第 3 章 · 02 populate_indicators 计算指标

第 3 章 · 02 populate_indicators 计算指标

本节摘要:策略三步走的第一步——把原始 OHLCV 数据加工成技术指标。本节讲透 populate_indicators 的职责与套路:输入是什么、要做什么、返回什么;然后实打实地用 TA-Lib(talib.abstract as ta)与 technical.util.qtpylib 计算四类常用指标——趋势类(SMA/EMA/TEMA)、震荡类(RSI/MFI)、能量类(MACD)、统计类(布林带),并挂回 DataFrame 列。读完本节,你能给任意策略添加任意常用指标,并理解每一类指标在 DataFrame 上长什么样。

内容来源:原项目源码 freqtrade/templates/sample_strategy.py、文档 docs/strategy-101.md,汉化并套用体系化模板。

学习目标

阅读完本节,你应当能够:

1. 说清 populate_indicators 的输入、职责、输出与禁忌。
2. 用 talib.abstract as ta 计算 SMA、EMA、TEMA、RSI、MFI、MACD、ADX、SAR。
3. 用 qtpylib.bollinger_bands 计算布林带(上下中三轨)。
4. 理解 DataFrame 列式语义:每一行就是一根 K 线,指标列是该根 K 线时刻的指标值。
5. 遵守 「只算策略用到的」性能铁律。
6. 处理 NaN 与 startup_candle_count 的关系。

一、方法的输入输出

def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    ...
    return dataframe
​

• 输入 dataframe:当前交易对的 OHLCV 数据,基础列为 date、open、high、low、close、volume,外加 buy/sell(旧版,新版不用)。
• 输入 metadata:字典,含 pair(交易对名,如 "ETH/USDT")。
• 职责:在这个 DataFrame 上新增列,把各类技术指标算出来挂上去。
• 输出:返回加了指标列的 DataFrame。

💡 核心心法:指标计算是纯函数——输入是 OHLCV,输出是加了列的 DataFrame,不要在这里读写外部状态(数据库、文件、网络)。每个对、每根 K 线都会调用它,性能极敏感。

二、性能铁律:只算你用到的

def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    # ❌ 错误:把 sample_strategy 里的几十个指标全部算上
    # ✅ 正确:只算你 populate_entry_trend / populate_exit_trend 真正引用的列
    dataframe["rsi"] = ta.RSI(dataframe)
    return dataframe
​

理由:

• 每个对、每次 K 线刷新都会算一遍;几十个无用指标会让回测慢 10 倍、实盘 CPU 飙满。
• sample_strategy.py 里注释掉那么多指标,正是这个原因——它们是「目录」不是「清单」。

⚠️ 从 sample_strategy 复制的常见坑:新手把所有注释的指标都打开「以防万一」,结果回测一晚没跑完。打开 populate_indicators 前,先决定 populate_entry_trend 里要哪些列,只算那些。

三、趋势类:均线家族

均线是最基础的指标——把过去 N 根 K 线的 close 求平均,得到平滑的趋势线。

import talib.abstract as ta

# 简单移动平均(等权)
dataframe["sma50"] = ta.SMA(dataframe, timeperiod=50)

# 指数移动平均(近期权重更大,反应更快)
dataframe["ema21"] = ta.EMA(dataframe, timeperiod=21)

# 三重指数移动平均(进一步去噪,趋势更平滑)
dataframe["tema"] = ta.TEMA(dataframe, timeperiod=9)

# 抛物线 SAR(趋势反转点提示)
dataframe["sar"] = ta.SAR(dataframe)
​

用法:

• 趋势识别:close 在 SMA50 之上视为多头,之下视为空头。
• 金叉/死叉:短期均线上穿/下穿长期均线(如 EMA9 × EMA21)。
• TEMA 比 EMA 更平滑、比 SMA 更灵敏,常被用来替代 close 做信号判断。

四、震荡类:RSI 与 MFI

震荡指标衡量「超买/超卖」,在 0~100 之间波动。

# 相对强弱指数(只看价格)
dataframe["rsi"] = ta.RSI(dataframe, timeperiod=14)

# 资金流量指数(看价格 + 成交量,更"真实")
dataframe["mfi"] = ta.MFI(dataframe, timeperiod=14)
​

经典解读:

💡 为什么常用 RSI 而非 MFI:RSI 简单、广泛出现在所有教程里;MFI 加入了成交量维度,理论上更可靠,但实战中两者信号高度相关。新人从 RSI 开始。

