DEV Community

Henry Lin
Henry Lin

Posted on

第 11 课：Freqtrade参数优化入门（Hyperopt）

#cryptocurrency #python #tutorial #machinelearning

第 11 课：Freqtrade参数优化入门（Hyperopt）

⏱ 课时：2.5 小时
🎯 学习目标：学会使用 Hyperopt 优化策略参数
📚 难度：⭐⭐⭐ 策略优化

📖 课程概览

策略参数（如 RSI 阈值、EMA 周期）的选择对策略表现有巨大影响。手动调整参数效率低下，Hyperopt 可以自动搜索最优参数组合。本课将教你如何使用 Freqtrade 的 Hyperopt 功能优化策略。

11.1 什么是 Hyperopt？

定义

Hyperopt（超参数优化）是一种自动搜索算法，通过大量测试不同参数组合，找出使目标函数（如收益、Sharpe Ratio）最大化的参数。

工作原理 

1. 定义参数空间（例如：RSI 范围 20-40）
2. 生成随机参数组合
3. 用该组合回测策略
4. 记录结果（收益、Sharpe 等）
5. 根据结果调整搜索方向
6. 重复 2-5 步，直到找到最优参数
Enter fullscreen mode Exit fullscreen mode

可视化流程：

参数空间: RSI=[20,25,30,35,40]

Epoch 1: RSI=30 → 收益 +5%
Epoch 2: RSI=25 → 收益 +8% ✅ 更好
Epoch 3: RSI=22 → 收益 +12% ✅ 更好
Epoch 4: RSI=20 → 收益 +9%
Epoch 5: RSI=23 → 收益 +11%
...
Epoch 100: RSI=22 → 最优参数
Enter fullscreen mode Exit fullscreen mode

Hyperopt vs 手动调参

对比项 手动调参 Hyperopt
速度 慢（每次手动改代码） 快（自动化）
覆盖范围 少（10-20 组） 多（100-1000 组）
客观性 受主观判断影响 纯数据驱动
易用性 简单 需要学习
过拟合风险 低 高（需警惕）

警告：过拟合陷阱

⚠️ Hyperopt 容易导致过拟合：

  • 在历史数据上找到"完美"参数
  • 但这些参数可能只适合历史数据
  • 未来表现可能很差

预防措施：

  1. ✅ 使用样本外测试验证
  2. ✅ 限制优化的参数数量（≤ 5 个）
  3. ✅ 运行多次 Hyperopt，对比结果
  4. ✅ 优先优化影响大的参数

11.2 可优化的参数空间

策略中可优化的参数

1. 买入信号参数

示例：RSI 策略

class HyperOptStrategy(IStrategy):
    # 定义参数空间
    buy_rsi = IntParameter(20, 40, default=30, space='buy')
    buy_rsi_enabled = CategoricalParameter([True, False], default=True, space='buy')

    def populate_entry_trend(self, dataframe, metadata):
        conditions = []

        if self.buy_rsi_enabled.value:
            conditions.append(dataframe['rsi'] < self.buy_rsi.value)

        if conditions:
            dataframe.loc[
                reduce(lambda x, y: x & y, conditions),
                'enter_long'] = 1

        return dataframe
Enter fullscreen mode Exit fullscreen mode

可优化参数：

  • buy_rsi：RSI 阈值（20-40）
  • buy_rsi_enabled：是否启用该条件

2. 卖出信号参数 

sell_rsi = IntParameter(60, 80, default=70, space='sell')
sell_ema_short = IntParameter(5, 20, default=10, space='sell')
sell_ema_long = IntParameter(20, 50, default=30, space='sell')
Enter fullscreen mode Exit fullscreen mode

3. ROI（止盈）参数 

def populate_roi_space(self):
    return {
        0: DecimalParameter(0.05, 0.20, default=0.10, space='roi'),
        60: DecimalParameter(0.02, 0.10, default=0.05, space='roi'),
        120: DecimalParameter(0.01, 0.05, default=0.02, space='roi'),
    }
Enter fullscreen mode Exit fullscreen mode

