3.7 KiB
#交易 #量化交易 #策略研究 #freqtrade #DeepSeek
freqtrade的PairList、过滤筛选器使用简介 freqtrade Strategy readme
freqtrade中VolumePairList为什么不支持回测模式？还有哪些筛选机制可供使用？ 开始策略研究之前，先陈列一个我在回测时遇到的问题。 在回测专题中也已经将这个问题陈列了，这是策略开发研究首要确定的一些模式，因此在策略研究专题中也在开头陈列。
策略本身实际上是不分平台的 不同平台的策略实现语言和代码也许有差异，但是其核心是一样的 因此在freqtrade策略研究这个专题写下的所有策略研究记录，也是我交易策略研究在本阶段的一个载体，所有的研究历程和成果都是一直伴随的。
以下为市场上的经典策略，自己从头编写复现并跑通，才可以说策略研究步入正轨。 学而不思则罔，思而不学则殆。正是此意。 freqtrade来复现经典策略，巩固前一个阶段的学习。
下载完成数据后，对freqtrade策略库中的TrendFollowingStrategy进行回测，对2023年的合约数据终于跑出了正收益回测，将运行完成后的报告交由deepseek进行解读，感觉说的非常好，将几次的分析摘录如下：
TrendFollowingStrategy的运行报告解读1 TrendFollowingStrategy的运行报告解读2 TrendFollowingStrategy的运行报告解读3
freqtrade策略研究困境及突破（deepseek建议）
今日通过询问，得知了freqtrade基于闭合曲线的运行机制，以及对于tick监测的轻量级功能补充。 freqtrade 基于闭合曲线的运行机制和tick监测实现初探
同时，通过对deepseek陈述我的技术路线，请他提建议，又新掌握了PyTrend技术分析库和Stockstats技术分析库，他们可以实现更多基于K线形态的识别监测。比如趋势线、双顶、三角形态等等，需要持续研究。
freqtrade行情存储与K线回溯（怎样使用t时刻以前的K线）
def custom_body_ratio(df):
# 只使用已闭合K线（-200:-1]）
closed_bars = df.iloc[-200:-1]
body = np.abs(closed_bars['close'] - closed_bars['open'])
total_range = closed_bars['high'] - closed_bars['low']
return body.mean() / total_range.mean() # 实体/影线均值比
dataframe['body_ratio'] = dataframe['close'].rolling(200).apply(custom_body_ratio)
```
这一段给我的启示很大，一方面教会了我怎么引用历史数据并计算自建指标的值，虽然反映上来和其他talib计算指标值时并无区别，但还是没有能想到。另一方面，我有了自建指标的实现方法，就是在dataframe中继续新加一列，对每一个蜡烛进行计算。比如上述代码就建立了单根蜡烛的实体与影线比这个因子，这将作为后续建立策略的方向之一。
随后，为了了解更多关于自建指标的建议，以及其他对于趋势、区间、阻力、支撑、三角或旗型等形态识别的工具进行询问，想知道是否有成熟的工具支撑，还真的被我找到了。大为受用，又精进了一些。[[PyTrend技术分析库]]、[[Stockstats技术分析库]]。的使用一定让我的策略如虎添翼，虽然不用造轮子了，但是对于工具的使用还是要下大功夫。
[[freqtrade自建策略建议与其他技术分析工具推荐]]
[[freqtrade中，价格行为建模的工具链【重要】]]
[[freqtrade中使用的这些工具链可以迁移在其他平台吗？]]
---
[[机器学习的基础问题：训练结果是否可以迁移？]]