Freqtrade FreqAI 完整实战指南3 条命令跑通自适应机器学习预测【免费下载链接】freqtradeFree, open source crypto trading bot项目地址: https://gitcode.com/GitHub_Trending/fr/freqtrade很多人以为模型训练完就能直接上实盘然后放着不管。但加密市场里模型的价值是逐日衰减的上个月市场走的规律这个月可能完全反转。Freqtrade 的 FreqAI 机器学习模块就是为这个痛点设计的——它让自适应机器学习预测模型保持边跑边学定期用历史数据重新训练自己实盘期间后台自动跟上最新行情。会自我复盘的大脑FreqAI 在交易栈中的位置Freqtrade 本身负责体力活下载数据、下单、管理仓位、风控止损。FreqAI 装在这个身体里的位置相当于一个会定期复盘的大脑——它读取机器人已经拿到的 K 线数据从历史行情里学习当前这组指标 → 未来价格怎么走的映射再把预测结果写回 K 线数据的一个新列例如do_predict。你的策略只需要读这一列就能决定进场的时机。它和普通指标策略的核心区别在重训练上普通指标公式写好就固定了而 FreqAI 会按设定周期重新训练模型self-adaptive retraining市场风格切换时模型跟着更新。内置的预测模型有 8 个以上覆盖 LightGBM、CatBoost、XGBoost 等梯度提升树和 PyTorch 神经网络一个策略经过时间框架和参数扩展后特征量可以达到 10000。官方文档入口docs/freqai.md3 条命令跑通第一次 FreqAI 干跑整个最短闭环是装环境 → 干跑dry run模拟盘不动真钱→ 在日志里看到训练和预测。第 1 步安装。克隆仓库并运行官方安装脚本git clone https://gitcode.com/GitHub_Trending/fr/freqtrade cd freqtrade ./setup.sh脚本会交互式询问 Do you want to install dependencies for freqai [y/N]?输入 y 即可。如果当时没装事后补装依赖pip install -r requirements-freqai.txt。用 Docker 的话直接换用官方提供的docker/docker-compose-freqai.yml或把镜像标签换成stable_freqai。第 2 步启动干跑freqtrade trade --config config_examples/config_freqai.example.json --strategy FreqaiExampleStrategy --freqaimodel LightGBMRegressor --strategy-path freqtrade/templates第 3 步看结果。启动后终端会依次出现自动下载历史数据 → 训练模型 → 进入交易与训练并行状态日志里能看到训练进度和预测输出。如果你不想先启动机器人把命令里的trade换成backtesting同样的参数直接跑历史回测先拿到一份回测报告再决定下一步。要提醒的是仓库自带的示例策略是官方用来演示 FreqAI 各项功能的文档明确标注它不适合生产环境只适合学习和跑通流程。示例策略源码freqtrade/templates/FreqaiExampleStrategy.pyK 线数据在 FreqAI 里要过四道门才能变成预测整条流水线可以概括为数据从哪来 → 中间怎么变 → 最后输出什么。下图是官方的算法流程图左侧是数据管道右侧是模型调用。K 线喂进模型之前先经历特征、异常、归一化、窗口特征扩展你在策略里定义的、以%开头的列会被识别为模型输入特征。示例配置里同时用了 3 分钟、15 分钟、1 小时三个时间框架再加上indicator_periods_candles指定的多个指标周期几根基础指标就能扩展出成千上万个特征列。异常值剔除行情里的插针、闪崩是脏数据。FreqAI 支持用 SVM 或 DIDissimilarity Index不相似度指数把离群的数据点标记出来避免它们污染训练。自动归一化不同特征量纲差很大价格是几美元RSI 是 0~100FreqAI 会自动做统计上安全的归一化不用手写。窗口截取只取训练窗口内的数据参与训练而不是把全部历史一股脑喂进去。窗口滑动着走模型始终是新的每完成一个推理周期FreqAI 就把训练窗口向前滑动一段用最新的窗口重新训练一个模型旧模型归档到磁盘purge_old_models决定保留几个示例配置里保留 2 个崩了重启也能从磁盘快速加载。实盘运行时重训练在独立线程里进行不阻塞下单和预测数据也持续追加新 K 线不需要反复全量下载。