5. 一个简单策略

本文将详细介绍如何在 Freqtrade 中创建第一个交易策略，包括策略的基本结构、买入和卖出条件的设计，以及如何对策略进行测试和优化。我们会从基础概念讲起，逐步构建一个可实际运行的简单策略，并解释其中每一个细节的作用和原理。

策略开发前的准备

在开始编写策略之前，我们需要明确几个核心概念。Freqtrade 的策略本质上是一个 Python 类，它定义了如何根据市场数据生成交易信号。这些信号基于技术指标计算得出，而技术指标则来自于交易所提供的 K 线数据（OHLCV 数据：开盘价、最高价、最低价、收盘价和成交量）。

作为开发者，需要了解策略的基本构成部分：

时间框架（timeframe）：策略分析的 K 线周期，如 15 分钟、1 小时等
指标计算（populate_indicators）：添加技术指标到数据中
买入信号（populate_entry_trend）：定义何时买入的条件
卖出信号（populate_exit_trend）：定义何时卖出的条件
风险控制参数：如止损（stoploss）、最小收益（minimal_roi）等

策略的基本结构

Freqtrade 策略需要继承 IStrategy 接口，并实现几个核心方法。让我们从一个最简单的策略模板开始，看看它的基本结构：

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

class MyFirstStrategy(IStrategy):
    # 策略的时间框架，这里使用 15 分钟 K 线
    timeframe = '15m'

    # 止损设置为 -10%，意味着价格下跌 10% 时自动平仓
    stoploss = -0.10

    # 最小收益目标：当盈利达到 1% 时立即平仓
    minimal_roi = {
        "0": 0.01  # 0 分钟（即立即）达到 1% 盈利就平仓
    }

    def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        # 计算 RSI 指标，时间周期为 14
        dataframe['rsi'] = ta.RSI(dataframe, timeperiod=14)
        return dataframe

    def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        # 当 RSI 小于 30 时产生买入信号
        dataframe.loc[
            (dataframe['rsi'] < 30),
            'enter_long'] = 1
        return dataframe

    def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        # 当 RSI 大于 70 时产生卖出信号
        dataframe.loc[
            (dataframe['rsi'] > 70),
            'exit_long'] = 1
        return dataframe

核心属性解析

上面的代码定义了一个名为 MyFirstStrategy 的策略类，它包含了几个关键属性：

timeframe：指定策略使用的 K 线周期。这里设置为 '15m'，表示使用 15 分钟 K 线数据进行分析。选择合适的时间框架很重要，短线策略通常使用 5-15 分钟周期，而中长线策略可能使用 1 小时或 1 天周期。
stoploss：设置固定止损比例。这里的 -0.10 表示当价格从买入价下跌 10% 时，系统会自动平仓以限制损失。这是风险控制的重要手段，避免单一交易亏损过大。
minimal_roi：定义最小收益目标。这个字典的键是时间（分钟），值是收益比例。示例中 "0": 0.01 表示无论持仓多久，只要盈利达到 1% 就立即平仓。也可以设置更复杂的条件，比如：
```
minimal_roi = {
    "60": 0.02,  # 持仓 60 分钟后，最小收益目标为 2%
    "30": 0.01,  # 持仓 30 分钟后，最小收益目标为 1%
    "0": 0.005   # 立即平仓的最小收益为 0.5%
}
```
系统会根据当前持仓时间选择对应的最小收益目标，当达到目标时自动平仓。

核心方法解析

策略类需要实现三个核心方法，分别用于计算指标、生成买入信号和生成卖出信号：

populate_indicators 方法

这个方法负责计算技术指标并添加到数据框（dataframe）中。数据框包含了 K 线数据，我们需要通过技术分析库（如 TA-Lib）计算指标值，并将结果存储为新的列。

示例中计算了 RSI（相对强弱指数）指标：

dataframe['rsi'] = ta.RSI(dataframe, timeperiod=14)

这里使用了 TA-Lib 的 RSI 函数，时间周期为 14（默认值）。计算结果存储在 dataframe 的 'rsi' 列中，供后续的信号生成使用。

populate_entry_trend 方法

这个方法定义买入信号的生成逻辑。通过对指标值设置条件，当条件满足时，在 'enter_long' 列中标记 1，表示产生买入信号。

示例中的条件是 RSI 小于 30：

dataframe.loc[
    (dataframe['rsi'] < 30),
    'enter_long'] = 1

这里使用 pandas 的 loc 方法进行条件筛选，当 'rsi' 列的值小于 30 时，将 'enter_long' 列对应行的值设为 1。Freqtrade 会检测到这个信号，并尝试执行买入操作。

populate_exit_trend 方法

与买入信号类似，这个方法定义卖出信号的生成逻辑，通过设置条件在 'exit_long' 列中标记 1。

示例中的条件是 RSI 大于 70：

dataframe.loc[
    (dataframe['rsi'] > 70),
    'exit_long'] = 1

当 RSI 指标超过 70 时，产生卖出信号，系统会尝试平仓。

设计买入条件

买入条件是策略的核心，它决定了何时进场。一个好的买入条件应该能过滤掉大部分无效信号，提高胜率。除了简单的 RSI 小于 30，我们还可以结合多个指标来设计更稳健的买入条件。

