Skip to main content

原文来源：https://www.freqtrade.io/en/stable/strategy-customization/

策略自定义（Strategy Customization）

本页解释如何自定义您的策略，添加新指标并设置交易规则。

如果您还没有，请先熟悉：

开发您自己的策略（Develop your own strategy）​

机器人包含一个默认策略文件。

此外，策略仓库中还有其他几种策略可用。

然而，您很可能有自己的策略想法。

本文档旨在帮助您将想法转换为可工作的策略。

生成策略模板（Generate strategy template）​

要开始，您可以使用命令：

freqtrade new-strategy --strategy AwesomeStrategy

这将从模板创建一个名为 AwesomeStrategy 的新策略，该策略将使用文件名 user_data/strategies/AwesomeStrategy.py 存放。

注意（Note）

策略的_名称_和文件名之间是有区别的。在大多数命令中，Freqtrade 使用策略的_名称_，而不是文件名。

注意（Note）

new-strategy 命令生成的起始示例不会立即盈利。

不同的模板级别（Different template levels）

freqtrade new-strategy 有一个额外的参数 --template，它控制您在创建的策略中获得的预构建信息量。使用 --template minimal 获得没有任何指标示例的空策略，或使用 --template advanced 获得定义了更复杂功能的模板。

策略剖析（Strategy anatomy）​

策略文件包含构建策略逻辑所需的所有信息：

  • OHLCV 格式的蜡烛数据
  • 指标
  • 入场逻辑
    • 信号
  • 出场逻辑
    • 信号
    • 最小 ROI
    • 回调（"自定义函数"）
  • 止损
    • 固定/绝对
    • 跟踪
    • 回调（"自定义函数"）
  • 定价 [可选]
  • 持仓调整 [可选]

机器人包含一个名为 SampleStrategy 的示例策略，您可以将其用作基础：user_data/strategies/sample_strategy.py。您可以使用参数 --strategy SampleStrategy 测试它。请记住，您使用的是策略类名，而不是文件名。

此外，还有一个名为 INTERFACE_VERSION 的属性，它定义了机器人应使用的策略接口版本。当前版本是 3 - 当它在策略中没有明确设置时，这也是默认值。

您可能会看到较旧的策略设置为接口版本 2，这些需要更新为 v3 术语，因为未来版本将要求设置此项。

在干跑或实盘模式下启动机器人使用 trade 命令完成：

freqtrade trade --strategy AwesomeStrategy

机器人模式（Bot modes）​

Freqtrade 策略可以由 Freqtrade 机器人在 5 种主要模式下处理：

  • 回测
  • 超参优化
  • 干跑（"前向测试"）
  • 实盘
  • FreqAI（此处未涵盖）

查看配置文档了解如何将机器人设置为干跑或实盘模式。

在测试时始终使用干跑模式，因为这可以让您了解策略在现实中如何工作，而不会冒资金风险。

深入了解（Deep dive）​

对于以下部分，我们将使用 user_data/strategies/sample_strategy.py 文件作为参考。

策略和回测（Strategies and Backtesting）

为了避免回测和干跑/实盘模式之间的问题和意外差异，请注意在回测期间，完整的时间范围会一次性传递给 populate_*() 方法。因此，最好使用向量化操作（跨整个数据框，而不是循环）并避免索引引用（df.iloc[-1]），而应使用 df.shift() 来获取前一根蜡烛。