决定 FreqAI 行为的 5 个配置参数完整配置在freqai字段下示例文件可以直接参考config_examples/config_freqai.example.json。真正值得逐个掰开的只有这几个freqai: { train_period_days: 15, backtest_period_days: 7, live_retrain_hours: 0, feature_parameters: { weight_factor: 0.9, label_period_candles: 20 } }train_period_days15训练窗口的宽度模型只见过最近 15 天的行情。改大模型见过的行情更丰富、更稳但对新行情的适应变慢改小模型更敏感却容易记住短期噪声。backtest_period_days7回测中模型先推演 7 天然后滑动窗口重训。改小重训更频繁、回测更接近实盘的自适应节奏但计算量明显上升改大回测快模型却在回测中后期过时。live_retrain_hours0实盘/干跑时的重训频率。默认 0 表示尽可能频繁地重训改成 24 就是一天重训一次省资源但信号更新变慢。weight_factor0.9训练时按时间给数据点加权越新的 K 线权重越高。越接近 1模型越只盯最近的数据适应快但容易抖动调低后窗口内的旧数据被更均匀地使用稳定但迟钝。label_period_candles20标签向前看 20 根 K 线即模型预测的是20 根之后的目标值。改大预测更远期、适合更长持仓但信号更弱改小预测更近、信号更及时噪声也更大。其余参数一句话带过purge_old_models控制磁盘上保留几个旧模型identifier是区分不同策略/模型组的标识include_timeframes、include_corr_pairlist、indicator_periods_candles控制特征的广度多时间框架、相关交易对、指标周期。全部参数含义见docs/freqai-parameter-table.md内置模型不够用时换上自己的 PyTorch 模型8 个以上内置模型分类器、回归器、卷积神经网络都有通常够用。当你需要更深的网络结构时FreqAI 提供了 PyTorch 系的 MLP / Transformer 回归器以及强化学习方向的ReinforcementLearner额外装对应依赖requirements-freqai-rl.txt或 PyTorch 版依赖后用--freqaimodel选到新模型类即可接入特征工程那一套不用动。再往后的一个扩展方向是 producer-consumer 模式一台机器专职训练多台机器只做推理适合多交易对、多机器人的部署。这里点到为止默认单机模式下用不到。FreqAI 三个高频故障的修复方法症状配合动态交易对列表运行时找不到数据或直接报错。原因FreqAI 在启动时一次性下载全部训练数据之后的重训依赖本地缓存如果交易对列表运行中动态新增交易对数据根本来不及准备。 解法换用StaticPairList或者用固定数量的VolumePairList它只按成交量重排顺序不增删交易对。症状首次启动卡住很久迟迟不下单。原因它没有卡死而是在为白名单里每个交易对下载历史数据、训练第一个模型数据量不小。 解法等。之后的新 K 线会自动增量追加不会重复全量下载后续重启也会快很多。症状回测收益很亮眼实盘跑几天就变脸。原因过拟合叠加行情风格切换。训练窗口太短、特征组合太爆炸时模型记住的是短期噪声而不是规律。 解法加大train_period_days、压缩indicator_periods_candles减少特征组合再用更小的backtest_period_days跑更长的回测验证模型在多次重训下是否依然稳健。FreqAI 提供的是持续学习的工程底座不是收益承诺——回测赚钱不等于实盘赚钱自适应能降低模型过时风险但无法消除市场本身的不确定性。明天就能动手的三步先用示例策略跑一次回测确认下载、训练、报告这条链路全部正常然后在自己的用户目录下新建策略把特征换成自己的思路先在回测里验证干跑若干天确认行为无异常后再考虑小资金实盘。示例基于 Freqtrade 2026.8 版本不同版本可能存在差异以官方文档为准投资有风险模型预测不构成交易建议。【免费下载链接】freqtradeFree, open source crypto trading bot项目地址: https://gitcode.com/GitHub_Trending/fr/freqtrade创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Freqtrade FreqAI 完整实战指南：3 条命令跑通自适应机器学习预测
