freqtrade FreqAI 指南：为加密货币机器人添加机器学习

freqtrade 已是最强的开源加密货币机器人之一。它的 FreqAI 模块在此基础上增加机器学习，让策略能随市场状况自适应调整。本文教你如何在不过度复杂的情况下入门 FreqAI。

FreqAI 是什么

FreqAI 是集成在 freqtrade 中的机器学习框架。它在历史特征上训练模型并生成预测供策略使用。例如，FreqAI 可能基于近期指标和订单簿数据预测 BTC 一小时后价格是否上涨。

主要能力：

• 自动特征工程
• 模型训练和再训练
• 实盘预测生成
• 支持分类、回归和预测
• 集成 scikit-learn、XGBoost 和 LightGBM

FreqAI 什么时候有用

最有用时：

• 市场状况频繁变化
• 简单规则策略表现不佳
• 你有能预测短期走势的清晰特征
• 能严格样本外验证模型

不太有用时：

• 历史数据不足
• 策略本身已很稳健
• 无法解释模型为何做出预测

FreqAI 设置

FreqAI 随 freqtrade 提供。确保安装较新版本：

pip install -U freqtrade

在配置文件中启用 FreqAI：

"freqai": {
  "enabled": true,
  "identifier": "my_freqai_model",
  "feature_parameters": {
    "include_timeframes": ["5m", "15m", "1h"],
    "include_corr_pairlist": ["BTC/USDT", "ETH/USDT"],
    "label_period_candles": 24,
    "include_shifted_candles": 2,
    "DI_threshold": 0.9,
    "use_SVM_to_remove_outliers": true
  },
  "data_split_parameters": {
    "test_size": 0.2,
    "random_state": 1
  },
  "model_training_parameters": {
    "n_estimators": 100
  }
}

此配置让 FreqAI 使用 5 分钟、15 分钟和 1 小时 K 线，预测未来 24 根 K 线，用 20% 数据验证。

创建 FreqAI 策略

FreqAI 策略继承自 IFreqaiStrategy 而非普通 IStrategy。关键区别是可以访问模型预测。

from freqtrade.strategy import IStrategy
import talib.abstract as ta
 
class FreqaiExample(IStrategy):
    def populate_indicators(self, dataframe, metadata):
        dataframe = self.freqai.start(dataframe, metadata, self)
        return dataframe
 
    def populate_entry_trend(self, dataframe, metadata):
        dataframe.loc[
            (dataframe['&-s_target'] > 0.02),
            'enter_long'] = 1
        return dataframe
 
    def populate_exit_trend(self, dataframe, metadata):
        dataframe.loc[
            (dataframe['&-s_target'] < -0.01),
            'exit_long'] = 1
        return dataframe

&-s_target 列包含模型预测。本例中预测收益高于 2% 时开多。

特征工程

FreqAI 可自动生成特征，但深思熟虑的特征设计通常效果最好。常见特征：

• 滞后收益和波动率
• 移动平均和 RSI
• 订单簿不平衡
• 资金费率
• 情绪分数

避免创建数百个随机特征，那会导致过拟合。

模型选择

FreqAI 支持多种模型：

• LightGBMRegressor：快速梯度提升，好默认
• XGBoostRegressor：强但慢
• CatboostRegressor：类别特征处理佳
• SKLearnRandomForestRegressor：简单可解释

从 LightGBM 开始。它快、准，处理金融表格数据表现出色。

避免过拟合

这是 FreqAI 最难的部分。常见错误：

• 特征太多
• 训练历史太短
• 预测周期超出模型信号范围
• 忽略交易成本

使用这些 safeguard：

• 样本外验证
• 滚动前向分析
• 模拟盘数周
• 限制特征数量
• 回测包含真实手续费

FreqAI 实盘交易

FreqAI 按设定计划自动重训练模型。实盘模式下它会：

1. 下载最新数据
2. 有足够新数据时重训练模型
3. 为当前 K 线生成预测
4. 把预测传给策略

先用 dry-run 模式确保训练和预测流水线无误。

监控 FreqAI 表现

长期跟踪：

• 预测准确率 vs 实际收益
• 特征重要性漂移
• 模型重训练频率
• 实盘盈亏 vs 回测

如果预测质量下降，可能是市场机制变化，需要重训练或重新设计模型。

总结

FreqAI 确实增强了 freqtrade，但不是魔法升级。成功依赖好特征、谨慎验证和纪律风险管理。把 FreqAI 当作稳健策略上的自适应层，而不是替代。

从简单开始，诚实验证，只有模拟盘显示持续优势后再扩大。

相关阅读: Freqtrade 新手指南 | FinRL vs Stable Baselines 3 | 如何回测而不自欺欺人