4. 止损参数 

stoploss = DecimalParameter(-0.15, -0.02, default=-0.05, space='stoploss')
Enter fullscreen mode Exit fullscreen mode

5. 跟踪止损参数 

trailing_stop_positive = DecimalParameter(0.001, 0.05, default=0.01, space='trailing')
trailing_stop_positive_offset = DecimalParameter(0.01, 0.10, default=0.02, space='trailing')
Enter fullscreen mode Exit fullscreen mode

参数类型

参数类型 说明 示例
IntParameter 整数参数 RSI 周期（10-30）
DecimalParameter 小数参数 止损（-0.10 到 -0.02）
RealParameter 实数参数 同 DecimalParameter
CategoricalParameter 分类参数 [True, False] 或 ['ema', 'sma']

参数空间（Space）

Freqtrade 将参数分为不同空间：

Space 说明 包含参数
buy 买入信号参数 RSI 阈值、EMA 周期等
sell 卖出信号参数 卖出条件参数
roi ROI 止盈参数 各时间点的止盈比例
stoploss 止损参数 固定止损百分比
trailing 跟踪止损参数 跟踪止损相关参数
protection 保护机制参数 冷却期、最大回撤等

优化指定空间：

# 只优化买入参数
freqtrade hyperopt -c config.json --strategy MyStrategy --hyperopt-loss SharpeHyperOptLoss --spaces buy

# 优化买入和卖出参数
freqtrade hyperopt -c config.json --strategy MyStrategy --hyperopt-loss SharpeHyperOptLoss --spaces buy sell

# 优化所有参数
freqtrade hyperopt -c config.json --strategy MyStrategy --hyperopt-loss SharpeHyperOptLoss --spaces all
Enter fullscreen mode Exit fullscreen mode

11.3 优化目标函数

目标函数（Loss Function）

Hyperopt 需要一个目标来评估参数的好坏。Freqtrade 提供多种内置目标函数：

1. SharpeHyperOptLoss（推荐）

目标：最大化 Sharpe Ratio（风险调整后收益）

适用场景：

  • ✅ 追求稳定收益
  • ✅ 注重风险控制
  • ✅ 长期交易

命令：

freqtrade hyperopt \
  -c config.json \
  --strategy MyStrategy \
  --hyperopt-loss SharpeHyperOptLoss \
  --epochs 100
Enter fullscreen mode Exit fullscreen mode

2. SortinoHyperOptLoss

目标：最大化 Sortino Ratio（只考虑下行风险）

适用场景：

  • ✅ 更关注下跌风险
  • ✅ 允许上涨波动

3. CalmarHyperOptLoss

目标：最大化 Calmar Ratio（收益 / 最大回撤）

适用场景：

  • ✅ 极度厌恶回撤
  • ✅ 追求平滑收益曲线

4. MaxDrawDownHyperOptLoss

目标：最小化最大回撤

适用场景：

  • ✅ 保守型投资者
  • ✅ 大资金账户

5. OnlyProfitHyperOptLoss

目标：最大化总收益（不考虑风险）

适用场景：

  • ⚠️ 激进型投资者
  • ⚠️ 容易导致过拟合
  • ⚠️ 不推荐新手使用

目标函数对比

目标函数 优化目标 风险考虑 适合人群 推荐度
SharpeHyperOptLoss Sharpe Ratio 高 大多数人 ⭐⭐⭐⭐⭐
SortinoHyperOptLoss Sortino Ratio 中高 进阶用户 ⭐⭐⭐⭐
CalmarHyperOptLoss Calmar Ratio 极高 保守型 ⭐⭐⭐⭐
MaxDrawDownHyperOptLoss 最小回撤 极高 保守型 ⭐⭐⭐
OnlyProfitHyperOptLoss 总收益 低 激进型 ⭐⭐

11.4 优化结果应用

运行第一次 Hyperopt

基础命令 

  freqtrade hyperopt \
  -c config.json \
  --strategy Strategy001 \
  --hyperopt-loss SharpeHyperOptLoss \
  --spaces roi stoploss \
  --epochs 100 \
  --timerange 20250701-20250930
Enter fullscreen mode Exit fullscreen mode

