第 26 课：自定义策略开发
⏱ 课时：2.5 小时
🎯 学习目标：学会从零开始编写自己的交易策略
课程概述
到目前为止，我们一直在使用现成的策略。但真正的进阶是能够根据自己的交易理念，开发属于自己的策略。
本课将教你：
- Freqtrade 策略的基本结构
- 如何实现买入和卖出逻辑
- 如何添加和使用技术指标
- 完整的策略开发流程
- 从简单到复杂的实战案例
第一部分：策略基础结构
1.1 策略模板
创建 user_data/strategies/MyFirstStrategy.py：
from freqtrade.strategy import IStrategy
from pandas import DataFrame
import talib.abstract as ta
class MyFirstStrategy(IStrategy):
"""
我的第一个自定义策略
"""
# 策略基本信息
INTERFACE_VERSION = 3
# 最小 ROI（可选，如果策略有自己的卖出逻辑可以设置很高）
minimal_roi = {
"0": 0.10, # 10% 止盈
"30": 0.05, # 30 分钟后 5% 止盈
"60": 0.03, # 60 分钟后 3% 止盈
"120": 0.01 # 120 分钟后 1% 止盈
}
# 止损
stoploss = -0.03 # -3%
# 追踪止损（可选）
trailing_stop = False
trailing_stop_positive = 0.01
trailing_stop_positive_offset = 0.02
# 时间框架
timeframe = '5m'
# 启动时下载的历史数据长度
startup_candle_count: int = 100
# 订单类型
order_types = {
'entry': 'limit',
'exit': 'limit',
'stoploss': 'market',
'stoploss_on_exchange': True
}
# 订单超时
order_time_in_force = {
'entry': 'GTC',
'exit': 'GTC'
}
def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
"""
添加技术指标
这个函数在每次新数据到来时被调用
"""
# 在这里添加你需要的指标
# dataframe['indicator_name'] = ta.INDICATOR(dataframe)
return dataframe
def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
"""
定义买入信号
"""
dataframe.loc[
(
# 在这里添加你的买入条件
# (dataframe['indicator'] > threshold) &
(dataframe['volume'] > 0) # 确保有成交量
),
'enter_long'] = 1
return dataframe
def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
"""
定义卖出信号
"""
dataframe.loc[
(
# 在这里添加你的卖出条件
# (dataframe['indicator'] < threshold) &
(dataframe['volume'] > 0)
),
'exit_long'] = 1
return dataframe
1.2 关键组件说明
必需参数
# 1. 接口版本（必需）
INTERFACE_VERSION = 3
# 2. 时间框架（必需）
timeframe = '5m' # 可选：1m, 3m, 5m, 15m, 30m, 1h, 2h, 4h, 1d
# 3. 止损（强烈推荐）
stoploss = -0.03 # -3%
可选参数
# ROI（投资回报率）配置
minimal_roi = {
"0": 0.10, # 立即达到 10% 就卖出
"30": 0.05, # 持仓 30 分钟后，5% 就卖出
"60": 0.03, # 持仓 60 分钟后，3% 就卖出
}
# 追踪止损
trailing_stop = True
trailing_stop_positive = 0.01 # 盈利 1% 后启用追踪止损
trailing_stop_positive_offset = 0.02 # 在盈利 2% 后激活
trailing_only_offset_is_reached = True
# 启动时需要的历史数据
startup_candle_count = 100 # 加载 100 根历史 K 线
三个核心函数
# 1. populate_indicators()
# 作用：计算技术指标
# 调用时机：每次收到新 K 线数据时
# 2. populate_entry_trend()
# 作用：定义买入条件
# 调用时机：指标计算完成后
# 3. populate_exit_trend()
# 作用：定义卖出条件
# 调用时机：指标计算完成后
第二部分：实战案例 - 简单均线策略
2.1 策略逻辑设计
交易理念：
- 使用快速均线（EMA 9）和慢速均线（EMA 21）
- 快速均线向上穿越慢速均线时买入（金叉）
- 快速均线向下穿越慢速均线时卖出（死叉）
- 使用 RSI 过滤过度买卖区域
具体规则：
-
买入条件：
- EMA 9 向上穿越 EMA 21
- RSI > 30（避免超卖）
- 成交量 > 平均成交量
-
卖出条件：
- EMA 9 向下穿越 EMA 21
- 或 RSI > 70（超买区域）
2.2 完整代码实现
创建 user_data/strategies/SimpleCrossStrategy.py：
