第 3 章 · 05 第一个示例策略

第 3 章 · 05 第一个示例策略

本节摘要:前三节我们把指标、信号、风控拆开学了,现在把它们拼起来,逐段精读 freqtrade 官方模板 freqtrade/templates/sample_strategy.py——它就是 freqtrade new-strategy 不加 --template minimal 时生成的完整骨架。这套策略的逻辑是教科书级的「RSI 超卖反弹 + 布林带 + TEMA」:用 RSI 上穿 30 捕捉超卖反转事件,用 TEMA 与布林中轨的相对位置做守卫,用 minimal_roi 阶梯表与 10% 止损做风控。读完本节,你能完整理解这份模板每一行的作用,并知道如何在其上改成自己的策略——同时牢记:它是「怎么写」的范例,不是「赚钱」的印钞机。

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。

⚠️ 风险提示:官方明说 SampleStrategy 不是用来赚钱的。直接拿它上实盘大概率亏损。它是结构范例,真正实盘前必须回测 + Dry-Run + 自己理解每一行逻辑。

学习目标

阅读完本节,你应当能够:

1. 把 sample_strategy 的类配置块、指标块、入场块、出场块对应到前三节学的概念。
2. 说清「RSI + BB + TEMA」入场逻辑的每行作用。
3. 理解示例里的 Hyperopt 参数(IntParameter)如何让 RSI 阈值可调。
4. 知道哪些块必须保留、哪些可以删改。
5. 在 sample 基础上派生自己的策略。
6. 用 freqtrade new-strategy 生成模板并跑起来。

一、整体结构:四块拼图

打开 sample_strategy.py,去掉注释后骨架是这样:

import talib.abstract as ta
from technical import qtpylib
from freqtrade.strategy import IStrategy, IntParameter, informative
from pandas import DataFrame

class SampleStrategy(IStrategy):
    # —— 第一块:类配置 ——
    INTERFACE_VERSION = 3
    timeframe = "5m"
    can_short = False
    minimal_roi = {"60": 0.01, "30": 0.02, "0": 0.04}
    stoploss = -0.10
    trailing_stop = False
    process_only_new_candles = True
    startup_candle_count = 200
    order_types = {...}
    use_exit_signal = True

    # —— 第二块:Hyperopt 参数 ——
    buy_rsi = IntParameter(1, 50, default=30, space="buy")
    sell_rsi = IntParameter(50, 100, default=70, space="sell")

    # —— 第三块:三个必须方法 ——
    def populate_indicators(self, dataframe, metadata): ...
    def populate_entry_trend(self, dataframe, metadata): ...
    def populate_exit_trend(self, dataframe, metadata): ...

    # —— 第四块:可视化配置(可选) ——
    plot_config = {...}
​

二、第一块:类配置详解

INTERFACE_VERSION = 3          # 接口版本,目前固定 3
timeframe = "5m"               # 5 分钟 K 线
can_short: bool = False        # 仅做多

minimal_roi = {                # 阶梯 ROI(第 04 节)
    "60": 0.01,                # 1 小时后 1% 就平
    "30": 0.02,                # 30 分钟后 2%
    "0": 0.04,                 # 立即要 4%
}

stoploss = -0.10               # 亏损 10% 止损
trailing_stop = False          # 不开启追踪止损(第 4 章详讲)

process_only_new_candles = True   # 只在新 K 线收盘跑
startup_candle_count: int = 200   # 前 200 根忽略

order_types = {
    "entry": "limit",          # 入场用限价单
    "exit": "limit",           # 出场用限价单
    "stoploss": "market",      # 止损用市价单(确保成交)
    "stoploss_on_exchange": False,
}

use_exit_signal = True         # 启用 populate_exit_trend
exit_profit_only = False       # 任何盈亏都可用信号出场
ignore_roi_if_entry_signal = False  # 达 ROI 就平,不等信号
​

每一行都在前三节讲过。注意 startup_candle_count = 200 是因为指标里最长的周期接近 200(虽然示例实际只用短周期,但留 200 是给后续扩展留余地)。