Freqtrade FreqAI 完整实战指南3 条命令跑通自适应机器学习预测【免费下载链接】freqtradeFree, open source crypto trading bot项目地址: https://gitcode.com/GitHub_Trending/fr/freqtrade很多人以为模型训练完就能直接上实盘然后放着不管。但加密市场里模型的价值是逐日衰减的上个月市场走的规律这个月可能完全反转。Freqtrade 的 FreqAI 机器学习模块就是为这个痛点设计的——它让自适应机器学习预测模型保持边跑边学定期用历史数据重新训练自己实盘期间后台自动跟上最新行情。会自我复盘的大脑FreqAI 在交易栈中的位置Freqtrade 本身负责体力活下载数据、下单、管理仓位、风控止损。FreqAI 装在这个身体里的位置相当于一个会定期复盘的大脑——它读取机器人已经拿到的 K 线数据从历史行情里学习当前这组指标 → 未来价格怎么走的映射再把预测结果写回 K 线数据的一个新列例如do_predict。你的策略只需要读这一列就能决定进场的时机。它和普通指标策略的核心区别在重训练上普通指标公式写好就固定了而 FreqAI 会按设定周期重新训练模型self-adaptive retraining市场风格切换时模型跟着更新。内置的预测模型有 8 个以上覆盖 LightGBM、CatBoost、XGBoost 等梯度提升树和 PyTorch 神经网络一个策略经过时间框架和参数扩展后特征量可以达到 10000。官方文档入口docs/freqai.md3 条命令跑通第一次 FreqAI 干跑整个最短闭环是装环境 → 干跑dry run模拟盘不动真钱→ 在日志里看到训练和预测。第 1 步安装。克隆仓库并运行官方安装脚本git clone https://gitcode.com/GitHub_Trending/fr/freqtrade cd freqtrade ./setup.sh脚本会交互式询问 Do you want to install dependencies for freqai [y/N]?输入 y 即可。如果当时没装事后补装依赖pip install -r requirements-freqai.txt。用 Docker 的话直接换用官方提供的docker/docker-compose-freqai.yml或把镜像标签换成stable_freqai。第 2 步启动干跑freqtrade trade --config config_examples/config_freqai.example.json --strategy FreqaiExampleStrategy --freqaimodel LightGBMRegressor --strategy-path freqtrade/templates第 3 步看结果。启动后终端会依次出现自动下载历史数据 → 训练模型 → 进入交易与训练并行状态日志里能看到训练进度和预测输出。如果你不想先启动机器人把命令里的trade换成backtesting同样的参数直接跑历史回测先拿到一份回测报告再决定下一步。要提醒的是仓库自带的示例策略是官方用来演示 FreqAI 各项功能的文档明确标注它不适合生产环境只适合学习和跑通流程。示例策略源码freqtrade/templates/FreqaiExampleStrategy.pyK 线数据在 FreqAI 里要过四道门才能变成预测整条流水线可以概括为数据从哪来 → 中间怎么变 → 最后输出什么。下图是官方的算法流程图左侧是数据管道右侧是模型调用。K 线喂进模型之前先经历特征、异常、归一化、窗口特征扩展你在策略里定义的、以%开头的列会被识别为模型输入特征。示例配置里同时用了 3 分钟、15 分钟、1 小时三个时间框架再加上indicator_periods_candles指定的多个指标周期几根基础指标就能扩展出成千上万个特征列。异常值剔除行情里的插针、闪崩是脏数据。FreqAI 支持用 SVM 或 DIDissimilarity Index不相似度指数把离群的数据点标记出来避免它们污染训练。自动归一化不同特征量纲差很大价格是几美元RSI 是 0~100FreqAI 会自动做统计上安全的归一化不用手写。窗口截取只取训练窗口内的数据参与训练而不是把全部历史一股脑喂进去。窗口滑动着走模型始终是新的每完成一个推理周期FreqAI 就把训练窗口向前滑动一段用最新的窗口重新训练一个模型旧模型归档到磁盘purge_old_models决定保留几个示例配置里保留 2 个崩了重启也能从磁盘快速加载。