from freqtrade.strategy import IStrategy
from pandas import DataFrame
import talib.abstract as ta
import freqtrade.vendor.qtpylib.indicators as qtpylib
class SimpleCrossStrategy(IStrategy):
"""
简单均线交叉策略
EMA 9/21 金叉死叉 + RSI 过滤
"""
INTERFACE_VERSION = 3
# ROI 配置（相对保守）
minimal_roi = {
"0": 0.15,
"30": 0.08,
"60": 0.05,
"120": 0.02
}
# 止损 -3%
stoploss = -0.03
# 追踪止损
trailing_stop = True
trailing_stop_positive = 0.01
trailing_stop_positive_offset = 0.02
trailing_only_offset_is_reached = True
# 时间框架
timeframe = '5m'
# 启动时加载 50 根 K 线（足够计算 EMA 21）
startup_candle_count: int = 50
# 订单配置
order_types = {
'entry': 'limit',
'exit': 'limit',
'stoploss': 'market',
'stoploss_on_exchange': True
}
def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
"""
添加技术指标
"""
# 1. 计算 EMA
dataframe['ema_fast'] = ta.EMA(dataframe, timeperiod=9)
dataframe['ema_slow'] = ta.EMA(dataframe, timeperiod=21)
# 2. 计算 RSI
dataframe['rsi'] = ta.RSI(dataframe, timeperiod=14)
# 3. 计算平均成交量
dataframe['volume_mean'] = dataframe['volume'].rolling(window=20).mean()
return dataframe
def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
"""
买入信号：EMA 金叉 + RSI 过滤
"""
dataframe.loc[
(
# 条件 1：金叉（快线上穿慢线）
(qtpylib.crossed_above(dataframe['ema_fast'], dataframe['ema_slow'])) &
# 条件 2：RSI 不在超卖区（避免买在底部反弹）
(dataframe['rsi'] > 30) &
(dataframe['rsi'] < 70) &
# 条件 3：成交量确认
(dataframe['volume'] > dataframe['volume_mean']) &
# 确保有成交量
(dataframe['volume'] > 0)
),
'enter_long'] = 1
return dataframe
def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
"""
卖出信号：EMA 死叉或 RSI 超买
"""
dataframe.loc[
(
(
# 条件 1：死叉（快线下穿慢线）
(qtpylib.crossed_below(dataframe['ema_fast'], dataframe['ema_slow'])) |
# 或条件 2：RSI 超买
(dataframe['rsi'] > 70)
) &
# 确保有成交量
(dataframe['volume'] > 0)
),
'exit_long'] = 1
return dataframe
2.3 测试策略
# 1. 下载数据（如果还没有）
freqtrade download-data -c config.json --days 30 --timeframe 5m
# 2. 回测
freqtrade backtesting \
-c config.json \
--strategy SimpleCrossStrategy \
--timerange 20230101-20230131
# 3. 查看结果
# 输出类似：
# =============== SUMMARY METRICS ===============
# | Metric | Value |
# |------------------------|---------------------|
# | Total Trades | 45 |
# | Win Rate | 55.6% |
# | Total Profit | 12.50 USDT (12.5%) |
# | Avg Profit | 0.28 USDT |
# | Best Trade | 2.50 USDT (2.5%) |
# | Worst Trade | -0.95 USDT (-0.95%) |
# | Max Drawdown | -3.2% |
第三部分：常用技术指标
3.1 趋势指标
EMA（指数移动平均）
# 快速 EMA
dataframe['ema_fast'] = ta.EMA(dataframe, timeperiod=9)
# 慢速 EMA
dataframe['ema_slow'] = ta.EMA(dataframe, timeperiod=21)