💡 改自己的策略从这里开始:timeframe、minimal_roi、stoploss 是最先该调整的三个。但记住——JSON 配置会覆盖它们,所以实盘时检查 JSON。

三、第二块:Hyperopt 参数

buy_rsi = IntParameter(low=1, high=50, default=30, space="buy", optimize=True, load=True)
sell_rsi = IntParameter(low=50, high=100, default=70, space="sell", optimize=True, load=True)
short_rsi = IntParameter(low=51, high=100, default=70, space="sell", optimize=True, load=True)
exit_short_rsi = IntParameter(low=1, high=50, default=30, space="exit", optimize=True, load=True)
​

IntParameter 声明一个可优化参数:

• low/high:搜索范围。
• default:不用 Hyperopt 时的默认值。
• space:"buy"(买空间)、"sell"(卖空间)、"roi"、"stoploss"、"exit" 等,Hyperopt 可分空间优化。
• optimize:是否参与优化。
• load:是否从 Hyperopt 结果文件加载。

代码里用 self.buy_rsi.value 取当前值。第 7 章详讲。

四、第三块:populate_indicators 实算哪些

去掉所有注释行,sample 实际计算的指标就这几个(注意:不是注释里的全部):

def populate_indicators(self, dataframe, metadata):
    dataframe["adx"] = ta.ADX(dataframe)             # 趋势强度
    dataframe["rsi"] = ta.RSI(dataframe)             # 动量
    stoch_fast = ta.STOCHF(dataframe)                # 快随机
    dataframe["fastd"] = stoch_fast["fastd"]
    dataframe["fastk"] = stoch_fast["fastk"]
    macd = ta.MACD(dataframe)                        # MACD
    dataframe["macd"] = macd["macd"]
    dataframe["macdsignal"] = macd["macdsignal"]
    dataframe["macdhist"] = macd["macdhist"]
    dataframe["mfi"] = ta.MFI(dataframe)             # 资金流量
    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"]
    dataframe["sar"] = ta.SAR(dataframe)             # 抛物线
    dataframe["tema"] = ta.TEMA(dataframe, timeperiod=9)  # 三重 EMA
    hilbert = ta.HT_SINE(dataframe)                  # 希尔伯特正弦
    dataframe["htsine"] = hilbert["sine"]
    dataframe["htleadsine"] = hilbert["leadsine"]
    return dataframe
​

⚠️ 观察:sample 里 populate_indicators 算了 ~15 个指标,但 populate_entry_trend 实际只用到 rsi、tema、bb_middleband 三个。这正是反面教材——按第 02 节的性能铁律,实战应该删掉没用的。sample 保留它们是「目录」用途,让你看到 TA-Lib 怎么调。

五、第三块:populate_entry_trend 精读

def populate_entry_trend(self, dataframe, metadata):
    # 做多信号
    dataframe.loc[
        (
            # 信号:RSI 上穿 buy_rsi(默认 30)——超卖反弹事件
            (qtpylib.crossed_above(dataframe["rsi"], self.buy_rsi.value))
            # 守卫 1:TEMA ≤ 布林中轨(确认还在低位区间)
            & (dataframe["tema"] <= dataframe["bb_middleband"])
            # 守卫 2:TEMA 在抬升(反弹已启动)
            & (dataframe["tema"] > dataframe["tema"].shift(1))
            # 守卫 3:成交量 > 0
            & (dataframe["volume"] > 0)
        ),
        "enter_long",
    ] = 1

    # 做空信号(can_short=False 时不会触发)
    dataframe.loc[
        (
            (qtpylib.crossed_above(dataframe["rsi"], self.short_rsi.value))
            & (dataframe["tema"] > dataframe["bb_middleband"])
            & (dataframe["tema"] < dataframe["tema"].shift(1))
            & (dataframe["volume"] > 0)
        ),
        "enter_short",
    ] = 1
    return dataframe
​

这套「RSI + BB + TEMA」逻辑的解读(第 03 节已铺垫):