参数说明：

  • --strategy：要优化的策略
  • --hyperopt-loss：目标函数
  • --spaces：要优化的参数空间
  • --epochs：运行次数（更多 = 更好的结果，但更耗时）
  • --timerange：优化的时间范围

运行过程 

2025-09-30 10:00:00 | INFO | Hyperopt | Starting Hyperopt...
2025-09-30 10:00:01 | INFO | Hyperopt | Epoch 1/100 - Current: 10.2%, Best: 10.2%
2025-09-30 10:00:03 | INFO | Hyperopt | Epoch 2/100 - Current: 8.5%, Best: 10.2%
2025-09-30 10:00:05 | INFO | Hyperopt | Epoch 3/100 - Current: 12.8%, Best: 12.8% ✅ New best
2025-09-30 10:00:07 | INFO | Hyperopt | Epoch 4/100 - Current: 9.3%, Best: 12.8%
...
2025-09-30 10:15:00 | INFO | Hyperopt | Epoch 100/100 - Current: 11.5%, Best: 15.2%
2025-09-30 10:15:01 | INFO | Hyperopt | Optimization complete!
Enter fullscreen mode Exit fullscreen mode

查看优化结果

结果文件

优化结果保存在：

user_data/hyperopt_results/strategy_Strategy001_*.pkl
Enter fullscreen mode Exit fullscreen mode

查看最佳结果 

# 查看最佳结果
freqtrade hyperopt-show --best -c config.json

# 列出所有最佳结果
freqtrade hyperopt-list -c config.json --best --min-trades 1

# 查看特定编号的结果
freqtrade hyperopt-show -n 1 -c config.json

# 列出所有结果
freqtrade hyperopt-list -c config.json

# 查看盈利的结果
freqtrade hyperopt-list -c config.json --profitable

# 导出为 CSV
freqtrade hyperopt-list -c config.json --export-csv results.csv
Enter fullscreen mode Exit fullscreen mode

输出示例：

Best result:
┏━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━━┓
┃ Parameter                 ┃ Value                    ┃
┡━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━━┩
│ buy_rsi                   │ 22                       │
│ sell_rsi                  │ 72                       │
│ roi_0                     │ 0.15                     │
│ roi_60                    │ 0.08                     │
│ roi_120                   │ 0.03                     │
│ stoploss                  │ -0.08                    │
└───────────────────────────┴──────────────────────────┘

Result metrics:
┏━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┓
┃ Metric                  ┃ Value                   ┃
┡━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━┩
│ Total profit            │ 18.52%                  │
│ Avg profit per trade    │ 1.42%                   │
│ Total trades            │ 52                      │
│ Win rate                │ 84.6%                   │
│ Sharpe Ratio            │ 3.45                    │
│ Max drawdown            │ 4.82%                   │
└─────────────────────────┴─────────────────────────┘
Enter fullscreen mode Exit fullscreen mode

应用优化参数

方法 1：导出参数到文件 

freqtrade hyperopt-show --best --print-json -c config.json > best_params
Enter fullscreen mode Exit fullscreen mode

方法 2：手动复制参数

将最佳参数复制到策略文件：

class Strategy001(IStrategy):
    # 应用优化后的参数
    buy_rsi = IntParameter(20, 40, default=22, space='buy', optimize=False)  # 优化结果：22
    sell_rsi = IntParameter(60, 80, default=72, space='sell', optimize=False)  # 优化结果：72

    minimal_roi = {
        "0": 0.15,   # 优化结果
        "60": 0.08,  # 优化结果
        "120": 0.03  # 优化结果
    }

    stoploss = -0.08  # 优化结果
Enter fullscreen mode Exit fullscreen mode

注意：设置 optimize=False 可防止再次优化该参数。

验证优化结果

⚠️ 关键步骤：必须在样本外数据验证！

# 原始策略（优化前）- 先临时移除优化参数文件
mv user_data/strategies/Strategy001.json user_data/strategies/Strategy001.json.bak
freqtrade backtesting -c config.json --strategy Strategy001 --timerange 20250701-20250930