# 买入：金叉
(qtpylib.crossed_above(dataframe['ema_fast'], dataframe['ema_slow']))
# 卖出：死叉
(qtpylib.crossed_below(dataframe['ema_fast'], dataframe['ema_slow']))
SMA（简单移动平均）
dataframe['sma_20'] = ta.SMA(dataframe, timeperiod=20)
dataframe['sma_50'] = ta.SMA(dataframe, timeperiod=50)
MACD（Moving Average Convergence Divergence）
macd = ta.MACD(dataframe, fastperiod=12, slowperiod=26, signalperiod=9)
dataframe['macd'] = macd['macd']
dataframe['macdsignal'] = macd['macdsignal']
dataframe['macdhist'] = macd['macdhist']
# 买入：MACD 上穿信号线
(qtpylib.crossed_above(dataframe['macd'], dataframe['macdsignal']))
# 卖出：MACD 下穿信号线
(qtpylib.crossed_below(dataframe['macd'], dataframe['macdsignal']))
ADX（Average Directional Index）
dataframe['adx'] = ta.ADX(dataframe, timeperiod=14)
# 趋势过滤：ADX > 25 表示有明确趋势
(dataframe['adx'] > 25)
3.2 震荡指标
RSI（Relative Strength Index）
dataframe['rsi'] = ta.RSI(dataframe, timeperiod=14)
# 超卖：RSI < 30
(dataframe['rsi'] < 30)
# 超买：RSI > 70
(dataframe['rsi'] > 70)
# 中性区：30 < RSI < 70
(dataframe['rsi'] > 30) & (dataframe['rsi'] < 70)
Stochastic（随机指标）
stoch = ta.STOCH(dataframe)
dataframe['slowk'] = stoch['slowk']
dataframe['slowd'] = stoch['slowd']
# 超卖：Stoch < 20
(dataframe['slowk'] < 20)
# 超买：Stoch > 80
(dataframe['slowk'] > 80)
# 金叉
(qtpylib.crossed_above(dataframe['slowk'], dataframe['slowd']))
CCI（Commodity Channel Index）
dataframe['cci'] = ta.CCI(dataframe, timeperiod=20)
# 超卖：CCI < -100
(dataframe['cci'] < -100)
# 超买：CCI > 100
(dataframe['cci'] > 100)
3.3 波动指标
Bollinger Bands（布林带）
bollinger = qtpylib.bollinger_bands(dataframe['close'], window=20, stds=2)
dataframe['bb_lower'] = bollinger['lower']
dataframe['bb_middle'] = bollinger['mid']
dataframe['bb_upper'] = bollinger['upper']
# 买入：价格触及下轨
(dataframe['close'] < dataframe['bb_lower'])
# 卖出：价格触及上轨
(dataframe['close'] > dataframe['bb_upper'])
# 计算带宽（波动率）
dataframe['bb_width'] = (dataframe['bb_upper'] - dataframe['bb_lower']) / dataframe['bb_middle']
ATR（Average True Range）
dataframe['atr'] = ta.ATR(dataframe, timeperiod=14)
# 用于动态止损
# 止损 = 当前价格 - 2 × ATR
3.4 成交量指标
Volume
# 平均成交量
dataframe['volume_mean'] = dataframe['volume'].rolling(window=20).mean()
# 成交量激增（> 1.5 倍平均）
(dataframe['volume'] > dataframe['volume_mean'] * 1.5)
OBV（On-Balance Volume）
dataframe['obv'] = ta.OBV(dataframe)
# OBV 上升趋势
dataframe['obv_ema'] = ta.EMA(dataframe['obv'], timeperiod=20)
(dataframe['obv'] > dataframe['obv_ema'])
第四部分：进阶实战 - RSI 均值回归策略
4.1 策略逻辑
交易理念：
- RSI 均值回归：价格过度偏离后会回归均值
- 在超卖区买入，等待反弹
- 使用布林带辅助确认
具体规则：
-
买入条件：
- RSI < 30（超卖）
- 价格低于布林带下轨
- 成交量放大（确认）
