第 29 课：机器学习与策略优化
⏱ 课时：2.5 小时
🎯 学习目标：学习使用机器学习辅助策略开发和参数优化
课程概述
机器学习（Machine Learning, ML）可以帮助我们：
- 🔍 发现数据中的隐藏模式
- 🎯 优化策略参数
- 📊 预测价格趋势
- 🤖 构建自适应策略
重要提醒：
⚠️ 机器学习不是"圣杯"，不能保证盈利
⚠️ 需要大量数据和计算资源
⚠️ 容易过拟合，必须谨慎验证
⚠️ 本课重点是实用方法，而非理论深度
第一部分：Freqtrade 的 Hyperopt
1.1 Hyperopt 简介
Hyperopt 是 Freqtrade 内置的参数优化工具，使用机器学习算法自动寻找最优参数。
基本概念
什么是 Hyperopt？
- 自动化参数搜索
- 使用贝叶斯优化算法
- 在指定范围内寻找最优参数
- 基于回测结果评分
能优化什么？
- 买入条件的参数（RSI 阈值、EMA 周期）
- 卖出条件的参数
- ROI 配置
- 止损配置
- 追踪止损配置
优化空间（Spaces）
Freqtrade 支持 5 个优化空间：
1. buy - 买入条件参数
2. sell - 卖出条件参数
3. roi - ROI 配置
4. stoploss - 止损配置
5. trailing - 追踪止损配置
可以单独优化，也可以组合优化
1.2 准备支持 Hyperopt 的策略
修改策略以支持参数优化。创建 user_data/strategies/HyperoptableStrategy.py：
from freqtrade.strategy import IStrategy, IntParameter, DecimalParameter, CategoricalParameter
from pandas import DataFrame
import talib.abstract as ta
import freqtrade.vendor.qtpylib.indicators as qtpylib
class HyperoptableStrategy(IStrategy):
"""
支持 Hyperopt 的策略
定义可优化的参数范围
"""
INTERFACE_VERSION = 3
# ===== 可优化的参数 =====
# 买入参数
buy_rsi_threshold = IntParameter(20, 40, default=30, space='buy')
buy_rsi_enabled = CategoricalParameter([True, False], default=True, space='buy')
buy_ema_short = IntParameter(5, 20, default=9, space='buy')
buy_ema_long = IntParameter(15, 50, default=21, space='buy')
# 卖出参数
sell_rsi_threshold = IntParameter(60, 80, default=70, space='sell')
sell_rsi_enabled = CategoricalParameter([True, False], default=True, space='sell')
# ROI 参数
minimal_roi = {
"0": 0.10,
"30": 0.05,
"60": 0.03,
"120": 0.01
}
# 止损参数
stoploss = -0.10
# 追踪止损参数
trailing_stop = True
trailing_stop_positive = 0.01
trailing_stop_positive_offset = 0.02
trailing_only_offset_is_reached = True
timeframe = '5m'
startup_candle_count: int = 50
def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
"""
计算指标
"""
# EMA（使用可优化的周期）
for val in self.buy_ema_short.range:
dataframe[f'ema_short_{val}'] = ta.EMA(dataframe, timeperiod=val)
for val in self.buy_ema_long.range:
dataframe[f'ema_long_{val}'] = ta.EMA(dataframe, timeperiod=val)
# RSI
dataframe['rsi'] = ta.RSI(dataframe, timeperiod=14)
# 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（使用优化后的参数）
"""
conditions = []
# 条件 1：EMA 金叉
conditions.append(
qtpylib.crossed_above(
dataframe[f'ema_short_{self.buy_ema_short.value}'],
dataframe[f'ema_long_{self.buy_ema_long.value}']
)
)
# 条件 2：RSI（如果启用）
if self.buy_rsi_enabled.value:
conditions.append(dataframe['rsi'] > self.buy_rsi_threshold.value)
conditions.append(dataframe['rsi'] < 70)
# 条件 3：成交量
conditions.append(dataframe['volume'] > dataframe['volume_mean'])
# 确保有成交量
conditions.append(dataframe['volume'] > 0)
# 合并所有条件
if conditions:
dataframe.loc[