使用未来数据（Warning: Using future data）

由于回测将完整的时间范围传递给 populate_*() 方法，策略作者需要注意避免策略利用来自未来的数据。本文档的常见错误部分列出了一些常见模式。

前瞻和递归分析（Lookahead and recursive analysis）

Freqtrade 包含两个有用的命令来帮助评估常见的前瞻偏差问题：lookahead-analysis 和 recursive-analysis。

数据框（Dataframe）​

数据框是策略接收的主要数据结构。此数据框包含开盘价、最高价、最低价、收盘价和成交量，通常称为 OHLCV 数据。

数据框始终按日期排序，最新的蜡烛位于数据框的底部（最大索引），最旧的蜡烛位于顶部（索引 0）。

数据框的基本列为：date、open、high、low、close、volume。您的指标会作为新列追加到该数据框中。

如果我们用 pandas 的 head() 函数查看主数据框的前几行，我们会看到（示例）：

                          open     high      low     close     volume
date
2024-06-30 11:55:00    1.2345   1.2360   1.2330   1.2350   123.4567
2024-06-30 12:00:00    1.2350   1.2375   1.2340   1.2365   234.5678
2024-06-30 12:05:00    1.2365   1.2380   1.2355   1.2370   345.6789
2024-06-30 12:10:00    1.2370   1.2390   1.2360   1.2385   456.7890
2024-06-30 12:15:00    1.2385   1.2400   1.2375   1.2390   567.8901

说明：数据框中的列不是单个标量，而是一整列数据序列。因此，下面这种直接的 Python 比较方式是不可行的：

错误示例（不要这样写）：

# dataframe['rsi'] 是一个 Series，不能直接用于 if 判断
if dataframe['rsi'] > 30:
    dataframe['enter_long'] = 1

上述错误示例会触发 pandas 的典型报错，提示 Series 的真假值不可直接用于 if 判断：

The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().

正确示例（向量化写法）：

# 使用向量化条件 + loc 进行整列赋值
dataframe.loc[
    (dataframe['rsi'] > 30),
    'enter_long'
] = 1

本节将在您的数据框中新增一列，当 RSI 高于 30 时，该列会被赋值为 1。

Freqtrade 将使用此新列作为入场信号，假设交易将在下一个开盘蜡烛图时开启。

Pandas 提供了快速计算指标的方法，即“向量化”。为了充分利用这种速度，建议不要使用循环，而应使用向量化方法。

向量化操作会在整个数据范围内执行计算，因此，与循环遍历每一行相比，在计算指标时速度要快得多。

为什么我看不到"实时"蜡烛数据？（Why can't I see "real time" candle data?）​

大多数交易所返回不完整的蜡烛作为最后一根蜡烛。这些蜡烛不应用于回测，因为它们包含不完整的信息（缺少最高价、最低价和收盘价）。因此，Freqtrade 会自动移除这根蜡烛，以确保所有策略在所有模式下都能获得相同的数据。

自定义指标（Custom indicators）​

您可以通过多种方式向策略添加更多指标。

大多数指标都有一个上游库，如 TA-Lib 或 pandas_ta，它们提供广泛的指标，可以直接使用。

指标库（Indicator libraries）​

除了 pandas 提供的内置指标外，以下库也可用：

  • TA-Lib - 一个广泛的技术分析库
  • pandas_ta - 基于 Pandas 的技术分析库
  • qtpylib - Quantitative Trading Python Library

您还可以开发自己的指标。作为示例，您可以查看 user_data/strategies/sample_strategy.py 中的示例。

示例使用：

import talib.abstract as ta
import pandas_ta as pta
from qtpylib import indicators as qtpylib

def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    # RSI
    dataframe['rsi'] = ta.RSI(dataframe, timeperiod=14)
    
    # Bollinger Bands
    bollinger = qtpylib.bollinger_bands(dataframe['close'], window=20, stds=2)
    dataframe['bb_lowerband'] = bollinger['lower']
    dataframe['bb_middleband'] = bollinger['mid']
    dataframe['bb_upperband'] = bollinger['upper']
    
    # EMA - pandas_ta
    dataframe['ema21'] = pta.ema(dataframe['close'], length=21)
    
    return dataframe

策略启动期（Startup period）​

大多数指标都有一个"预热期"或"启动期"，在此期间它们产生错误或不稳定的值。

要考虑这一点，策略可以定义启动期的长度。

# 这个属性将在策略开始前加载更多蜡烛
startup_candle_count: int = 30

示例（Example）​

def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    # 计算 SMA100 - 这需要 100 根蜡烛才能完全"预热"
    dataframe['sma100'] = ta.SMA(dataframe, timeperiod=100)
    