五、MACD:趋势 + 动量

macd = ta.MACD(dataframe, fastperiod=12, slowperiod=26, signalperiod=9)
dataframe["macd"] = macd["macd"]           # MACD 线
dataframe["macdsignal"] = macd["macdsignal"]  # 信号线
dataframe["macdhist"] = macd["macdhist"]    # 柱状图(MACD - 信号)
​

含义:

• macd = 12 日 EMA − 26 日 EMA(快慢均线之差)。
• macdsignal = macd 的 9 日 EMA。
• macdhist = macd − macdsignal(柱状图)。

经典用法:macd 上穿 macdsignal(柱状图由负转正)为金叉做多;下穿为死叉做空。

六、布林带:统计波动率

布林带需要先算「典型价格」((high+low+close)/3),再用 qtpylib 算三轨:

from technical import qtpylib

# 典型价格
tp = qtpylib.typical_price(dataframe)
# 20 周期、2 倍标准差
bollinger = qtpylib.bollinger_bands(tp, window=20, stds=2)
dataframe["bb_lowerband"] = bollinger["lower"]
dataframe["bb_middleband"] = bollinger["mid"]
dataframe["bb_upperband"] = bollinger["upper"]
​

含义:

• bb_middleband = 20 周期 SMA(中轨)。
• bb_upperband = 中轨 + 2σ(上轨)。
• bb_lowerband = 中轨 − 2σ(下轨)。

经典用法:价格触及下轨视为超卖(可能反弹),触及上轨视为超买(可能回落);带子收口(bb_width 减小)预示大行情要来。

七、NaN 与 startup_candle_count

注意一个细节:200 周期的 SMA,前 199 行都是 NaN(数据不够)。如果策略在这些 NaN 行上做判断,会得到错误信号。这就是 IStrategy 类属性 startup_candle_count 的作用(第 01 节已讲):

class MyStrategy(IStrategy):
    startup_candle_count: int = 200  # ← 我最长指标是 SMA200,设 200
​

引擎会忽略每段数据前 startup_candle_count 根 K 线,确保指标热身完成。

⚠️ 规则:startup_candle_count 必须 ≥ 你用到的最长指标的周期数。用了 SMA200 就设 200,用了 RSI14 至少设 14,实际建议设得更大(给信号留缓冲)。

八、一段完整的 populate_indicators

def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    # 动量
    dataframe["rsi"] = ta.RSI(dataframe, timeperiod=14)
    dataframe["mfi"] = ta.MFI(dataframe)
    dataframe["adx"] = ta.ADX(dataframe)

    # 趋势
    dataframe["ema21"] = ta.EMA(dataframe, timeperiod=21)
    dataframe["tema"] = ta.TEMA(dataframe, timeperiod=9)
    dataframe["sar"] = ta.SAR(dataframe)

    # MACD
    macd = ta.MACD(dataframe)
    dataframe["macd"] = macd["macd"]
    dataframe["macdsignal"] = macd["macdsignal"]

    # 布林带
    bb = qtpylib.bollinger_bands(qtpylib.typical_price(dataframe), window=20, stds=2)
    dataframe["bb_lowerband"] = bb["lower"]
    dataframe["bb_middleband"] = bb["mid"]
    dataframe["bb_upperband"] = bb["upper"]

    return dataframe
​

这段计算了 5 类指标,挂了 10+ 个列。后续 populate_entry_trend 就用这些列拼买入条件。

本节要点回顾

1. 方法签名:输入 OHLCV DataFrame + metadata,输出加指标列的 DataFrame;只算指标、不加信号。
2. 性能铁律:只算策略真正引用的列;sample_strategy 的注释指标是「目录」不是「清单」。
3. 趋势类:SMA(等权,滞后)、EMA(加权,灵敏)、TEMA(三重平滑,最灵敏)、SAR(反转点)。
4. 震荡类:RSI 只看价格、MFI 加入成交量,经典区间 >70 超买、<30 超卖。
5. MACD:macd 是快慢均线之差,与 macdsignal 的金叉/死叉是经典动量信号。
6. 布林带:qtpylib.bollinger_bands 输出上中下三轨,带子收口预示波动率放大。
7. NaN 处理:长周期指标前 N 行是 NaN,startup_candle_count 必须 ≥ 最长指标周期。

下一节,我们用这些指标拼出入场与出场信号——populate_entry_trend 与 populate_exit_trend 的列约定与条件组合。