单一指标策略

最简单的买入条件基于单一指标，比如 RSI 超卖（低于 30）、MACD 金叉、布林带下轨反弹等。以布林带（BBANDS）为例，我们可以在价格触及下轨时考虑买入：

首先在 populate_indicators 中添加布林带指标：

def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    # 计算布林带指标，默认参数（20 周期，2 倍标准差）
    bollinger = ta.BBANDS(dataframe)
    dataframe['bb_lower'] = bollinger['lowerband']
    dataframe['bb_middle'] = bollinger['middleband']
    dataframe['bb_upper'] = bollinger['upperband']
    return dataframe

然后在 populate_entry_trend 中设置买入条件为价格触及下轨：

def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    dataframe.loc[
        (dataframe['close'] <= dataframe['bb_lower']),  # 收盘价小于等于布林带下轨
        'enter_long'] = 1
    return dataframe

多指标组合策略

单一指标容易产生假信号，实际策略中通常会组合多个指标来提高信号质量。例如，我们可以要求同时满足 RSI 超卖和价格触及布林带下轨：

def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    dataframe.loc[
        (
            (dataframe['rsi'] < 30) &  # RSI 小于 30（超卖）
            (dataframe['close'] <= dataframe['bb_lower'])  # 价格触及布林带下轨
        ),
        'enter_long'] = 1
    return dataframe

这里使用 & 运算符组合两个条件，只有当两个条件同时满足时才产生买入信号。还可以添加更多条件，比如成交量放大（确认趋势强度）：

def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    # 计算 20 周期平均成交量
    dataframe['volume_mean'] = dataframe['volume'].rolling(window=20).mean()

    dataframe.loc[
        (
            (dataframe['rsi'] < 30) &  # RSI 超卖
            (dataframe['close'] <= dataframe['bb_lower']) &  # 价格触及布林带下轨
            (dataframe['volume'] > 1.5 * dataframe['volume_mean'])  # 成交量大于平均的 1.5 倍
        ),
        'enter_long'] = 1
    return dataframe

这样的组合条件可以过滤掉那些成交量不足、可能是假突破的信号。

设计卖出条件

卖出条件决定了何时离场，它直接影响策略的盈利能力。除了简单的 RSI 超买（大于 70），我们还可以结合止盈、止损和 trailing stop（移动止损）等机制。

基于指标的卖出条件

与买入条件类似，我们可以使用指标来判断卖出时机。例如，当价格触及布林带上轨时卖出：

def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    dataframe.loc[
        (dataframe['close'] >= dataframe['bb_upper']),  # 收盘价大于等于布林带上轨
        'exit_long'] = 1
    return dataframe

或者结合 RSI 超买和价格突破上轨：

def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    dataframe.loc[
        (
            (dataframe['rsi'] > 70) &  # RSI 超买
            (dataframe['close'] >= dataframe['bb_upper'])  # 价格触及布林带上轨
        ),
        'exit_long'] = 1
    return dataframe

结合 minimal_roi 和 stoploss

除了指标信号，Freqtrade 还提供了 minimal_roi 和 stoploss 机制来控制卖出。这两个参数可以与指标信号结合使用，形成多重保护。

例如，我们可以设置一个更灵活的 minimal_roi：

minimal_roi = {
    "120": 0.05,  # 持仓 120 分钟后，最小收益目标为 5%
    "60": 0.03,   # 持仓 60 分钟后，最小收益目标为 3%
    "30": 0.01,   # 持仓 30 分钟后，最小收益目标为 1%
    "0": 0.005    # 立即平仓的最小收益为 0.5%
}

这意味着：

如果持仓不到 30 分钟，只要盈利达到 0.5% 就平仓
持仓 30-60 分钟，盈利达到 1% 就平仓
持仓 60-120 分钟，盈利达到 3% 就平仓
持仓超过 120 分钟，盈利达到 5% 就平仓

stoploss 则提供了下行保护，当价格下跌到设定比例时自动平仓。例如 stoploss = -0.05 表示下跌 5% 时止损。

移动止损（Trailing Stop）

移动止损是一种更高级的止损策略，它会随着价格上涨而提高止损位，锁定部分利润。要使用移动止损，需要在策略中设置 trailing_stop=True 并配置相关参数：

trailing_stop = True
# 当价格从最高点回撤 2% 时触发止损
 trailing_stop_positive_offset = 0.02
# 止损位每次提高的最小幅度
 trailing_stop_positive = 0.01