    # 设置 startup_candle_count 为 100 以确保 SMA100 可用
    return dataframe

入场信号规则（Entry signal rules）​

编辑方法 populate_entry_trend() 以更新您的策略。

使用不同的指标来生成入场信号是一个很好的做法。

示例：

def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    dataframe.loc[
        (
            (qtpylib.crossed_above(dataframe['rsi'], 30)) &  # RSI 从下方穿过 30
            (dataframe['tema'] <= dataframe['bb_middleband']) &  # TEMA 低于或等于 BB 中线
            (dataframe['tema'] > dataframe['tema'].shift(1)) &  # TEMA 上升
            (dataframe['volume'] > 0)  # 确保此蜡烛有成交量（对回测重要）
        ),
        ['enter_long', 'enter_tag']] = (1, 'rsi_cross')
    
    return dataframe
注意（Note）

在 populate_entry_trend() 中，您应该始终返回整个数据框。

出场信号规则（Exit signal rules）​

编辑方法 populate_exit_trend() 以更新您的策略。

示例：

def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    dataframe.loc[
        (
            (qtpylib.crossed_above(dataframe['rsi'], 70)) &  # RSI 从下方穿过 70
            (dataframe['tema'] > dataframe['bb_middleband']) &  # TEMA 高于 BB 中线
            (dataframe['tema'] < dataframe['tema'].shift(1)) &  # TEMA 下降
            (dataframe['volume'] > 0)  # 确保此蜡烛有成交量（对回测重要）
        ),
        ['exit_long', 'exit_tag']] = (1, 'rsi_high')
    
    return dataframe

最小 ROI（Minimal ROI）​

minimal_roi 是一个字典，定义了不同时间点的最小投资回报率。

minimal_roi = {
    "0": 0.04,    # 4% 立即退出
    "30": 0.03,   # 30 分钟后 3%
    "60": 0.02,   # 60 分钟后 2%
    "120": 0      # 120 分钟后 0%（盈亏平衡）
}

禁用最小 ROI​

要禁用最小 ROI，可以设置一个非常高的值：

minimal_roi = {
    "0": 10
}

在最小 ROI 中使用计算​

您还可以在 ROI 中使用计算：

minimal_roi = {
    "0": 0.02 + stoploss,  # 止损 + 2%
    "30": 0.01 + stoploss,  # 止损 + 1%
    "60": stoploss  # 仅止损
}

止损（Stoploss）​

设置 stoploss 值用于您的策略。

# 这意味着如果价格下跌超过 10%，策略将退出交易
stoploss = -0.10

有关更高级的止损技术，请参阅止损文档（Stoploss）。

时间框架（Timeframe）​

这是您的策略将运行的时间框架。

# 这意味着策略将在 5 分钟蜡烛上运行
timeframe = '5m'

可以做空（Shorting support）​

这定义了策略是否可以做空。

# 允许做空
can_short: bool = True

元数据字典（Metadata dict）​

metadata 字典包含有关当前交易对的其他信息：

{
    'pair': 'ETH/BTC',  # 当前交易对
    'timeframe': '5m',  # 当前时间框架
}

策略所需的导入（Imports necessary for a strategy）​

import numpy as np
import pandas as pd
from pandas import DataFrame
from freqtrade.strategy import IStrategy
import talib.abstract as ta
import freqtrade.vendor.qtpylib.indicators as qtpylib

策略文件加载（Strategy file loading）​

默认情况下，Freqtrade 将尝试从 user_data/strategies 加载策略。

您可以通过以下方式指定其他位置：

freqtrade trade --strategy-path /path/to/strategies --strategy AwesomeStrategy

信息性交易对（Informative Pairs）​

获取非交易对的数据（Get data for non-tradeable pairs）​

数据可以从您的白名单之外的交易对获取，这些被称为"信息性交易对"。

信息性交易对装饰器（Informative pairs decorator (@informative())）​

from freqtrade.strategy import informative

class AwesomeStrategy(IStrategy):
    
