第 8 章 · 04 内置模型

第 8 章 · 04 内置模型

本节摘要:FreqAI 内置十余种预测模型，覆盖梯度提升树(LightGBM、XGBoost)、随机森林、PyTorch 神经网络(MLP、Transformer)三大族系，每种又分回归与分类变体。本节带你遍历这些模型，讲清回归与分类的本质差异(连续值 vs 离散类)、梯度提升树的原理(串行集成决策树)、PyTorch 模型的三层继承结构(BasePyTorchModel → BasePyTorchRegressor/Classifier → 具体模型)，最后给出选型建议——新手从 LightGBM 起步，追求表达力上 PyTorch，千万别在没有现货盈利验证前就上合约杠杆。

内容来源:原项目文档 docs/freqai-configuration.md、docs/freqai-parameter-table.md，源码 freqtrade/freqai/prediction_models/，汉化并套用体系化模板。

⚠️ 风险提示:示例策略和默认模型参数是为展示功能设计的，不是为实盘盈利设计的。任何模型在实盘前都必须充分回测和 Dry-Run。

学习目标

阅读完本节，你应当能够:

1. 列举 FreqAI 内置的模型族系与各自变体。
2. 区分回归与分类模型的标签写法。
3. 理解梯度提升树的集成学习原理。
4. 描述 PyTorch 模型的三层继承结构。
5. 根据场景给出选型建议。

一、模型族系全景

打开 freqtrade/freqai/prediction_models/ 目录，内置模型一览:

用 --freqaimodel 指定:

# 回归:预测未来收益率(连续值)
freqtrade trade --freqaimodel LightGBMRegressor --strategy FreqaiExampleStrategy --config config.json

# 分类:预测涨/跌(离散类)
freqtrade trade --freqaimodel LightGBMClassifier --strategy MyClassifierStrat --config config.json

# PyTorch MLP 回归
freqtrade trade --freqaimodel PyTorchMLPRegressor --strategy FreqaiExampleStrategy --config config.json
​

二、回归 vs 分类:先想清楚要预测什么

这是选模型的第一道分叉。

回归模型预测连续值。比如「未来 24 根 K 线的平均收益率是 +1.5%」。标签写成数值:

def set_freqai_targets(self, dataframe, metadata, **kwargs):
    dataframe["&-s_close"] = (
        dataframe["close"].shift(-24).rolling(24).mean()
        / dataframe["close"] - 1
    )
    return dataframe
​

策略里拿预测值当信号强度，设阈值过滤:

df.loc[(df["do_predict"]==1) & (df["&-s_close"] > 0.01), "enter_long"] = 1
​

分类模型预测离散类别。比如「未来是涨还是跌」。标签写成字符串，且必须声明类名:

def set_freqai_targets(self, dataframe, metadata, **kwargs):
    self.freqai.class_names = ["down", "up"]
    dataframe['&s-up_or_down'] = np.where(
        dataframe["close"].shift(-100) > dataframe["close"], 'up', 'down')
    return dataframe
​

分类模型还会返回每个类的概率(predict_proba)，策略里可以用概率大小做置信度过滤。

💡 怎么选:回归更灵活(预测值可比较大小、设动态阈值)，适合「预测幅度」的场景;分类更直观(预测方向)，适合「只要方向」的简单策略。多数实战从回归起步。

三、梯度提升树:LightGBM 与 XGBoost

LightGBM 和 XGBoost 是 FreqAI 的默认推荐——训练快、效果好、调参成熟。两者都基于梯度提升决策树(GBDT):

核心思想是串行集成:每棵新决策树专门去拟合前面所有树留下的误差(残差)，最后把所有树的预测加权求和。这样逐步逼近真实标签，比单棵树强得多。LightGBM 与 XGBoost 的差异主要在树的生长策略和并行优化上——LightGBM 通常更快、XGBoost 在某些场景更稳。

关键训练参数在 model_training_parameters 里:

"model_training_parameters": {
    "n_estimators": 300,
    "learning_rate": 0.05,
    "n_jobs": 4
}
​

• n_estimators:树的数量。多了更准但更慢、易过拟合。
• learning_rate:每棵树的贡献权重。小了更稳但需要更多树。
• n_jobs/thread_count/task_type:线程数与 CPU/GPU 选择(不同库参数名不同)。