-
卖出条件：
- RSI > 50（回到中性）
- 或价格触及布林带中轨
- 或达到止盈目标
4.2 完整代码
创建 user_data/strategies/RSIMeanReversionStrategy.py：
from freqtrade.strategy import IStrategy
from pandas import DataFrame
import talib.abstract as ta
import freqtrade.vendor.qtpylib.indicators as qtpylib
class RSIMeanReversionStrategy(IStrategy):
"""
RSI 均值回归策略
在超卖区买入，等待价格回归
"""
INTERFACE_VERSION = 3
# ROI 配置（快速止盈）
minimal_roi = {
"0": 0.05, # 5% 立即止盈
"15": 0.03, # 15 分钟后 3%
"30": 0.02, # 30 分钟后 2%
"60": 0.01 # 60 分钟后 1%
}
# 止损
stoploss = -0.04 # -4%（稍微宽一些，给反弹空间）
# 时间框架
timeframe = '5m'
startup_candle_count: int = 50
# 自定义参数（可优化）
buy_rsi_threshold = 30
sell_rsi_threshold = 50
volume_factor = 1.5
def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
"""
添加指标
"""
# RSI
dataframe['rsi'] = ta.RSI(dataframe, timeperiod=14)
# 布林带
bollinger = qtpylib.bollinger_bands(dataframe['close'], window=20, stds=2)
dataframe['bb_lower'] = bollinger['lower']
dataframe['bb_middle'] = bollinger['mid']
dataframe['bb_upper'] = bollinger['upper']
# 成交量
dataframe['volume_mean'] = dataframe['volume'].rolling(window=20).mean()
# EMA（辅助判断趋势）
dataframe['ema_50'] = ta.EMA(dataframe, timeperiod=50)
return dataframe
def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
"""
买入信号：超卖 + 价格低于布林带下轨
"""
dataframe.loc[
(
# 条件 1：RSI 超卖
(dataframe['rsi'] < self.buy_rsi_threshold) &
# 条件 2：价格低于布林带下轨（过度偏离）
(dataframe['close'] < dataframe['bb_lower']) &
# 条件 3：成交量放大（确认真实突破）
(dataframe['volume'] > dataframe['volume_mean'] * self.volume_factor) &
# 条件 4：价格在 EMA 50 附近或以上（避免下跌趋势）
(dataframe['close'] > dataframe['ema_50'] * 0.95) &
# 确保有成交量
(dataframe['volume'] > 0)
),
'enter_long'] = 1
return dataframe
def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
"""
卖出信号：RSI 回到中性区或价格触及中轨
"""
dataframe.loc[
(
(
# 条件 1：RSI 回到 50 以上（回归完成）
(dataframe['rsi'] > self.sell_rsi_threshold) |
# 或条件 2：价格回到布林带中轨
(dataframe['close'] > dataframe['bb_middle'])
) &
# 确保有成交量
(dataframe['volume'] > 0)
),
'exit_long'] = 1
return dataframe
def custom_stoploss(self, pair: str, trade: 'Trade', current_time: 'datetime',
current_rate: float, current_profit: float, **kwargs) -> float:
"""
自定义止损：盈利后移动止损
"""
# 如果盈利超过 2%，将止损移动到 +1%
if current_profit > 0.02:
return 0.01
# 否则使用默认止损
return self.stoploss
4.3 测试和优化
# 回测
freqtrade backtesting \
-c config.json \
--strategy RSIMeanReversionStrategy \
--timerange 20230101-20230331
# 使用 Hyperopt 优化参数（后面会详细讲）
freqtrade hyperopt \
-c config.json \
--strategy RSIMeanReversionStrategy \
--hyperopt-loss SharpeHyperOptLoss \
--epochs 100 \
--spaces buy sell