    @informative('1h')
    def populate_indicators_1h(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        dataframe['rsi'] = ta.RSI(dataframe, timeperiod=14)
        return dataframe
    
    def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        # 现在可以访问 1h 数据
        dataframe['rsi_1h'] = self.dp.get_pair_dataframe(metadata['pair'], '1h')['rsi']
        return dataframe

merge_informative_pair()​

from freqtrade.strategy import merge_informative_pair

def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    # 获取 1h 数据
    informative = self.dp.get_pair_dataframe(metadata['pair'], timeframe='1h')
    
    # 添加指标
    informative['rsi'] = ta.RSI(informative, timeperiod=14)
    
    # 合并到主数据框
    dataframe = merge_informative_pair(dataframe, informative, self.timeframe, '1h', ffill=True)
    
    return dataframe

额外数据（Additional data (DataProvider)）​

DataProvider 的可能选项（Possible options for DataProvider）​

  • available_pairs - 可用交易对列表
  • current_whitelist() - 当前白名单
  • get_pair_dataframe(pair, timeframe) - 获取特定交易对的数据框
  • get_analyzed_dataframe(pair, timeframe) - 获取已分析的数据框
  • orderbook(pair, maximum) - 获取订单簿数据
  • ticker(pair) - 获取股票代码数据

示例用法（Example Usages）​

def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    if self.dp:
        # 获取其他时间框架数据
        dataframe_1h = self.dp.get_pair_dataframe(metadata['pair'], '1h')
        
        # 获取其他交易对数据
        btc_usdt = self.dp.get_pair_dataframe('BTC/USDT', self.timeframe)
        
        if not dataframe_1h.empty:
            dataframe['rsi_1h'] = ta.RSI(dataframe_1h, timeperiod=14).reindex(dataframe.index, method='ffill')
    
    return dataframe

available_pairs​

if self.dp:
    for pair in self.dp.available_pairs:
        print(f"Available pair: {pair}")

current_whitelist()​

if self.dp:
    pairs = self.dp.current_whitelist()
    print(f"Current whitelist: {pairs}")

get_pair_dataframe(pair, timeframe)​

if self.dp:
    dataframe_1h = self.dp.get_pair_dataframe('ETH/BTC', '1h')
    if not dataframe_1h.empty:
        # 使用数据
        pass

get_analyzed_dataframe(pair, timeframe)​

if self.dp:
    dataframe, last_updated = self.dp.get_analyzed_dataframe('ETH/BTC', self.timeframe)
    if not dataframe.empty:
        # 使用已分析的数据
        pass

orderbook(pair, maximum)​

if self.dp:
    if self.dp.runmode.value in ('live', 'dry_run'):
        ob = self.dp.orderbook(metadata['pair'], 1)
        dataframe['best_bid'] = ob['bids'][0][0]
        dataframe['best_ask'] = ob['asks'][0][0]

ticker(pair)​

if self.dp:
    if self.dp.runmode.value in ('live', 'dry_run'):
        ticker = self.dp.ticker(metadata['pair'])
        dataframe['last_price'] = ticker['last']

发送通知（Send Notification）​

if self.dp:
    self.dp.send_msg(f"交易对 {metadata['pair']} 的 RSI 为 {dataframe['rsi'].iloc[-1]}")

完整的 DataProvider 示例（Complete DataProvider sample）​

def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    if not self.dp:
        # 没有 DataProvider 可用
        return dataframe
    
    # 获取 1h 时间框架数据
    informative = self.dp.get_pair_dataframe(metadata['pair'], '1h')
    if not informative.empty:
        informative['rsi'] = ta.RSI(informative, timeperiod=14)
        dataframe = merge_informative_pair(dataframe, informative, self.timeframe, '1h', ffill=True)
    
