Freqtrade 策略开发指南 - Freqtrade 中文文档

Freqtrade 策略 101：策略开发快速入门¶

本快速入门假设你已了解交易基础，并已阅读 Freqtrade 基础页面。

必备知识¶

在 Freqtrade 中，策略是一个 Python 类，用于定义买入和卖出加密货币“资产”的逻辑。

资产通过 pairs（交易对）定义，代表“币种”和“计价币”。币种是你用另一种货币作为计价币进行交易的资产。

交易所提供的数据以 K线（candles）形式给出，每根 K 线包含六个值：date、open、high、low、close 和 volume。

技术分析（Technical analysis）函数通过各种计算和统计公式分析 K 线数据，生成称为“指标”（indicators）的二级值。

指标在交易对的 K 线上被分析，用于生成“信号”（signals）。

信号会在加密货币“交易所”上转化为“订单”（orders），即“交易”（trades）。

我们使用“进场”（entry）和“出场”（exit）来代替“买入”和“卖出”，因为 Freqtrade 同时支持“多头”（long）和“空头”（short）交易。

多头（long）：你用计价币买入币种，例如用 USDT 买入 BTC，之后以高于买入价的价格卖出获利。多头交易的盈利来自币种相对计价币的升值。
空头（short）：你从交易所借入币种，之后以更低的价格买回并归还，赚取差价。空头交易的盈利来自币种相对计价币的贬值（你以更低的价格还清借款）。

虽然 Freqtrade 支持部分交易所的现货和合约市场，但为简化起见，本教程仅关注现货（多头）交易。

基础策略结构¶

主数据帧(dataframe)¶

Freqtrade 策略使用一种带有行和列的表格数据结构，称为 数据帧(dataframe)，用于生成进出场信号。

你配置的每个交易对都有自己的数据帧。

数据帧以 date 列为索引，例如 2024-06-31 12:00。

接下来的 5 列分别代表 open、high、low、close 和 volume（OHLCV）数据。

填充指标值(populate_indicators)¶

populate_indicators 函数会向数据帧添加代表技术分析指标值的列。

常见指标包括相对强弱指数（RSI）、布林带（Bollinger Bands）、资金流指数（MFI）、均线（MA）、平均真实波幅（ATR）等。

通过调用技术分析函数（如 ta-lib 的 RSI 函数 ta.RSI()）并赋值给某列名（如 rsi），即可向数据帧添加指标列：

dataframe['rsi'] = ta.RSI(dataframe)

填充进场信号(populate_entry_trend)¶

populate_entry_trend 函数定义进场信号的条件。

数据帧会新增 enter_long 列，当该列值为 1 时，Freqtrade 视为进场信号。

填充出场信号(populate_exit_trend)¶

populate_exit_trend 函数定义出场信号的条件。

数据帧会新增 exit_long 列，当该列值为 1 时，Freqtrade 视为出场信号。

一个简单的策略¶

下面是一个最小化的 Freqtrade 策略示例：

from freqtrade.strategy import IStrategy
from pandas import DataFrame
import talib.abstract as ta

class MyStrategy(IStrategy):

    timeframe = '15m'

    # 初始止损设为 -10%
    stoploss = -0.10

    # 盈利大于 1% 时随时出场
    minimal_roi = {"0": 0.01}

    def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        # 生成技术分析指标值
        dataframe['rsi'] = ta.RSI(dataframe, timeperiod=14)

        return dataframe

    def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        # 根据指标值生成进场信号
        dataframe.loc[
            (dataframe['rsi'] < 30),
            'enter_long'] = 1

        return dataframe

    def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        # 根据指标值生成出场信号
        dataframe.loc[
            (dataframe['rsi'] > 70),
            'exit_long'] = 1

        return dataframe

交易执行¶

当检测到信号（进场或出场列为 1）时，Freqtrade 会尝试下单，即创建一个 trade 或 position。

每个新交易会占用一个“槽位”（slot）。槽位代表可同时开启的新交易最大数量。

槽位数量由 max_open_trades 配置项决定。

但在以下情况下，生成信号未必会创建交易订单，包括：

剩余计价币不足以买入资产，或钱包中无足够资产卖出（包括手续费）
剩余可用槽位不足（已开仓数量等于 max_open_trades）
某交易对已有持仓（Freqtrade 不支持同一对叠加持仓，但可调整已有持仓）
同一根 K 线上同时出现进场和出场信号，视为信号冲突，不会下单
策略通过相关 entry 或 exit 回调主动拒绝下单

更多细节请阅读策略自定义文档。

回测与前向测试¶

策略开发可能漫长且令人沮丧，因为将人的“直觉”转化为可运行的计算机策略（“量化”）并不总是直观的。因此，策略应经过测试以验证其是否按预期工作。

Freqtrade 提供两种测试模式：

回测（backtesting）：使用你从交易所下载的历史数据，回测可快速评估策略表现。但结果很容易被扭曲，使策略看起来比实际更赚钱。详见回测文档。
模拟盘（dry run）：也称“前向测试”，用实时数据，但不会在交易所实际下单，只在 Freqtrade 内部跟踪信号和交易。前向测试实时运行，结果更可靠但耗时更长。

通过在配置文件中将 dry_run 设为 true 启用模拟盘。

评估回测与模拟盘结果¶

回测后务必用模拟盘运行策略，比较两者结果是否足够接近。

如有明显差异，请检查进出场信号在两种模式下是否一致且出现在同一根 K 线上。

但 dry run 和回测之间总会有差异：

回测假定所有订单都成交。dry run 下若用限价单或交易所无成交量，可能无法成交。
回测在信号出现的 K 线收盘后，假定以下一根 K 线开盘价进场（除非策略有自定义定价回调）。dry run 下信号到实际下单有延迟。这是因为新 K 线到来时，Freqtrade 需分析所有交易对数据，实际下单会比 K 线开盘稍有延迟。
dry run 下的进场价格可能与回测不同，导致收益计算也不同。因此 ROI、止损、追踪止损和回调出场等结果不完全一致很正常。
计算机处理新 K 线和信号、下单的延迟越大，价格波动越不可控。请确保你的电脑能在合理时间内处理所有交易对数据。若数据处理延迟严重，Freqtrade 会在日志中警告。