reduce(lambda x, y: x & y, conditions),
'enter_long'] = 1
return dataframe
def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
"""
卖出信号（使用优化后的参数）
"""
conditions = []
# 条件 1：EMA 死叉
conditions.append(
qtpylib.crossed_below(
dataframe[f'ema_short_{self.buy_ema_short.value}'],
dataframe[f'ema_long_{self.buy_ema_long.value}']
)
)
# 条件 2：RSI（如果启用）
if self.sell_rsi_enabled.value:
conditions.append(dataframe['rsi'] > self.sell_rsi_threshold.value)
# 确保有成交量
conditions.append(dataframe['volume'] > 0)
# 合并所有条件
if conditions:
dataframe.loc[
reduce(lambda x, y: x & y, conditions),
'exit_long'] = 1
return dataframe
关键点：
# 整数参数
buy_rsi_threshold = IntParameter(20, 40, default=30, space='buy')
# 在 20-40 范围内搜索，默认值 30
# 小数参数
stoploss = DecimalParameter(-0.15, -0.05, default=-0.10, space='stoploss')
# 在 -0.15 到 -0.05 范围内搜索
# 分类参数（True/False 或多个选项）
buy_rsi_enabled = CategoricalParameter([True, False], default=True, space='buy')
1.3 运行 Hyperopt
基本命令
# 优化买入参数
freqtrade hyperopt \
-c config.json \
--strategy HyperoptableStrategy \
--hyperopt-loss SharpeHyperOptLoss \
--spaces buy \
--epochs 100
# 参数说明：
# --hyperopt-loss：优化目标（后面详解）
# --spaces：优化哪些参数空间
# --epochs：优化迭代次数
优化多个空间
# 同时优化买入和卖出
freqtrade hyperopt \
-c config.json \
--strategy HyperoptableStrategy \
--hyperopt-loss SharpeHyperOptLoss \
--spaces buy sell \
--epochs 200
# 优化所有空间
freqtrade hyperopt \
-c config.json \
--strategy HyperoptableStrategy \
--hyperopt-loss SharpeHyperOptLoss \
--spaces all \
--epochs 500
输出示例
Best result:
188/500: 145 trades. Avg profit 0.85%. Total profit 0.01234 BTC ( 123.45%). Avg duration 234.5 m. Objective: -2.34567
Buy hyperspace params:
{
"buy_ema_short": 12,
"buy_ema_long": 26,
"buy_rsi_threshold": 35,
"buy_rsi_enabled": True
}
Sell hyperspace params:
{
"sell_rsi_threshold": 65,
"sell_rsi_enabled": True
}
ROI table:
{
"0": 0.088,
"25": 0.045,
"51": 0.019,
"139": 0
}
Stoploss: -0.089
1.4 损失函数（Loss Functions）
损失函数定义了"什么是最优"。
常用损失函数
# 1. SharpeHyperOptLoss（推荐）
# 最大化 Sharpe 比率（风险调整后收益）
--hyperopt-loss SharpeHyperOptLoss
# 2. SortinoHyperOptLoss
# 类似 Sharpe，但只考虑下行风险
--hyperopt-loss SortinoHyperOptLoss
# 3. CalmarHyperOptLoss
# 最大化 Calmar 比率（收益 / 最大回撤）
--hyperopt-loss CalmarHyperOptLoss
# 4. OnlyProfitHyperOptLoss
# 只关注总利润（不考虑风险）
--hyperopt-loss OnlyProfitHyperOptLoss
# 5. MaxDrawDownHyperOptLoss
# 最小化最大回撤
--hyperopt-loss MaxDrawDownHyperOptLoss
推荐选择
追求稳定：SharpeHyperOptLoss
追求收益：OnlyProfitHyperOptLoss
控制回撤：CalmarHyperOptLoss
一般推荐：SharpeHyperOptLoss
平衡了收益和风险
1.5 应用优化结果
Hyperopt 找到最优参数后，有两种应用方式：
方法 1：手动修改策略
# 将 Hyperopt 输出的参数写入策略
# 修改前：
buy_rsi_threshold = IntParameter(20, 40, default=30, space='buy')
# 修改后：
buy_rsi_threshold = IntParameter(20, 40, default=35, space='buy')