# 优化后的策略 - 恢复优化参数文件
mv user_data/strategies/Strategy001.json.bak user_data/strategies/Strategy001.json
freqtrade backtesting -c config.json --strategy Strategy001 --timerange 20250701-20250930
Enter fullscreen mode Exit fullscreen mode

对比结果：

原始策略（样本外）：
  收益：+8.5%
  Sharpe：2.1

优化后策略（样本外）：
  收益：+12.3%（提升 45%！）✅
  Sharpe：2.8（提升 33%！）✅

结论：优化有效！
Enter fullscreen mode Exit fullscreen mode

警告信号：

优化后策略（训练期）：
  收益：+25%
  Sharpe：4.5

优化后策略（测试期）：
  收益：+3%（仅为训练期的 12%）❌
  Sharpe：0.8（大幅下降）❌

结论：过拟合！不要使用优化参数！
Enter fullscreen mode Exit fullscreen mode

💡 实践任务

任务 1：准备可优化的策略

如果你的策略还不支持 Hyperopt，需要先修改策略。

检查策略是否支持 Hyperopt：

grep -i "Parameter" user_data/strategies/Strategy001.py
Enter fullscreen mode Exit fullscreen mode

如果没有输出，说明策略不支持 Hyperopt。

添加 Hyperopt 支持（示例）：

from freqtrade.strategy import IStrategy, IntParameter, DecimalParameter
from functools import reduce

class Strategy001(IStrategy):
    # 定义可优化参数
    buy_rsi = IntParameter(20, 40, default=30, space='buy')
    buy_ema_short = IntParameter(5, 20, default=10, space='buy')
    buy_ema_long = IntParameter(20, 50, default=30, space='buy')

    sell_rsi = IntParameter(60, 80, default=70, space='sell')

    # ROI 和止损也可以优化
    minimal_roi = {
        "0": 0.10,
        "60": 0.05,
        "120": 0.02
    }

    stoploss = -0.05

    def populate_entry_trend(self, dataframe, metadata):
        dataframe.loc[
            (
                (dataframe['rsi'] < self.buy_rsi.value) &  # 使用可优化参数
                (dataframe['ema_short'] > dataframe['ema_long'])
            ),
            'enter_long'] = 1
        return dataframe
Enter fullscreen mode Exit fullscreen mode

任务 2：运行第一次 Hyperopt（100 epochs） 

# 激活环境
conda activate freqtrade

# 运行 Hyperopt
freqtrade hyperopt \
  -c config.json \
  --strategy Strategy001 \
  --hyperopt-loss SharpeHyperOptLoss \
  --spaces roi stoploss \
  --epochs 100 \
  --timerange 20250701-20250930
Enter fullscreen mode Exit fullscreen mode

预计耗时：10-30 分钟（取决于策略复杂度和数据量）

任务 3：查看优化结果 

# 查看最佳结果
freqtrade hyperopt-show --best -c config.json

# 查看前 5 个最佳结果
freqtrade hyperopt-show --best -n 5 -c config.json
Enter fullscreen mode Exit fullscreen mode

记录以下信息：

最佳参数：
  buy_rsi: _______
  sell_rsi: _______
  其他参数: _______

最佳结果：
  总收益: _______%
  Sharpe Ratio: _______
  胜率: _______%
  最大回撤: _______%
Enter fullscreen mode Exit fullscreen mode

任务 4：应用优化参数

将最佳参数复制到策略文件中，保存为 Strategy001Optimized.py。

任务 5：样本外验证 

# 优化前（原始参数）
freqtrade backtesting \
  -c config.json \
  --strategy Strategy001 \
  --timerange 20251001-20251231

# 优化后（新参数）
freqtrade backtesting \
  -c config.json \
  --strategy Strategy001Optimized \
  --timerange 20251001-20251231
Enter fullscreen mode Exit fullscreen mode