💡 为什么用 crossed_above 而非 <:RSI 跌到 25 然后反弹到 28,这一路上 < 30 都为真——会重复触发;而 crossed_above(rsi, 30) 只在「从下方穿越到上方」那一根 K 线触发,信号干净。

六、第三块:populate_exit_trend

出场逻辑与入场镜像对称——只是把阈值和方向反过来:

def populate_exit_trend(self, dataframe, metadata):
    # 平多:RSI 上穿 70(超买回落)+ TEMA 在高位 + TEMA 在下降
    dataframe.loc[
        (
            (qtpylib.crossed_above(dataframe["rsi"], self.sell_rsi.value))
            & (dataframe["tema"] > dataframe["bb_middleband"])
            & (dataframe["tema"] < dataframe["tema"].shift(1))
            & (dataframe["volume"] > 0)
        ),
        "exit_long",
    ] = 1
    # 平空:略,逻辑对称
    return dataframe
​

注意出场还会叠加 minimal_roi(4%/2%/1% 阶梯)和 stoploss(-10%),三者「或」关系。

七、第四块:plot_config 可视化

plot_config = {
    "main_plot": {"tema": {}, "sar": {"color": "white"}},
    "subplots": {
        "MACD": {"macd": {"color": "blue"}, "macdsignal": {"color": "orange"}},
        "RSI": {"rsi": {"color": "red"}},
    },
}
​

• main_plot:画在主图(K 线图)上的指标,通常是价格类(均线、SAR)。
• subplots:画在副图上的指标,通常是震荡类(RSI、MACD)。

不影响交易,只影响 freqtrade plot-dataframe 的输出。

八、在 sample 上派生你的策略

实战路径:

1. 复制改名:cp sample_strategy.py MyStrategy.py,把类名 SampleStrategy 改成 MyStrategy。
2. 精简指标:删掉 populate_indicators 里入场/出场没用到的列。
3. 改阈值:buy_rsi、sell_rsi 的 default 改成你回测最优的值。
4. 改 timeframe/ROI/stoploss:配合你的交易风格。
5. 删做空逻辑:can_short=False 时,enter_short/exit_short 块可删。
6. 回测验证:freqtrade backtesting -c config.json -s MyStrategy。

⚠️ 必须保留:INTERFACE_VERSION、populate_indicators、populate_entry_trend、populate_exit_trend、timeframe、minimal_roi、stoploss——这些是引擎的硬性约定。其余(plot_config、Hyperopt 参数、informative_pairs)可选。

九、生成与运行

# 生成完整版(就是 sample_strategy)
freqtrade new-strategy --strategy MyFirst

# 生成最小骨架
freqtrade new-strategy --strategy MyFirst --template minimal

# 回测
freqtrade backtesting -c user_data/config.json -s MyFirst

# Dry-Run
freqtrade trade -c user_data/config.json -s MyFirst --strategy-path user_data/strategies/
​

本节要点回顾

1. 四块结构:类配置、Hyperopt 参数、三个必须方法、plot_config——前三块必留,第四块可选。
2. 指标块反面教材:sample 算了 15 个指标但只用到 3 个,实战要按性能铁律删冗余。
3. 入场精读:RSI 上穿 30(信号)+ TEMA 在布林下半区(守卫)+ TEMA 抬升(守卫)+ volume>0(守卫)。
4. 用 crossed_above 而非 <:事件信号只在穿越那根触发,避免重复进场。
5. 出场镜像对称:逻辑与入场同型,只是方向和阈值反过来;叠加 ROI + 止损是「或」关系。
6. 派生路径:复制改名 → 精简指标 → 改阈值 → 改 timeframe/ROI/stoploss → 删做空 → 回测。
7. SampleStrategy 是范例不是印钞机:直接上实盘大概率亏钱,必须理解每一行 + 回测 + Dry-Run。

下一章进入「策略深度定制」——先看 @informative 装饰器,如何在一个策略里融合多周期(如 1h 趋势 + 5m 入场)的数据。