# 或直接固定：
buy_rsi_threshold = 35
方法 2：使用参数文件
# Hyperopt 会自动保存参数到文件
# user_data/hyperopt_results/strategy_*.json
# 回测时加载参数
freqtrade backtesting \
-c config.json \
--strategy HyperoptableStrategy \
--hyperopt-paramfile user_data/hyperopt_results/strategy_HyperoptableStrategy.json
第二部分：FreqAI - 机器学习框架
2.1 FreqAI 简介
FreqAI 是 Freqtrade 的机器学习扩展，支持：
- 使用 ML 模型预测价格方向
- 自动特征工程
- 模型训练和评估
- 实时预测
安装 FreqAI
# 安装依赖
pip install freqtrade[freqai]
# 或安装完整版本
pip install freqtrade[all]
2.2 简单 FreqAI 策略示例
创建 user_data/strategies/FreqAIStrategy.py：
from freqtrade.strategy import IStrategy
from pandas import DataFrame
import talib.abstract as ta
from freqtrade.freqai.data_kitchen import FreqaiDataKitchen
class FreqAIStrategy(IStrategy):
"""
使用 FreqAI 的简单策略
预测价格方向，辅助交易决策
"""
INTERFACE_VERSION = 3
minimal_roi = {"0": 0.10}
stoploss = -0.05
timeframe = '5m'
startup_candle_count = 100
# FreqAI 配置
process_only_new_candles = True
def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
"""
添加基础指标
"""
# 这些指标会被 FreqAI 用作特征
dataframe['rsi'] = ta.RSI(dataframe, timeperiod=14)
dataframe['ema_5'] = ta.EMA(dataframe, timeperiod=5)
dataframe['ema_10'] = ta.EMA(dataframe, timeperiod=10)
dataframe['ema_20'] = ta.EMA(dataframe, timeperiod=20)
macd = ta.MACD(dataframe)
dataframe['macd'] = macd['macd']
dataframe['macdsignal'] = macd['macdsignal']
return dataframe
def feature_engineering_expand_all(self, dataframe: DataFrame, period: int,
metadata: dict, **kwargs) -> DataFrame:
"""
特征工程：创建用于 ML 的特征
"""
# 价格变化
dataframe[f'%-price_change_{period}'] = (
dataframe['close'].pct_change(period) * 100
)
# RSI 变化
dataframe[f'%-rsi_change_{period}'] = dataframe['rsi'].diff(period)
# EMA 距离
dataframe[f'%-ema_dist_{period}'] = (
(dataframe['close'] - dataframe['ema_20']) /
dataframe['ema_20'] * 100
)
# 成交量变化
dataframe[f'%-volume_change_{period}'] = (
dataframe['volume'].pct_change(period) * 100
)
return dataframe
def feature_engineering_expand_basic(self, dataframe: DataFrame,
metadata: dict, **kwargs) -> DataFrame:
"""
基础特征
"""
# 当前 RSI
dataframe['%-rsi'] = dataframe['rsi']
# MACD 差值
dataframe['%-macd_diff'] = dataframe['macd'] - dataframe['macdsignal']
return dataframe
def feature_engineering_standard(self, dataframe: DataFrame,
metadata: dict, **kwargs) -> DataFrame:
"""
标准化特征
"""
# 相对价格位置（0-1 之间）
dataframe['%-price_position'] = (
(dataframe['close'] - dataframe['low'].rolling(50).min()) /
(dataframe['high'].rolling(50).max() - dataframe['low'].rolling(50).min())
)
return dataframe
def set_freqai_targets(self, dataframe: DataFrame, metadata: dict, **kwargs) -> DataFrame:
"""
设置预测目标（监督学习的标签）
"""