⚠️ CatBoost 不再积极支持(自 2025.12 起)。新项目建议用 LightGBM 或 XGBoost。

四、随机森林:SKLearn 与 XGBoost RF

随机森林(RF)是并行集成——独立训练一堆决策树，再投票/平均。与梯度提升的「串行纠错」不同，RF 的树互相独立。优点是不易过拟合、调参简单;缺点是通常精度略逊于 GBDT。

• SKLearnRandomForestClassifier:基于 scikit-learn 的 RandomForestClassifier，纯分类。
• XGBoostRFRegressor / XGBoostRFClassifier:XGBoost 实现的随机森林，回归分类都有。

💡 随机森林适合作为 baseline(基线模型)快速验证特征质量，确认特征有效后再换 GBDT 精调。

五、PyTorch 神经网络:MLP 与 Transformer

PyTorch 模型需要额外的大体积依赖(torch，约 700MB)。安装时对 setup 的问题回答 yes，或用 _freqaitorch 结尾的 Docker 镜像。

PyTorch 模型采用三层继承，职责清晰:

• BasePyTorchModel:实现 train()，负责通用数据准备(归一化等)和调用 fit()，设置 device(CPU/GPU)。
• BasePyTorchRegressor/Classifier:实现 predict()，负责数据预处理、预测、后处理。
• PyTorchMLPRegressor 等:实现 fit()，初始化模型、优化器、损失函数、训练器。

PyTorchMLPRegressor 是最简单的神经网络——多层感知机(全连接层)。适合刚从 GBDT 切到神经网络:

class PyTorchMLPRegressor(BasePyTorchRegressor):
    def fit(self, data_dictionary, dk, **kwargs):
        n_features = data_dictionary["train_features"].shape[-1]
        model = PyTorchMLPModel(input_dim=n_features, output_dim=1, **self.model_kwargs)
        model.to(self.device)
        optimizer = torch.optim.AdamW(model.parameters(), lr=self.learning_rate)
        criterion = torch.nn.MSELoss()
        trainer = PyTorchModelTrainer(model=model, optimizer=optimizer,
                                       criterion=criterion, device=self.device, ...)
        trainer.fit(data_dictionary)
        return trainer
​

PyTorchTransformerRegressor 用 Transformer 架构(自注意力机制)，更擅长捕捉序列依赖，但训练更慢、调参更难。

PyTorch 专属参数:

💡 torch.compile() 可加速 GPU 训练:把 model 包一层 torch.compile(model)。但会牺牲报错信息的可读性。

⚠️ 安全提醒:从磁盘加载 PyTorch 模型需要 weights_only=False，存在安全风险——只加载自己训练的模型，别加载来路不明的模型文件。

六、选型建议

实战建议:

1. 新手起步:LightGBMRegressor + 回归标签。训练快、调参资料多、效果稳定，是验证特征质量的最佳 baseline。
2. 追求方向预测:换 LightGBMClassifier，用概率做置信度过滤。
3. 需要多目标:用 *MultiTarget 变体，一次预测多个标签。
4. 有 GPU 且想试深度学习:PyTorchMLPRegressor 起步，熟练后再上 Transformer。
5. 强化学习:留到下一节专讲——它最强大也最复杂，需要自定义奖励函数。

⚠️ 模型升级不能跳过验证。GBDT 到神经网络不是「必然更好」，糟糕的特征配上更强的模型只会过拟合得更精致。先把特征工程做扎实，再换模型。

本节要点回顾

1. 模型族系:LightGBM/XGBoost(GBDT，推荐)、随机森林(SKLearn/XGBoost RF)、PyTorch(MLP/Transformer)、强化学习。
2. 回归 vs 分类:回归预测连续值(收益率)，分类预测离散类(涨/跌，需字符串标签和 class_names)。
3. 梯度提升树:串行集成决策树，逐棵拟合残差;LightGBM 快、XGBoost 稳;CatBoost 不再积极支持。
4. PyTorch 三层继承:BasePyTorchModel(train)→ BasePyTorchRegressor/Classifier(predict)→ 具体模型(fit);MLP 简单、Transformer 强但难调。
5. 选型:新手用 LightGBMRegressor;有 GPU 再考虑 PyTorch;强化学习最复杂留最后。先验证特征再升级模型。

下一节，我们看强化学习交易——BaseEnvironment 训练环境、动作空间(持有/买/卖)、奖励函数设计、Stable-Baselines3 集成。