Freqtrade Weekend Lab：从规则策略到机器学习交易系统

本文记录一次基于 Freqtrade 的周末实验，重点是拆开交易系统中几个相互影响的环节，并观察它们如何共同影响结果。

先给结论：本次实验没有发现有效策略，但验证了入场、退出、止损、持仓占用、费用和执行环境之间的路径依赖。Freqtrade 降低了交易基础设施的实现成本，却没有降低研究者对数据、实验设计和风险边界的责任。

全文按照以下顺序展开：框架抽象 → 实验设计 → 规则策略结果 → 回测与 Dry-run 验证 → 机器学习扩展。

目标是理解以下问题：

1. Freqtrade 如何表达和执行交易策略；
2. 入场、退出、止损和持仓占用如何共同决定结果；
3. 回测、Dry-run 和真实交易分别验证什么；
4. 规则策略如何扩展到机器学习策略。

实验范围：

Market:       Spot
Direction:    Long only
Pair:         BTC/USDT
Timeframe:    1h
Development:  2025-07-01 — 2026-04-01
Challenge:    2026-04-01 — 2026-07-01

共完成 12 个实验、10 个策略实现和一个持续运行的 Dry-run 实例。

---

1. Freqtrade 的核心抽象

Freqtrade 的策略通常实现为继承 IStrategy 的 Python 类。

主要接口包括：

class MyStrategy(IStrategy):
    timeframe = "1h"
    stoploss = -0.08
    minimal_roi = {}
 
    def populate_indicators(self, dataframe, metadata):
        ...
 
    def populate_entry_trend(self, dataframe, metadata):
        ...
 
    def populate_exit_trend(self, dataframe, metadata):
        ...

其数据流可以概括为：

OHLCV DataFrame
    ↓
Indicator / Feature Calculation
    ↓
enter_long / exit_long
    ↓
Position and Order Constraints
    ↓
Trade Lifecycle

策略类主要负责：

• 指标和特征；
• 入场条件；
• 退出条件；
• 策略级参数；
• 可选的仓位、止损和订单回调。

配置文件负责：

• 交易所；
• Pairlist；
• 资金和 stake；
• 最大同时持仓；
• 订单类型；
• Dry-run / Live；
• API 和 UI。

Freqtrade Engine 负责：

• 数据加载；
• 回测循环；
• 订单状态；
• Trade 持久化；
• 钱包状态；
• 实时调度。

Freqtrade 减少了交易基础设施的实现成本。数据完整性、前视偏差、费用假设、风控参数和策略有效性仍需由研究者验证。

---

2. 策略边界：时序与横截面

Freqtrade 可以同时处理多个交易对，但默认仍以单个交易对为计算单元：

BTC/USDT DataFrame ─┐
ETH/USDT DataFrame ─┼→ Same Strategy → Independent Signals
SOL/USDT DataFrame ─┘

它自然表达的问题是：

signal(pair, t) = f(history of pair before t)

例如：

• BTC 当前是否突破过去 20 小时高点；
• ETH 当前 RSI 是否进入超卖区；
• SOL 当前趋势是否反转。

这属于时序策略。

典型横截面策略则是：

At time t:
    calculate factors for 200 assets
    normalize cross-sectionally
    rank assets
    select top and bottom groups
    assign target weights
    rebalance portfolio

其自然输出通常是目标权重：

BTC:  +12%
ETH:   +8%
SOL:    0%
XRP:   -5%
Cash:  85%

Freqtrade 可以通过动态 Pairlist、informative pairs 或外部信号间接支持部分横截面逻辑，但并不原生提供：

• 横截面因子矩阵；
• 横截面标准化；
• 组合权重优化；
• 风险中性约束；
• 组合级再平衡。

在这组实验中，我把 Freqtrade 定位为：

Freqtrade 是以单交易对时序信号为核心抽象的中低频加密交易框架。

---

3. 实验设计

本次实验遵循以下约束：

• 每次只改变一个主要变量；
• 运行前记录预期；
• 不使用 Hyperopt；
• 不根据 Challenge 结果继续调参；
• 保留所有失败实验；
• 区分 observation、interpretation 和 conclusion；
• Dry-run 只验证系统路径，不评价盈利能力。

AI Agent 用于：

• 生成受控策略变体；
• 增加注释；
• 检查 diff；
• 执行指定回测；
• 分析日志；
• 汇总指标。

AI Agent 不被允许：

• 自动搜索参数；
• 根据收益继续迭代；
• 删除失败实验；
• 自动得出策略有效性结论。

---

4. EMA 趋势策略

基线规则：

EMA10 crosses above EMA30 → Enter
EMA10 crosses below EMA30 → Exit

参数对照：

Strategy	EMA	Trades	Win Rate	PF	Avg Duration	Return
Fast	5/15	232	25.0%	0.69	14h	-4.57%
Baseline	10/30	114	21.9%	0.53	27h	-5.77%
Slow	20/60	62	16.1%	0.52	49h	-3.35%