    # 获取订单簿数据（仅实盘/干跑）
    if self.dp.runmode.value in ('live', 'dry_run'):
        ob = self.dp.orderbook(metadata['pair'], 1)
        dataframe['bid'] = ob['bids'][0][0]
        dataframe['ask'] = ob['asks'][0][0]
        dataframe['spread'] = dataframe['ask'] - dataframe['bid']
    
    return dataframe

额外数据（Additional data (Wallets)）​

策略提供对 wallets 对象的访问。这包含交易所上您的钱包/账户的当前余额。

回测 / 超参优化（Backtesting / Hyperopt）

钱包的行为因调用它的函数而异。在 populate_*() 方法中，它将返回配置的完整钱包。在回调中，您将获得与模拟过程中该点的实际模拟钱包相对应的钱包状态。

始终检查 wallets 是否可用以避免回测期间失败。

if self.wallets:
    free_eth = self.wallets.get_free('ETH')
    used_eth = self.wallets.get_used('ETH')
    total_eth = self.wallets.get_total('ETH')

Wallets 的可能选项（Possible options for Wallets）​

  • get_free(asset) - 当前可交易余额
  • get_used(asset) - 当前被占用余额（未完成订单）
  • get_total(asset) - 总可用余额 - 上述两者之和

额外数据（Additional data (Trades)）​

可以通过查询数据库在策略中检索交易历史。

在文件顶部，导入所需对象：

from freqtrade.persistence import Trade

以下示例查询今天当前交易对（metadata['pair']）的交易。可以轻松添加其他过滤器。

from datetime import datetime, timedelta, timezone

trades = Trade.get_trades_proxy(pair=metadata['pair'],
                                open_date=datetime.now(timezone.utc) - timedelta(days=1),
                                is_open=False,
            ).order_by(Trade.close_date).all()
# 汇总此交易对的利润
curdayprofit = sum(trade.close_profit for trade in trades)

有关可用方法的完整列表，请查阅 Trade 对象文档。

警告（Warning）

交易历史在回测或超参优化期间的 populate_* 方法中不可用，将导致空结果。

防止特定交易对发生交易（Prevent trades from happening for a specific pair）​

Freqtrade 在交易对退出时会自动锁定交易对（直到该蜡烛结束），防止该交易对立即重新入场。

这是为了防止单个蜡烛内的许多频繁交易"瀑布"。

锁定的交易对将显示消息 Pair <pair> is currently locked.。

从策略内锁定交易对（Locking pairs from within the strategy）​

有时可能希望在某些事件发生后锁定交易对（例如连续多次亏损交易）。

Freqtrade 有一个简单的方法从策略内执行此操作，通过调用 self.lock_pair(pair, until, [reason])。until 必须是未来的日期时间对象，在此之后将重新启用该交易对的交易，而 reason 是详细说明交易对被锁定原因的可选字符串。

锁定也可以手动解除，通过调用 self.unlock_pair(pair) 或 self.unlock_reason(<reason>)，提供交易对被解锁的原因。self.unlock_reason(<reason>) 将解锁当前以提供原因锁定的所有交易对。

要验证交易对当前是否被锁定，使用 self.is_pair_locked(pair)。

注意（Note）

锁定的交易对将始终向上舍入到下一根蜡烛。因此假设 5m 时间框架，设置 until 为 10:18 的锁定将锁定交易对直到从 10:15-10:20 的蜡烛完成。

警告（Warning）

手动锁定交易对在回测期间不可用。只允许通过保护进行锁定。

交易对锁定示例（Pair locking example）​

from freqtrade.persistence import Trade
from datetime import timedelta, datetime, timezone
# 将上述行放在策略文件的顶部，紧挨着所有其他导入
# --------

# 在 populate indicators（或 populate_entry_trend）内：
if self.config['runmode'].value in ('live', 'dry_run'):
    # 获取最近 2 天的已关闭交易
    trades = Trade.get_trades_proxy(
        pair=metadata['pair'], is_open=False, 
        open_date=datetime.now(timezone.utc) - timedelta(days=2))
    # 分析您想要锁定交易对的条件....对每个策略可能都不同
    sumprofit = sum(trade.close_profit for trade in trades)
    if sumprofit < 0:
        # 锁定交易对 12 小时
        self.lock_pair(metadata['pair'], until=datetime.now(timezone.utc) + timedelta(hours=12))