例如，当买入价为 100 美元，价格上涨到 110 美元时，移动止损位会从 95 美元（100 * (1 - 0.05)）上调到 107.8 美元（110 * (1 - 0.02)）。如果价格继续上涨到 120 美元，止损位会进一步上调到 117.6 美元（120 * (1 - 0.02)），从而锁定更多利润。

策略测试与优化

编写完策略后，不能直接用于实盘交易，必须经过严格的测试和优化。Freqtrade 提供了多种测试工具，帮助评估策略的表现。

回测（Backtesting）

回测是使用历史数据评估策略表现的过程。首先需要下载历史数据（参考第 4 章），然后使用 backtesting 命令运行回测：

freqtrade backtesting --strategy MyFirstStrategy --timerange 20230101-20230630

这个命令会使用 2023 年 1 月 1 日至 2023 年 6 月 30 日的历史数据，测试 MyFirstStrategy 的表现，并生成详细的回测报告。

回测报告包含以下关键指标：

总交易次数
胜率（盈利交易占比）
平均盈亏比
最大回撤（最大连续亏损幅度）
总收益率

需要注意的是，回测结果可能存在偏差，因为它假设所有订单都能以理想价格成交，而实际市场中存在滑点和流动性问题。因此，回测结果只能作为策略初步评估的参考，不能直接代表实盘表现。

前向测试（Dry Run）

前向测试（Dry Run）是在模拟环境中使用实时市场数据测试策略，它更接近实盘交易的情况。要启用前向测试，需要在配置文件中设置 dry_run: true，然后启动交易命令：

freqtrade trade --strategy MyFirstStrategy

前向测试会模拟真实交易流程，但不会实际执行订单，不会产生真实资金变动。通过前向测试，可以观察策略在实际市场条件下的表现，包括信号生成的及时性、订单执行的延迟等。

常见问题与避免方法

在策略开发和测试过程中，有几个常见问题需要特别注意：

1. 未来数据偏差（Lookahead Bias）

未来数据偏差是指策略在回测中使用了当时无法获得的数据，导致回测结果过于乐观。例如，使用收盘价计算指标后，又用同一个收盘价产生信号，这在实际交易中是可行的；但如果使用了下一根 K 线的数据，就会导致偏差。

Freqtrade 提供了 lookahead-analysis 命令来检测这种问题：

freqtrade lookahead-analysis --strategy MyFirstStrategy

2. 过度拟合（Overfitting）

过度拟合是指策略过度适应历史数据，在回测中表现很好，但在实际交易中却亏损。避免过度拟合的方法包括：

不要为了优化回测结果而过度调整参数
使用多个时间段的数据进行测试
在不同的市场条件（牛市、熊市、震荡市）下测试策略

3. 信号冲突（Colliding Signals）

如果在同一根 K 线上同时出现买入和卖出信号，Freqtrade 会忽略这些信号，不执行任何交易。这通常是由于指标计算错误或条件设置不当导致的，需要检查策略逻辑。

策略模板生成与扩展

手动编写策略框架比较繁琐，Freqtrade 提供了 new-strategy 命令来生成策略模板：

freqtrade new-strategy --strategy AwesomeStrategy

这个命令会在 user_data/strategies/ 目录下生成一个名为 AwesomeStrategy.py 的策略文件。可以通过 --template 参数选择不同的模板级别：

--template minimal：生成最简化的策略模板
--template advanced：生成包含更多高级功能的模板

生成的模板包含了策略的基本结构和常用指标示例，可以在此基础上进行修改和扩展。例如，添加更多指标（如 MACD、RSI、布林带），设计更复杂的买入卖出条件，或实现自定义的止损逻辑。

总结

本章介绍了 Freqtrade 策略的基本结构、买入和卖出条件的设计方法，以及策略测试的流程。我们从一个简单的 RSI 策略开始，逐步学习了如何结合多个指标、设置风险控制参数，以及使用回测和前向测试评估策略。

创建一个盈利的交易策略是一个迭代的过程，需要不断测试、优化和调整。建议从简单策略开始，逐步添加复杂度，同时始终保持风险控制意识。记住，即使是最复杂的策略也无法保证 100% 盈利，风险管理才是长期生存的关键。

下一章，我们将深入探讨策略的高级特性，包括自定义回调函数、仓位调整和策略优化技巧。

freqtrade 速读指南

入门基础

进阶技巧

高级应用