从这组结果可以直接看到：

Longer EMA period
→ fewer crosses
→ fewer trades
→ longer holding period

但交易次数减少并未带来更高胜率或更高 PF。

Slow 版本总亏损较小，但每笔平均净结果并未明显改善。它降低了交易次数和市场暴露，单笔信号质量没有明显提升。

结论：

指标参数首先改变策略的频率和持仓结构，不应直接解释为信号质量变化。

---

5. 退出规则与路径依赖

在保持 EMA10/30 入场不变的情况下，将退出改为：

minimal_roi = {"0": 0.05}
stoploss = -0.08
use_exit_signal = False

结果：

Metric	EMA Exit	Fixed ROI Exit
Trades	114	24
Win Rate	21.9%	45.8%
PF	0.53	0.48
Avg Duration	27h	9d
Return	-5.77%	-5.48%

固定 ROI 版本的退出分布：

Exit	Count	Average Result
ROI	10	+5.00%
Stop loss	13	-8.18%
Force exit	1	+1.45%

只考虑 ROI 和止损两类退出时：

Break-even win rate
= 8.18 / (8.18 + 5.00)
≈ 62.1%

实际胜率仅为 45.8%。

这组结果表明，胜率提高并未改善 PF。

退出规则延长了持仓时间，使大量后续入场信号无法执行。两个策略使用相同的入场条件，实际交易样本却已经不同。

策略结果具有路径依赖：

Exit rule
→ holding duration
→ capital availability
→ executable future entries
→ complete trade distribution

退出规则会改变既有交易的后续机会集合。

---

6. RSI 均值回归

基线规则：

RSI(14) crosses below 30 → Enter
RSI(14) crosses above 50 → Exit

该规则描述的是“超卖抢反弹”，属于短期动量衰减假设，不承担估值判断功能。

其假设是：

当短期负向动量达到极端值后，未来发生短期反弹或动量衰减的概率可能提高。

结果：

Trades:       50
Win rate:     44.0%
Profit factor: 0.37
Max drawdown: 5.05%
Return:       -4.97%
Best trade:   +3.87%

退出分布：

Exit	Count	Total PnL
RSI exit	45	-8.99 USDT
Stop loss	5	-40.70 USDT

5 笔止损的亏损金额相当于最终净亏损的约 82%。这个比例只针对最终净亏损，gross loss 需要单独计算；尾部交易对结果的影响仍然很明显。

---

7. 止损敏感性

在保持 RSI 入场和退出不变的情况下，仅修改止损：

Stop Loss	Trades	Win Rate	PF	Worst Trade	Avg Duration	Return
-3%	63	44.4%	0.45	-3.19%	16h25m	-4.64%
-8%	50	44.0%	0.37	-8.18%	24h	-4.97%
-15%	48	43.8%	0.37	-15.17%	26h55m	-4.53%

更紧的止损产生了三个效果：

Earlier exit
→ smaller tail loss
→ earlier capital release
→ more executable future entries

63、50 和 48 笔交易来自不同的交易路径，不能视为同一组交易的不同退出结果。

不能仅根据退出数量差异推断：

• 哪些交易原本最终会盈利；
• 哪些止损交易原本会恢复；
• 某笔交易在另一版本中的反事实结果。

要完成严格比较，需要按原始信号时间匹配交易，或者使用独立的 event-based path analysis。

结论：

止损会重新塑造整个交易路径和收益分布，同时限制单笔最大亏损。

---

8. 趋势过滤器为何产生零交易

RSI 策略尝试了三个趋势过滤条件：

close > EMA100
close > EMA20
EMA20 > EMA20.shift(5)

全部得到零交易。

目前能确认的是：

RSI crosses below 30
AND
trend filter

在当前样本中的同一 candle 交集为零。

当前证据只支持“RSI 入场事件与趋势过滤器在同一 candle 没有交集”。以下结论仍缺乏证据：

• RSI 超卖和上升趋势在逻辑上互斥；
• BTC 在整个区间从未位于 EMA 之上；
• 趋势过滤器有效地删除了亏损交易。

正确的诊断方式应分别统计：

A = RSI entry event count
B = filter true count
C = A ∩ B count
D = final entry count after all conditions

零交易首先反映信号空间为空，不能单独构成策略有效性证据。

---

9. Donchian 突破

Donchian 策略的基本结构是：

Break above previous N-period high → Enter
Break below shorter exit channel → Exit

为避免使用当前 candle 自身高点，突破基准必须基于已完成 candle，例如：

dataframe["entry_high"] = (
    dataframe["high"]
    .rolling(entry_period)
    .max()
    .shift(1)
)

成交量过滤器：

volume > rolling_mean(volume, 20)