打印主数据框（Print the main dataframe）​

要检查当前主数据框，您可以在 populate_entry_trend() 或 populate_exit_trend() 中发出打印语句。您可能还想打印交易对，以便清楚显示当前数据。

def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    dataframe.loc[
        (
            #>> 任何条件 <<<
        ),
        ['enter_long', 'enter_tag']] = (1, 'somestring')

    # 打印分析的交易对
    print(f"result for {metadata['pair']}")

    # 检查最后 5 行
    print(dataframe.tail())

    return dataframe

打印更多行也可以通过使用 print(dataframe) 而不是 print(dataframe.tail()) 来实现。但是不建议这样做，因为可能导致大量输出（每个交易对每 5 秒约 500 行）。

开发策略时的常见错误（Common mistakes when developing strategies）​

回测时展望未来（Looking into the future while backtesting）​

回测出于性能原因一次分析整个数据框时间范围。因此，策略作者需要确保策略不会前瞻未来，即使用在干跑或实盘模式下不可用的数据。

这是一个常见的痛点，可能导致回测和干跑/实盘运行方法之间的巨大差异。展望未来的策略在回测期间表现良好，通常具有令人难以置信的利润或胜率，但在实际条件下会失败或表现不佳。

以下列表包含一些应该避免的常见模式以防止挫折：

  • 不要使用 shift(-1) 或其他负值。这在回测中使用来自未来的数据，在干跑或实盘模式下不可用。
  • 不要在 populate_ 函数中使用 .iloc[-1] 或数据框中的任何其他绝对位置，因为这在干跑和回测之间会不同。但是，绝对 iloc 索引在回调中是安全使用的 - 请参阅策略回调。
  • 不要使用使用所有数据框或列值的函数，例如 dataframe['mean_volume'] = dataframe['volume'].mean()。由于回测使用完整数据框，在数据框的任何点，'mean_volume' 系列都会包含来自未来的数据。使用滚动计算代替，例如 dataframe['volume'].rolling(<window>).mean()。
  • 不要使用 .resample('1h')。这使用期间间隔的左边界，因此将数据从小时边界移动到小时开始。使用 .resample('1h', label='right') 代替。
  • 不要使用 .merge() 将较长时间框架合并到较短时间框架上。相反，使用信息性交易对助手。（普通合并可能隐式导致前瞻偏差，因为日期指的是开盘日期，而不是收盘日期）。
识别问题（Identifying problems）

您应该始终使用两个辅助命令 lookahead-analysis 和 recursive-analysis，它们可以以不同方式帮助您找出策略问题。请将它们视为它们的本质 - 识别最常见问题的助手。每个的负面结果并不保证不包含上述错误。

冲突信号（Colliding signals）​

当冲突信号碰撞时（例如 'enter_long' 和 'exit_long' 都设置为 1），freqtrade 将不执行任何操作并忽略入场信号。这将避免立即入场和出场的交易。显然，这可能导致错过入场。

以下规则适用，如果设置了 3 个信号中的多个，入场信号将被忽略：

  • enter_long -> exit_long, enter_short
  • enter_short -> exit_short, enter_long

进一步的策略想法（Further strategy ideas）​

要获得策略的其他想法，请前往策略仓库。随意将它们用作示例，但结果将取决于当前市场情况、使用的交易对等。因此，这些策略应仅被视为学习目的，而不是真实世界交易。请首先为您的交易所/所需交易对回测策略，然后干跑仔细评估，并自担风险使用。

随意使用任何策略作为您自己策略的灵感。我们很乐意接受包含新策略的 Pull Requests 到仓库。

下一步（Next steps）​

现在您有了一个完美的策略，您可能想要回测它。您的下一步是学习如何使用回测。