# 预测未来 3 根 K 线的价格方向
# 1 = 上涨，0 = 下跌
dataframe['&s-up_or_down'] = (
dataframe['close'].shift(-3) > dataframe['close']
).astype(int)
return dataframe
def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
"""
买入信号：基于 ML 预测
"""
dataframe.loc[
(
# ML 预测上涨
(dataframe['&s-up_or_down'] == 1) &
# 预测置信度高
(dataframe['do_predict'] == 1) &
# RSI 不在超买区
(dataframe['rsi'] < 70) &
(dataframe['volume'] > 0)
),
'enter_long'] = 1
return dataframe
def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
"""
卖出信号：基于 ML 预测
"""
dataframe.loc[
(
# ML 预测下跌
(dataframe['&s-up_or_down'] == 0) &
# 预测置信度高
(dataframe['do_predict'] == 1) &
(dataframe['volume'] > 0)
),
'exit_long'] = 1
return dataframe
2.3 FreqAI 配置
在 config.json 中添加 FreqAI 配置：
{
"freqai": {
"enabled": true,
"purge_old_models": true,
"train_period_days": 30,
"backtest_period_days": 7,
"identifier": "my_freqai_model",
"feature_parameters": {
"include_timeframes": ["5m", "15m", "1h"],
"include_corr_pairlist": [
"ETH/USDT",
"BNB/USDT"
],
"label_period_candles": 3,
"include_shifted_candles": 2,
"DI_threshold": 1,
"weight_factor": 0.9,
"principal_component_analysis": false,
"use_SVM_to_remove_outliers": true,
"indicator_periods_candles": [10, 20, 50]
},
"data_split_parameters": {
"test_size": 0.33,
"random_state": 1
},
"model_training_parameters": {
"n_estimators": 1000,
"learning_rate": 0.02,
"max_depth": 6,
"min_child_weight": 1
}
}
}
2.4 训练和回测
# 1. 训练模型（会自动下载数据并训练）
freqtrade backtesting \
-c config.json \
--strategy FreqAIStrategy \
--timerange 20230101-20230331 \
--freqaimodel LightGBMRegressor
# 2. 查看训练结果
# 模型会保存在 user_data/models/
# 3. 使用训练好的模型进行 Dry-run
freqtrade trade \
-c config.json \
--strategy FreqAIStrategy \
--freqaimodel LightGBMRegressor
第三部分：实用优化技巧
3.1 避免过拟合
过拟合是机器学习最大的敌人。
过拟合的表现
回测表现：
- 总收益：+50%
- 胜率：75%
- 最大回撤：-5%
- 看起来完美！
实盘表现：
- 总收益：-10%
- 胜率：40%
- 最大回撤：-25%
- 完全失效！
原因：策略记住了历史数据的噪音，而非真正的规律
避免过拟合的方法
1. 使用足够多的数据
✓ 至少 6 个月
✓ 经历不同市场环境
✓ 牛市 + 熊市 + 震荡
2. Walk-Forward 分析
✓ 将数据分为多段
✓ 在前 70% 优化，在后 30% 验证
✓ 重复多次
3. 保持策略简单
✓ 参数少（< 10 个）
✓ 逻辑清晰
✓ 避免过度复杂
4. 限制 Hyperopt 次数
✓ epochs < 500
✓ 不要一直优化到"完美"
✓ 适可而止
5. Out-of-Sample 测试
✓ 在新数据上测试
✓ 如果表现差异 > 50%，可能过拟合
3.2 Walk-Forward 优化
# 1. 在 2023-01 到 2023-02 的数据上优化
freqtrade hyperopt \
-c config.json \
--strategy HyperoptableStrategy \
--timerange 20230101-20230228 \
--spaces buy sell \
--epochs 200
# 2. 在 2023-03 的数据上验证（不优化）
freqtrade backtesting \
-c config.json \
--strategy HyperoptableStrategy \
--timerange 20230301-20230331 \
--hyperopt-paramfile user_data/hyperopt_results/strategy_*.json
# 3. 对比结果
# 如果 2023-03 表现与优化期相近，说明策略稳健
# 如果差异很大，说明可能过拟合
# 4. 重复上述步骤，每次前移 1 个月
# 这就是 Walk-Forward 分析
3.3 参数稳定性测试
# 测试参数的稳定性
# 创建脚本 parameter_stability_test.py
import subprocess
