetaEditor中打开创建的onnx文件：

   

   
   Map序列作为“output_probability”传递。它有一个INT64类型键（对应于MQL5中的long）和float类型值。要从此输出接收数据，请声明以下结构：
   

   struct MyMap
     {
      long              key[];
      float             value[];
     };

   这里我们使用具有适当类型的动态数组。在这种情况下，我们可以使用固定数组，因为这个模型的Map始终包含3个键+值对。
   
   由于返回Map序列，因此应将此类结构的数组作为参数传递，以接收来自output_probability输出的数据。根据特定模型的属性，该数组可以是动态数组可以是固定数组。示例：
   

   //--- 声明一个数组来接收来自输出层output_probability的数据
   MyMap output_probability[];
   
   ...
   
   //--- 模型运行
   OnnxRun(model,ONNX_DEBUG_LOGS,float_input,output_label,output_probability);