实盘运行时重训练在独立线程里进行不阻塞下单和预测数据也持续追加新 K 线不需要反复全量下载。决定 FreqAI 行为的 5 个配置参数完整配置在freqai字段下示例文件可以直接参考config_examples/config_freqai.example.json。真正值得逐个掰开的只有这几个freqai: { train_period_days: 15, backtest_period_days: 7, live_retrain_hours: 0, feature_parameters: { weight_factor: 0.9, label_period_candles: 20 } }train_period_days15训练窗口的宽度模型只见过最近 15 天的行情。改大模型见过的行情更丰富、更稳但对新行情的适应变慢改小模型更敏感却容易记住短期噪声。backtest_period_days7回测中模型先推演 7 天然后滑动窗口重训。改小重训更频繁、回测更接近实盘的自适应节奏但计算量明显上升改大回测快模型却在回测中后期过时。live_retrain_hours0实盘/干跑时的重训频率。默认 0 表示尽可能频繁地重训改成 24 就是一天重训一次省资源但信号更新变慢。weight_factor0.9训练时按时间给数据点加权越新的 K 线权重越高。越接近 1模型越只盯最近的数据适应快但容易抖动调低后窗口内的旧数据被更均匀地使用稳定但迟钝。label_period_candles20标签向前看 20 根 K 线即模型预测的是20 根之后的目标值。改大预测更远期、适合更长持仓但信号更弱改小预测更近、信号更及时噪声也更大。其余参数一句话带过purge_old_models控制磁盘上保留几个旧模型identifier是区分不同策略/模型组的标识include_timeframes、include_corr_pairlist、indicator_periods_candles控制特征的广度多时间框架、相关交易对、指标周期。全部参数含义见docs/freqai-parameter-table.md内置模型不够用时换上自己的 PyTorch 模型8 个以上内置模型分类器、回归器、卷积神经网络都有通常够用。当你需要更深的网络结构时FreqAI 提供了 PyTorch 系的 MLP / Transformer 回归器以及强化学习方向的ReinforcementLearner额外装对应依赖requirements-freqai-rl.txt或 PyTorch 版依赖后用--freqaimodel选到新模型类即可接入特征工程那一套不用动。再往后的一个扩展方向是 producer-consumer 模式一台机器专职训练多台机器只做推理适合多交易对、多机器人的部署。这里点到为止默认单机模式下用不到。FreqAI 三个高频故障的修复方法症状配合动态交易对列表运行时找不到数据或直接报错。原因FreqAI 在启动时一次性下载全部训练数据之后的重训依赖本地缓存如果交易对列表运行中动态新增交易对数据根本来不及准备。 解法换用StaticPairList或者用固定数量的VolumePairList它只按成交量重排顺序不增删交易对。症状首次启动卡住很久迟迟不下单。原因它没有卡死而是在为白名单里每个交易对下载历史数据、训练第一个模型数据量不小。 解法等。之后的新 K 线会自动增量追加不会重复全量下载后续重启也会快很多。症状回测收益很亮眼实盘跑几天就变脸。原因过拟合叠加行情风格切换。训练窗口太短、特征组合太爆炸时模型记住的是短期噪声而不是规律。 解法加大train_period_days、压缩indicator_periods_candles减少特征组合再用更小的backtest_period_days跑更长的回测验证模型在多次重训下是否依然稳健。FreqAI 提供的是持续学习的工程底座不是收益承诺——回测赚钱不等于实盘赚钱自适应能降低模型过时风险但无法消除市场本身的不确定性。明天就能动手的三步先用示例策略跑一次回测确认下载、训练、报告这条链路全部正常然后在自己的用户目录下新建策略把特征换成自己的思路先在回测里验证干跑若干天确认行为无异常后再考虑小资金实盘。示例基于 Freqtrade 2026.8 版本不同版本可能存在差异以官方文档为准投资有风险模型预测不构成交易建议。【免费下载链接】freqtradeFree, open source crypto trading bot项目地址: https://gitcode.com/GitHub_Trending/fr/freqtrade创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考