对比结果：

            | 优化前 | 优化后 | 变化 |
------------|--------|--------|------|
总收益%      | ____% | ____% | ____% |
Sharpe      | ____ | ____ | ____% |
胜率%       | ____% | ____% | ____% |
最大回撤%    | ____% | ____% | ____% |

结论：
☐ 优化有效，样本外表现提升
☐ 优化无效，样本外表现持平
☐ 过拟合，样本外表现下降
Enter fullscreen mode Exit fullscreen mode

📚 知识检查

基础问题

  1. Hyperopt 的作用是什么？
  2. 为什么 Hyperopt 容易导致过拟合？
  3. SharpeHyperOptLoss 优化什么目标？

答案

  1. 自动搜索最优策略参数，提升策略表现
  2. 在历史数据上过度优化，找到的参数可能只适合历史数据
  3. 最大化 Sharpe Ratio（风险调整后收益）

进阶问题

  1. 应该优化多少个参数最合适？
  2. 如何判断优化结果是否过拟合？
  3. 为什么推荐使用 SharpeHyperOptLoss 而不是 OnlyProfitHyperOptLoss？

思考题

  1. 如果样本外测试表现很差，应该怎么办？
  2. 是否应该每个月都重新运行 Hyperopt？
  3. 多次 Hyperopt 得到不同结果，应该选哪个？

🔧 常见问题与解决

问题 1：Hyperopt 运行很慢

原因：

  • 策略计算复杂
  • 数据量太大
  • 参数空间太大

解决方案：

# 减少 epochs
--epochs 50  # 而不是 100

# 缩短时间范围
--timerange 20250801-20250930  # 2 个月而不是 3 个月

# 只优化关键参数
--spaces buy  # 只优化买入参数

# 使用多核处理（如果支持）
-j 4  # 使用 4 个 CPU 核心
Enter fullscreen mode Exit fullscreen mode

问题 2：优化结果不稳定

现象：
每次运行 Hyperopt 得到完全不同的参数

原因：

  • 参数空间太大
  • Epochs 太少
  • 过拟合

解决方案：

# 增加 epochs
--epochs 300

# 运行多次，取平均值
for i in {1..3}; do
  freqtrade hyperopt -c config.json --strategy MyStrategy --epochs 100
done

# 缩小参数范围
buy_rsi = IntParameter(25, 35, default=30, space='buy')  # 范围从 20-40 缩小到 25-35
Enter fullscreen mode Exit fullscreen mode

问题 3：优化后样本外表现很差

原因：
过拟合

解决方案：

  1. 减少优化的参数数量（≤ 5 个）
  2. 使用更长的训练数据（6 个月+）
  3. 简化策略逻辑
  4. 使用 Walk-Forward 优化

📌 核心要点总结

  1. Hyperopt 是自动调参工具：节省时间，提升策略
  2. 警惕过拟合：必须进行样本外验证
  3. 优先优化关键参数：买入/卖出信号 > ROI > 止损
  4. 推荐 SharpeHyperOptLoss：平衡收益和风险
  5. Epochs 越多越好：100-300 epochs 较合适
  6. 参数数量 ≤ 5 个：避免过度优化
  7. 验证才是关键：优化结果必须在样本外数据验证

➡️ 下一课预告

第 12 课：高级策略分析

在下一课中，我们将：

  • 深入对比不同策略类型
  • 分析指标组合的有效性
  • 优化入场和出场逻辑
  • 学习高级风险管理技巧

准备工作：

  • ✅ 完成至少一次成功的 Hyperopt 优化
  • ✅ 准备多个策略用于对比分析
  • ✅ 阅读 STRATEGY_SELECTION_GUIDE.md

🎯 学习检验标准：

  • ✅ 能独立运行 Hyperopt 优化
  • ✅ 理解不同目标函数的区别
  • ✅ 会查看和应用优化结果
  • ✅ 能判断优化是否过拟合

完成这些任务后，你已经掌握了参数优化的基础技能！准备进入高级策略分析吧！🚀

Top comments (0)