用Python打造加密貨幣算法交易機器人 原創
大家好，我是橙哥！今天我們來聊一聊Freqtrade，Freqtrade是一個開源的加密貨幣量化交易機器人，用Python編寫。它支持主流的交易所，可以通過Telegram或網頁界面來控制，還提供回測、圖表和資金管理工具，并可以通過機器學習來優化交易策略。
下面我們來了解一下freqtrade的工作原理，看看如何使用命令行工具下載歷史數據，創建新的配置文件和新的策略；如何使用Python和Pandas編寫策略：我們將定義一個簡單的移動平均策略，在以太坊（ETH）和比特幣（BTC）之間進行交易，來增加持有的比特幣數量。我們可以用freqtrade進行以下操作：
開發策略：輕松使用 Python 和 pandas 開發策略。我們將在下面創建一個簡單的策略，freqtrade 有一些示例策略倉庫。
下載市場數據：快速下載你選擇的加密貨幣的歷史價格數據。
回測：查看你的策略在現實世界中是否有盈利機會。
優化：使用 hyperopt 為你的策略找到最佳參數。
選擇交易對：你的選擇可以是靜態的或基于簡單過濾器的動態選擇，例如交易量大于某個數量。
模擬運行：使用模擬錢包在實時數據上測試策略。
實時運行：通過加密貨幣交易所的 API 使用真實資金部署策略。
使用 Telegram 機器人：通過 Telegram 控制和監控你的策略。
分析和可視化交易歷史：利用保存文件或 SQL 數據庫中的交易數據。
Freqtrade 的安裝
讓我們從安裝開始，Docker 是所有安裝方法中最便捷的方式。你需要先安裝 Docker 和 docker-compose，然后通過啟動 Docker Desktop 確保 Docker 正在運行。現在可以通過在你想要的目錄中發出以下命令來設置 freqtrade：
現在應該會有以下目錄結構：
要驗證 freqtrade 是否已正確安裝并準備好使用，請運行幫助命令：
你會看到以下輸出：
幫助命令的輸出列出了所有可用的freqtrade命令。在這一部分，我們將探討最重要的命令及其使用方法。首先是回測。
回測：freqtrade測試交易策略的方法
在下面，我們將創建一個簡單的策略并在歷史數據上進行回測。通過歷史數據測試策略，模擬策略預期的交易行為。雖然這不能保證在實盤中的表現，但它是一個獲勝/虧損策略的參考。
Freqtrade通過以下步驟進行策略回測：
為配置文件中提供的貨幣對（如ETH/BTC、ADA/BTC、XRP/BTC等）加載歷史數據；
調用策略的bot_loop_start()函數一次。這在實時運行中啟動一個新循環，而在回測中只需要一次；
調用populate_indicators()方法計算每個貨幣對的技術指標；
調用populate_buy_trend()和populate_sell_trend()方法計算每個貨幣對的買賣信號；
如果策略實現了，通過調用confirm_trade_entry()和confirm_trade_exit()方法確認買賣交易；
遍歷每個時間段（如5分鐘、1小時、1天等），模擬入場和出場點；
生成回測報告，匯總所有交易及其在指定期間的盈虧情況。
下載數據
要進行回測，我們需要從交易所獲取歷史價格數據。讓我們使用以下命令從Binance下載一些數據：
該命令的參數告訴freqtrade以下內容：
-p ETH/BTC - 下載以太坊（ETH）-比特幣（BTC）對的數據
-t 1d - 下載時間周期為1天的數據
--timerange 20200101-20201231 - 下載2020年1月1日至12月31日的數據
--exchange binance - 從Binance下載數據。在這里，您可以使用freqtrade支持的任何交易所
此命令生成了以下文件：
其中包含多個開盤-最高-最低-收盤-成交量（OHLCV）數據記錄，如下：
列的含義如下：
時間：Unix 時間戳（毫秒）
開盤價：蠟燭圖開盤價最高價：蠟燭圖最高價
最低價：蠟燭圖最低價
收盤價：蠟燭圖收盤價
成交量：交易量，以基礎貨幣顯示，本例中為 ETH。BTC 為報價貨幣。
這些數據可以整齊地顯示在以下蠟燭圖表中：
如何解讀上面的圖表
上面的圖表使用蠟燭圖來表示比簡單線條更多的信息。你可以在下面的圖片中快速了解蠟燭圖的含義。
從上一節中的OHLCV行示例，你可以看到每個蠟燭圖代表每行數據的開盤、最高、最低、收盤部分。
現在我們已經看到了數據的示例并理解了每行的含義，讓我們繼續配置freqtrade以運行策略。