第五部分：高级技巧
5.1 自定义指标
def custom_indicator(dataframe: DataFrame) -> DataFrame:
"""
自定义指标示例：计算价格动量
"""
# 计算 N 期价格变化率
dataframe['price_momentum'] = (
(dataframe['close'] - dataframe['close'].shift(10)) /
dataframe['close'].shift(10) * 100
)
return dataframe
# 在 populate_indicators 中调用
def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
dataframe = self.custom_indicator(dataframe)
return dataframe
5.2 信息列（Informative Pairs）
使用更长的时间框架辅助决策：
from freqtrade.strategy import informative
class MultiTimeframeStrategy(IStrategy):
@informative('1h')
def populate_indicators_1h(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
"""
添加 1 小时时间框架的指标
"""
dataframe['ema_50_1h'] = ta.EMA(dataframe, timeperiod=50)
dataframe['rsi_1h'] = ta.RSI(dataframe, timeperiod=14)
return dataframe
def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
# 5 分钟指标
dataframe['ema_20'] = ta.EMA(dataframe, timeperiod=20)
dataframe['rsi'] = ta.RSI(dataframe, timeperiod=14)
return dataframe
def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
dataframe.loc[
(
# 5 分钟条件
(dataframe['rsi'] < 30) &
# 1 小时条件（确认大趋势向上）
(dataframe['close'] > dataframe['ema_50_1h']) &
(dataframe['rsi_1h'] > 40) &
(dataframe['volume'] > 0)
),
'enter_long'] = 1
return dataframe
5.3 自定义止损
def custom_stoploss(self, pair: str, trade: 'Trade', current_time: 'datetime',
current_rate: float, current_profit: float, **kwargs) -> float:
"""
基于时间和盈利的动态止损
"""
# 计算持仓时间（分钟）
trade_duration = (current_time - trade.open_date_utc).total_seconds() / 60
# 第一阶段（0-30 分钟）：-3% 止损
if trade_duration < 30:
return -0.03
# 第二阶段（30-60 分钟）：-2% 止损
elif trade_duration < 60:
return -0.02
# 第三阶段（60+ 分钟）：
# 如果盈利 > 2%，止损移到盈亏平衡点
if current_profit > 0.02:
return 0.0
# 否则 -1% 止损
return -0.01
5.4 自定义仓位大小
def custom_stake_amount(self, pair: str, current_time: 'datetime',
current_rate: float, proposed_stake: float,
min_stake: float, max_stake: float, **kwargs) -> float:
"""
根据市场波动调整仓位
"""
dataframe, _ = self.dp.get_analyzed_dataframe(pair, self.timeframe)
last_candle = dataframe.iloc[-1].squeeze()
# 获取 ATR（波动率）
atr = last_candle['atr']
atr_percentage = (atr / last_candle['close']) * 100
# 高波动时降低仓位
if atr_percentage > 2.0:
return proposed_stake * 0.5 # 50% 仓位
# 低波动时增加仓位
elif atr_percentage < 1.0:
return proposed_stake * 1.5 # 150% 仓位
# 正常波动
return proposed_stake
第六部分：策略开发流程
6.1 完整开发流程
1. 构思阶段
□ 确定交易理念（趋势跟随？均值回归？）
□ 选择时间框架
□ 确定使用的指标
□ 画出逻辑流程图
2. 编码阶段
□ 创建策略文件
□ 实现 populate_indicators()
□ 实现 populate_entry_trend()
□ 实现 populate_exit_trend()
□ 添加注释和说明
3. 测试阶段
□ 语法检查：freqtrade test-strategy
