freqtrade · 第 8 章 FreqAI机器学习

freqtrade · 第 8 章 FreqAI机器学习

章节摘要:本章属「高阶核心」,是 freqtrade 最具差异化的模块——FreqAI 自适应预测建模。传统策略靠人工写规则,FreqAI 用机器学习模型(从 LightGBM、XGBoost 到 PyTorch MLP/Transformer,再到强化学习)从历史数据中学习并预测未来涨跌,且支持持续重训练以适应市场变化。本章先讲 FreqAI 的总体架构与「训练-推理-重训练」闭环;再讲特征工程与标签设计(这是 ML 策略成败的关键);然后是配置与运行;接着是内置模型库;再是强化学习交易环境;最后是自定义模型开发。本章共 6 节,前置依赖为「第 3、6 章」,建议先了解机器学习基础。

学习目标

阅读完本章,你应当能够:

1. 描述 FreqAI 的「训练 → 推理 → 持续重训练」闭环架构。
2. 设计特征与标签(feature_engineering、set_label),理解标签决定模型学什么。
3. 完成 FreqAI 的配置与运行(freqai 配置块、训练/回测/实盘)。
4. 选用并配置内置模型(LightGBM/XGBoost/PyTorch MLP/Transformer)。
5. 理解强化学习交易环境的动作空间与奖励设计。
6. 开发自定义模型(继承 BaseRegressionModel/BaseClassifierModel)。

核心概念速览

FreqAI 的核心思想:市场在变,模型也要跟着变——所以「持续重训练」比「一次训练」更重要。

子章节导航

01 FreqAI 总览与架构

FreqAI 是什么、训练-推理闭环、data_drawer 与 data_kitchen、与普通策略的关系。

02 特征工程与标签

feature_engineering_expand_all、set_label、标签决定模型学什么、特征标准化。

03 配置与运行

freqai 配置块、train_period_days、live_retrain_hours、回测与实盘的差异。

04 内置模型

LightGBM/XGBoost 回归与分类、PyTorch MLP、PyTorch Transformer、模型选型建议。

05 强化学习交易

BaseEnvironment、动作空间(持有/买/卖)、奖励函数、Stable-Baselines3 集成。

06 自定义模型开发

继承基类、train/predict 方法、注册到 freqaimodel_resolver、FreqaiExampleStrategy 解读。

子章节之间的逻辑关系

本章第 01 节(总览) ──► 第 02 节(特征标签) ──► 第 03 节(配置运行) ──► 第 04 节(内置模型) ──► 第 05 节(强化学习) ──► 第 06 节(自定义)
   │
   ▼
下一章(第 9 章 交易所、杠杆与高级交易)
​

前置知识与后续延伸

前置知识:

• 第 3 章(策略基础)
• 第 6 章(回测,FreqAI 也要回测)
• 机器学习基础(监督学习、训练/验证、过拟合)——非必需但强烈建议

后续延伸:

• FreqAI 的超参可结合第 7 章 Hyperopt 优化
• 实盘部署需配合第 10 章的运维与监控