在该实验中只删除了约 5.8% 的交易，未显著改善结果。

这只能说明该简单过滤器在当前样本中没有产生明显区分能力，不能推广为“成交量无法过滤假突破”。

基线中没有交易触及 -8% 止损，说明较短退出通道主导了持仓生命周期。

但仅凭这一点无法证明退出截断了趋势盈利。还需要比较：

• 更宽的退出通道；
• 最大有利波动 MFE；
• 退出后的价格路径；
• 固定持有期退出。

---

10. Challenge 区间

三个基线策略在开发期和 Challenge 区间的排名发生反转。

开发期：

Donchian loss < RSI loss < EMA loss

Challenge：

EMA > RSI > Donchian

其中 EMA 在 Challenge 区间小幅盈利，但经济幅度很小、样本数量有限，正期望尚未得到证实。

这一结果说明：

单一市场区间中的策略排名不具有稳定的外推能力。

如果根据 Challenge 结果继续修改参数，则 Challenge 已转化为新的开发集。

---

11. 费用敏感性

费用从单边 0.1% 提高到 0.2% 后，策略结果明显恶化。

费用影响大致与换手相关：

Higher trade count
→ more entry and exit fees
→ larger degradation in net return

但实验中曾出现最佳交易从 +7.82% 变为 +4.49% 的记录。

按每笔交易包含一次入场和一次退出计算，单边费用仅增加 0.1 个百分点时，完整交易的收益变化通常应接近额外 0.2 个百分点。3.33 个百分点的差异无法仅由费用解释。

该结果属于实验异常，优先检查：

• strategy class；
• config；
• timerange；
• result filename；
• cache；
• backtest result selection。

原则：

无法由实验变量解释的数字，不应被纳入策略结论。

---

12. Lookahead 与递归指标检查

lookahead-analysis 未发现未来数据使用。

recursive-analysis 显示 EMA30 在不同启动长度下存在约 0.117% 的末端值差异。

这组结果说明：

不同 startup candle 长度下，指标值尚未完全一致。

是否发生交易信号变化仍需单独验证。

进一步验证应当：

1. 选择足够大的统一 startup_candle_count；
2. 重新运行 EMA 策略；
3. 比较交易数量和信号时间；
4. 判断递归误差是否具有交易层影响。

---

13. Backtest 与 Dry-run

Backtest 评估：

historical OHLCV
+ candle execution assumptions
+ strategy logic
→ simulated trade result

Dry-run 评估：

real-time data ingestion
+ scheduling
+ signal generation
+ internal order state
+ trade persistence
→ simulated live operation

Dry-run 覆盖信号生成、模拟订单状态和 Trade 持久化。以下执行因素属于它的验证范围之外：

• 实际滑点；
• 订单簿排队；
• 市场冲击；
• 真实成交竞争；
• 交易所写请求延迟。

模拟状态流转如下：

Signal found
→ simulated order created
→ order state updated
→ Trade persisted

实验期间出现一次：

Strategy analysis took 1403.41s

对于单交易对简单 EMA 策略，23 分钟分析时间属于严重异常，远超正常实时延迟。

应单独排查：

• CPU 和内存竞争；
• 容器阻塞；
• 网络请求是否进入策略路径；
• DataProvider 调用；
• 外部服务延迟；
• 系统时间和日志上下文；
• 与其他容器的资源竞争。

RestartCount=0 只反映容器重启状态；系统阻塞或延迟仍需结合资源、网络和日志检查。

---

14. 从规则策略到机器学习

规则策略：

features
→ manually defined condition
→ signal

机器学习策略：

features
→ model
→ prediction
→ deterministic trading rule
→ signal

例如预测未来 6 小时收益：

future_return_6h = close.shift(-6) / close - 1

训练特征可以包括：

return_1h
return_6h
realized_volatility_24h
RSI
ATR / close
volume z-score
distance to EMA

模型输出需要经过交易规则转换，才能形成交易信号。

交易规则仍需定义：

predicted return
>
fees + expected slippage + uncertainty margin
→ enter

同时还需决定：

• 预测期限；
• 滚动训练窗口；
• 重训频率；
• 时间序列切分；
• 标签重叠；
• 预测阈值；
• 持仓期限；
• 退出和止损；
• 模型失效条件。

FreqAI 可以管理：

• 滚动训练；
• 模型保存；
• 历史回测中的定期重训；
• Dry-run / Live 预测；
• 模型更新和恢复。

研究者仍需决定：

• 预测目标是否有意义；
• 特征是否泄漏；
• 模型是否具有样本外信息；
• 预测能否覆盖交易成本。

第一阶段的 ML 研究应先评价预测能力，再评价交易收益：

prediction quantile
→ realized future return

如果预测分组和实际未来收益不存在稳定关系，那么优化退出和止损通常只是在重新包装噪声。

---

15. 结论

本次实验没有发现有效策略，同时验证了几个重要结构：

1. 参数变化首先改变交易频率和持仓结构；
2. 胜率不能脱离平均盈亏和尾部损失解释；
3. 退出机制会改变后续可执行信号；
4. 止损会改变完整交易路径，并限制单笔最大亏损；
5. 零交易表示条件交集为空，过滤器是否有效仍需另行验证；
6. 开发期排名外推到新市场状态时缺乏稳定性；
7. Backtest、Dry-run 和 Live 分别覆盖不同风险；
8. 机器学习将部分规则替换为统计预测，策略设计仍然存在。

一个 Freqtrade 策略应同时包含：

data
+ feature definition
+ entry logic
+ exit logic
+ position occupancy
+ fees
+ execution assumptions
+ market regime

这些部分共同决定最终结果。