□ 快速回测：30 天数据
□ 检查交易次数是否合理
□ 检查信号是否符合预期
4. 优化阶段
□ 使用 plot-dataframe 可视化信号
□ 分析最佳/最差交易
□ 调整参数或逻辑
□ 再次回测验证
5. 验证阶段
□ 完整回测：3-6 个月数据
□ Out-of-sample 测试
□ 不同市场环境测试
□ 对比其他策略
6. Dry-run 阶段
□ 运行 1-2 周 Dry-run
□ 验证实时表现
□ 对比回测结果
□ 确认无技术问题
7. 实盘阶段
□ 小资金起步
□ 密集监控
□ 持续优化
6.2 策略评估标准
✅ 好策略的特征：
1. 逻辑清晰
- 买卖条件简单明了
- 有理论支持
- 易于理解和解释
2. 回测表现稳定
- 总收益率 > 15%（3 个月）
- 胜率 > 50%
- 最大回撤 < 20%
- Sharpe > 1.0
3. 交易频率合理
- 不过度交易（每天 >20 次）
- 不过少交易（每周 <2 次）
- 平均持仓时间适中
4. 适应性强
- 在不同市场环境都能盈利
- 不过度依赖特定时期
- 不过拟合历史数据
5. 风险可控
- 有明确止损
- 单笔风险可控
- 回撤可接受
❌ 差策略的特征：
1. 过度复杂
- 使用太多指标（>5 个）
- 条件过于复杂
- 难以理解逻辑
2. 过拟合
- 回测完美但 Dry-run 失败
- 只在特定时期有效
- 参数调整次数过多（>10 次）
3. 交易频率异常
- 每天交易几十次（手续费侵蚀）
- 或几乎不交易（资金利用率低）
4. 风险失控
- 无止损或止损过大
- 频繁大幅回撤
- 盈亏比不合理
5. 不稳定
- 表现大起大落
- 连续亏损频繁
- 无法持续盈利
6.3 常见错误
错误 1：使用未来数据（Look-ahead Bias）
❌ 错误示例：
dataframe['future_high'] = dataframe['high'].shift(-1)
if dataframe['close'] < dataframe['future_high']:
enter_long = 1
问题：使用了未来的数据，回测完美但实盘失效
✅ 正确做法：
只使用当前和历史数据做决策
错误 2：过度优化
❌ 错误示例：
调整参数 50 次，找到回测收益 200% 的配置
问题：过拟合历史数据，实盘必然失败
✅ 正确做法：
- 参数调整 < 5 次
- 使用 out-of-sample 测试
- 保持策略简单
错误 3：忽视手续费和滑点
❌ 错误示例：
高频策略，每天交易 50 次
回测不考虑手续费
问题：实盘手续费侵蚀所有利润
✅ 正确做法：
- 在 config.json 中设置真实手续费
- "fee": 0.001 # 0.1%
- 考虑滑点影响
错误 4：信号重绘
❌ 错误示例：
使用不稳定的指标，历史信号会改变
问题：回测信号和实盘信号不一致
✅ 正确做法：
- 使用稳定的指标（EMA, SMA, RSI）
- 避免使用会重绘的指标
- 仔细测试信号稳定性
📝 实践任务
任务 1：实现简单策略
基于本课的 SimpleCrossStrategy，实现并测试：
# 1. 创建策略文件
# 2. 回测 3 个月数据
# 3. 生成图表分析信号
freqtrade plot-dataframe \
-c config.json \
--strategy SimpleCrossStrategy \
--pairs BTC/USDT \
--indicators1 ema_fast ema_slow \
--indicators2 rsi
任务 2：修改策略
修改 SimpleCrossStrategy，尝试：
- 更改 EMA 周期（9/21 → 12/26）
- 添加 MACD 作为额外确认
- 添加 ADX 趋势过滤
- 对比修改前后的回测结果
任务 3：开发自己的策略
基于你的交易理念，开发一个完全原创的策略：
- 写下策略逻辑（文字描述）
- 选择 2-3 个核心指标
- 实现代码
- 回测并分析结果
- 至少优化 3 次
任务 4：策略对比
对比以下三个策略在同一时期的表现：
- SimpleCrossStrategy
- RSIMeanReversionStrategy
- 你自己开发的策略
创建对比表格：
| 指标 | 策略 1 | 策略 2 | 策略 3 |
|---|---|---|---|
| 总收益率 | |||
| 胜率 | |||
| 最大回撤 | |||
| 交易次数 | |||
| 最适合的市场环境 |
📌 核心要点
策略开发三要素
1. 逻辑清晰
- 能用一句话解释策略
- 有理论支持
- 简单 > 复杂
2. 回测验证
- 至少 3 个月数据
- Out-of-sample 测试
- 不同市场环境
3. 实盘验证
- Dry-run 1-2 周
- 小资金测试
- 持续监控改进
常用指标组合
趋势跟随策略：
- EMA/SMA 交叉
- MACD
- ADX（过滤）
均值回归策略：
- RSI
- Bollinger Bands
- 成交量
突破策略：
- 价格高点/低点
- 成交量放大
- ATR（波动率）
避免的陷阱
1. 过度优化
2. 使用未来数据
3. 忽视手续费
4. 策略过于复杂
5. 缺乏风险管理
🎯 下节预告
第 27 课：多时间框架策略
在下一课中，我们将学习：
- 如何结合多个时间框架
- 大周期确认，小周期入场
- 提高信号质量
- 实战案例
多时间框架是提高策略稳定性的重要技术，下节课见！
🎓 学习建议：
- 从简单开始：不要一开始就追求复杂策略
- 理解原理：知道每个指标的含义和用法
- 多做实验：尝试不同的参数和组合
- 记录总结：记录每次修改和效果
- 保持耐心：好策略需要反复打磨
记住：简单有效 > 复杂华丽。最好的策略往往是最简单的策略。
Top comments (0)