import json
# 要测试的参数范围
rsi_values = [25, 30, 35, 40]
results = []
for rsi in rsi_values:
# 临时修改策略参数
# 运行回测
cmd = f"freqtrade backtesting -c config.json --strategy TestStrategy --timerange 20230101-20230331"
# 记录结果
# ...
# 分析：如果 RSI 25-40 都能盈利，说明策略稳健
# 如果只有 RSI=35 盈利，其他都亏损，说明过拟合
3.4 多市场验证
在不同市场条件下测试：
1. 牛市（2023-01 到 2023-03）
- 策略收益：+25%
- 市场收益：+30%
- 相对表现：落后
2. 震荡市（2023-04 到 2023-06）
- 策略收益：+8%
- 市场收益：+2%
- 相对表现：优秀 ✓
3. 熊市（2023-07 到 2023-09）
- 策略收益：-5%
- 市场收益：-15%
- 相对表现：优秀 ✓
结论：策略在震荡和熊市表现好，适合当前环境
第四部分：实战建议
4.1 机器学习使用建议
✅ 适合使用 ML 的场景：
1. 参数优化（Hyperopt）
- 找出指标的最佳阈值
- 优化止损止盈
- 这是最实用的应用
2. 特征选择
- 找出最有预测力的指标
- 去除冗余指标
3. 市场状态识别
- 判断趋势 vs 震荡
- 判断波动率高低
- 辅助策略选择
❌ 不适合使用 ML 的场景：
1. 直接预测价格
- 价格变化高度随机
- 短期预测准确率低
- 不如传统技术分析
2. 过度依赖 ML
- 忽视基本逻辑
- "黑箱"策略难以理解
- 出问题难以调试
3. 数据不足时
- < 3 个月数据
- 只有单一市场环境
- 容易过拟合
4.2 推荐学习路径
阶段 1：掌握基础（1-2 个月）
□ 学习传统策略开发
□ 理解技术指标
□ 手动调参，建立直觉
阶段 2：使用 Hyperopt（1 个月）
□ 学习 Hyperopt 基础
□ 优化现有策略的参数
□ 对比优化前后效果
阶段 3：FreqAI 入门（2-3 个月）
□ 学习 FreqAI 基础
□ 理解特征工程
□ 实验简单 ML 模型
阶段 4：进阶应用（持续）
□ 深入学习 ML 理论
□ 尝试不同模型
□ 开发自定义 ML 策略
4.3 常见错误
错误 1：盲目相信 ML
"ML 说会涨，一定会涨！"
✗ 错误：ML 只是概率，不是确定性
✓ 正确：ML 辅助决策，需要结合其他因素
错误 2：过度优化
"我跑了 10000 次 Hyperopt，找到完美参数！"
✗ 错误：过度优化必然过拟合
✓ 正确：200-500 次足够，适可而止
错误 3：只在历史数据验证
"回测收益 100%，策略完美！"
✗ 错误：历史不代表未来
✓ 正确：必须 Dry-run 验证，小资金实盘
错误 4：忽视基础
"不学技术分析，直接用 ML！"
✗ 错误：不理解市场，ML 是空中楼阁
✓ 正确：先学基础，再用 ML 优化
错误 5：使用不足数据
"我用 1 个月数据训练 ML 模型"
✗ 错误：数据太少，必然过拟合
✓ 正确：至少 6 个月，最好 1 年以上
📝 实践任务
任务 1：运行 Hyperopt
- 准备
HyperoptableStrategy - 优化买入参数：
freqtrade hyperopt \
-c config.json \
--strategy HyperoptableStrategy \
--spaces buy \
--epochs 100
- 记录最优参数和收益率
- 在新数据上验证
任务 2：参数敏感度分析
- 手动测试不同的 RSI 阈值（25, 30, 35, 40）
- 分别回测，记录结果
- 绘制图表：RSI 阈值 vs 收益率
- 分析：策略对参数是否敏感？
任务 3：Walk-Forward 测试
- 将 6 个月数据分为 3 段（每段 2 个月）
- 在第 1 段优化参数
- 在第 2 段验证
- 记录表现差异
- 重复步骤 2-4（第 2 段优化，第 3 段验证）
任务 4：FreqAI 实验（可选）
如果对 ML 感兴趣：
- 安装 FreqAI 依赖
- 准备
FreqAIStrategy - 训练模型（至少 3 个月数据）
- 在 Dry-run 中测试
- 记录：预测准确率、实际收益
📌 核心要点
Hyperopt 使用要点
1. 定义合理的参数范围
- 不要太宽（20-100）
- 不要太窄（28-32）
- 基于经验和常识
2. 选择合适的损失函数
- SharpeHyperOptLoss（推荐）
- 平衡收益和风险
3. 限制优化次数
- 100-500 次足够
- 避免过拟合
4. 验证优化结果
- Out-of-sample 测试
- Dry-run 验证
- 小资金实盘
机器学习注意事项
1. 数据质量 > 模型复杂度
- 足够多的数据（> 6 个月）
- 多样的市场环境
- 清洗异常数据
2. 简单 > 复杂
- 简单模型更稳健
- 复杂模型容易过拟合
- 可解释性很重要
3. 持续验证
- 定期重新训练
- 监控实时表现
- 及时调整
4. 风险控制
- ML 不是万能的
- 仍需止损保护
- 不要盲目相信预测
🎯 总结
本课介绍了机器学习在量化交易中的应用：
- Hyperopt：参数自动优化，最实用
- FreqAI：深度 ML 集成，进阶功能
- 优化技巧：避免过拟合，确保稳健
重要提醒：
⚠️ ML 是辅助工具，不是圣杯
⚠️ 过度优化必然过拟合
⚠️ 必须在新数据上验证
⚠️ 风险控制永远第一
下节课是最后一课，我们将总结整个课程，并建立持续学习体系。
🎓 学习建议：
- 从 Hyperopt 开始：最实用，风险最低
- 保持怀疑：对 ML 结果保持批判性思维
- 持续验证：在新数据上反复测试
- 记录一切：详细记录优化过程和结果
- 不要过度依赖：ML 是工具，不是全部
记住：最好的策略是简单、稳健、可解释的。ML 应该让策略更好，而不是更复杂。
Top comments (0)