Freqtrade FreqAI 教程10 分钟跑通第一个 AI 交易策略【免费下载链接】freqtradeFree, open source crypto trading bot项目地址: https://gitcode.com/GitHub_Trending/fr/freqtradeFreqtrade FreqAI 是 Freqtrade 开源交易机器人内置的自适应机器学习模块负责特征工程、周期重训练与预测输出让策略判断随市场滚动更新。本文从安装、dry-run 到调优排坑给出一条完整上手路径。一、FreqAI 是什么给交易流程加一层预测读完本节你能说清 FreqAI 在 Freqtrade 中处于什么位置、解决了什么问题。常规 Freqtrade 策略是规则驱动的你写条件它执行。FreqAI 在数据和规则之间插入一个预测层——机器学习模型先对每根 K 线打分你的策略再依据打分决定是否交易。它不改动回测、下单与风控逻辑只是把如何判断买卖点这一步换成模型输出。四项核心能力自适应重训练按滚动时间窗定期重新训练模型随行情刷新完整流水线原始 K 线到特征向量、离群点剔除、归一化自动完成多周期融合可同时引入 3m / 15m / 1h 等多个时间框架与相关交易对模型可替换LightGBM、XGBoost 等 GBDT 系模型与 PyTorch 神经网络可切换使用延伸阅读FreqAI 官方文档二、FreqAI 环境搭建与 dry-run10 分钟跑起来读完本节你能在本地或 Docker 中安装 FreqAI 依赖并启动第一次模拟交易。源码安装git clone https://gitcode.com/GitHub_Trending/fr/freqtrade cd freqtrade ./setup.sh运行 setup.sh 时会依次询问是否安装 plot、hyperopt、FreqAI 依赖FreqAI 一项回答 y若还要 PyTorch / 强化学习依赖再回答一次 y约多占 700MB。等效的手动命令是pip install -r requirements-freqai.txt。Docker 方案官方提供了带 FreqAI 与 PyTorch 依赖的镜像直接执行docker compose -f docker/docker-compose-freqai.yml up -d即可compose 文件默认命令已配好示例策略 FreqaiExampleStrategy 与 XGBoostRegressor 模型把 config.json 放进 user_data 目录就能启动。启动第一个 dry-runfreqtrade trade \ --config config_examples/config_freqai.example.json \ --strategy FreqaiExampleStrategy \ --freqaimodel LightGBMRegressor \ --strategy-path freqtrade/templates示例配置中dry_run默认为 true不会动用真实资金。启动后系统会自动完成三件事按策略所需时间框架与相关交易对拉取并补齐历史 K 线数据完成首轮特征工程训练出初始模型之后每根新 K 线输出预测分数策略满足入场条件时执行模拟交易示例策略源码见 FreqaiExampleStrategy.py完整配置见 config_freqai.example.json。三、FreqAI 滑动窗口机制模型如何持续学习读完本节你能解释训练好的模型如何避免过期以及训练窗口是如何滑动的。FreqAI 的核心设计是滑动时间窗。每轮流程固定原始 K 线 → 特征工程 → 离群点检测与剔除 → 数据归一化 →可选降维 → 模型训练 → 在预测段上打分然后窗口整体前移循环往复。关键机制对应freqai配置块中的参数训练窗口train_period_days每轮训练使用的历史天数示例配置为 15 天预测窗口backtest_period_days该轮模型预测覆盖的天数示例配置为 7 天实盘重训练live_retrain_hours实盘 / dry-run 下的重训周期回测模式下窗口自动滑动无需该参数模型缓存purge_old_models训练好的模型会持久化到磁盘identifier匹配时重启无需从头训练该参数控制保留最近几组模型延伸阅读FreqAI 参数表四、FreqAI 配置与特征工程只改最常用的几项读完本节你能修改示例配置并按命名规则自定义特征让模型识别。核心配置项示例配置中最关键的子集如下完整版在仓库中freqai: { enabled: true, purge_old_models: 2, train_period_days: 15, backtest_period_days: 7, identifier: unique-id, feature_parameters: { include_timeframes: [3m, 15m, 1h], label_period_candles: 20 } }identifier模型唯一标识改动它等于另起一条模型线include_timeframes参与特征工程的多时间框架label_period_candles向前预测多少根 K 线作为目标特征命名规则这是新手最容易踩的坑。FreqAI 靠列名前缀区分列的角色前缀角色示例%模型输入特征会按indicator_periods_candles展开成多个周期%-rsi-10预测目标 / 标签-s_close%%仅保留用于可视化不参与训练%%-rsi-20在策略中用feature_engineering_expand_all(self, dataframe, period, **kwargs)回调批量生成特征period参数就是配置里indicator_periods_candles传入的周期值一套代码可展开出多周期特征。延伸阅读FreqAI 特征工程文档五、FreqAI 进阶PyTorch 与强化学习读完本节你能装好扩展依赖并把模型入口指到正确的类。GBDT 系模型不够用时FreqAI 提供两条进阶路线PyTorch 神经网络freqtrade/freqai/prediction_models/下有 MLP、Transformer 等模型如 PyTorchMLPRegressor强化学习ReinforcementLearner 系列模型通过与市场交互学习交易决策动作空间、奖励函数需在模型类中定义两个配置入口依赖pip install -r requirements-freqai-rl.txt含 PyTorchDocker 的 freqaitorch 镜像已内置选择模型--freqaimodel指向目标模型类PyTorch / RL 专属超参数写入freqai.model_training_parameters配置项强化学习配置成本明显高于传统模型建议先用示例配置跑通流程再按文档逐步深入。延伸阅读FreqAI 强化学习文档六、FreqAI 调优与排坑清单读完本节你能处理过拟合、训练慢、特征黑盒这三类高频问题。场景典型表现处理方向过拟合回测收益高dry-run 或实盘却亏损调大train_period_days增加训练数据开启use_SVM_to_remove_outliers剔除离群点减少indicator_periods_candles周期数量特征爆炸、训练慢单轮训练耗时过长、内存吃紧收窄include_timeframes与include_corr_pairlist开启principal_component_analysis降维调低plot_feature_importances特征黑盒说不清哪些特征在起作用将plot_feature_importances设为 1输出重要性图表后再决定是否精简模型缓存混淆重启后行为与预期不符检查identifier与purge_old_models更换identifier可强制全新训练两个提醒所有调整都建议先改配置跑回测对比再进入 dry-run 验证模型缓存文件不要手动清理交给purge_old_models管理。结尾接下来可以做的四件事用示例策略完整跑一轮 dry-run观察训练 → 预测 → 模拟交易全过程修改include_timeframes与label_period_candles对比回测结果差异在feature_engineering_expand_all中加 2~3 个自定义特征用重要性图表确认其贡献dry-run 稳定后转入回测验证再考虑小资金实盘本文示例代码与配置基于 Freqtrade 2026.8-dev 开发版其他版本参数与行为请以官方文档为准。 交易存在风险回测收益不等于未来回报请优先 dry-run 验证并控制仓位。【免费下载链接】freqtradeFree, open source crypto trading bot项目地址: https://gitcode.com/GitHub_Trending/fr/freqtrade创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考