Freqtrade配置
我們已經有了回測策略所需的數據，但我們還需要創建一個配置文件，這將使我們能夠輕松控制策略的幾個參數。
要創建新的配置，我們運行以下命令：
你會看到一些初始問題，回答如下：
下面，我們需要打開配置文件并設置 pair_whitelist = ["ETH/BTC"]，這將設定我們關注的貨幣對。然后我們就可以開始了。
實現一個簡單的自定義策略 - 移動平均交叉
這個交易策略其實非常簡單，我們只需要做對兩件事：
低價買入
高價賣出
真的這么簡單嗎？有什么需要注意的嗎？難點在于準確找到實際的低點和高點。移動平均策略背后的想法如下：
你有兩條線：
慢速移動平均線（SMA）：長期平均值，代表一般趨勢。
快速移動平均線（FMA）：短期平均值，代表當前趨勢。
對于我們的策略，我們將使用以下指標：
當FMA上穿SMA時買入，表示上升趨勢。
當FMA下穿SMA時賣出，表示下降趨勢。
這就是所謂的移動平均交叉策略。
freqtrade 的策略實現
讓我們使用 pandas 實現 freqtrade 中的移動平均交叉策略。
首先，我們需要創建一個新的策略文件，該文件將包含我們買賣信號背后的邏輯。
現在，我們可以在策略文件夾中找到新創建的文件：
SimpleMA_strategy.py
包含一個自動生成的類 SimpleMA_strategy 和幾個我們需要更新的函數。
為了定義我們的簡單策略，我們需要更新以下三個函數：
populate_indicators()
populate_buy_trend()
populate_sell_trend()
讓我們逐一了解這些函數。
- populate_indicators()
在這里，我們計算策略所需的指標，以生成買賣信號。
根據我們的策略，我們計算快線fast_MA（基于最近5根K線圖）和慢線slow_ma（基于前50根K線圖）：
2. populate_buy_trend()
此函數生成我們的買入信號，當快速移動平均線（fast_MA）上穿慢速移動平均線（slow_MA）時觸發。
我們可以通過更新 populate_buy_trend() 來加入以下邏輯，以完成這個任務：
使用qtpylib，我們可以輕松找到均線交叉點。本質上，上面的代碼在滿足買入條件（crossed_above）時，將買入列設置為1。
- populate_sell_trend()
與前一個函數類似，此函數生成我們的賣出信號。
根據我們的策略，當fast_MA線低于slow_MA線時的代碼如下。
我們現在使用crossed_below——與crossed_above相反的信號——當我們的賣出條件被觸發時，它會在賣出列中標記為1。
默認情況下，生成的freqtrade策略文件包含更多選項，例如ROI（投資回報率）和止損，后面我們再討論，現在將暫時禁用它們。
既然我們已經制定了一個策略，我們可以測試它在過去數據上的表現。
回測策略定義了我們的簡單策略后，現在我們想使用歷史數據對其進行評估，通過回測，我們可以在過去模擬交易，以評估其表現。
回測并不能完全反映策略在實際市場中的表現，因為在實時市場中，其他因素會影響回報，例如滑點。
要使用freqtrade進行回測，我們可以運行以下命令，利用我們剛剛創建的類和函數：
命令參數如下所示：
-p ETH/BTC - 交易 ETH/BTC 對，用我們的 BTC 換取 ETH
--timerange 20200101-20201231 - 回測 2020 年的數據，從 2020 年 1 月 1 日到 2020 年 12 月 31 日。
c ./user_data/config-learndatasci.json 使用的是本文前面定義的配置文件。
--starting-balance 1 初始余額為 1 BTC。
我們獲得了一份完整的報告，其中包含在指定期間內所有交易的成果。
Freqtrade將報告分為四個部分：
- 回測結果報告：本部分顯示每個幣對的性能報告，在我們的例子中，只有ETH/BTC。列“平均利潤%”顯示所有交易產生的平均利潤，而列“累計利潤%”匯總了所有利潤/虧損。列“總利潤百分比”則顯示相對于初始余額的總利潤百分比。
- 賣出原因分析：該報告向我們展示了賣出原因的性能。根據我們的策略，我們只使用了賣出信號，所以我們只有一行。通常，我們還可以因其他原因賣出，例如接受的回報率（ROI）和止損。我們將在系列的下篇文章中看到這一點。
- 未平倉交易分析：該報告部分顯示在回測結束時未平倉的任何交易。在我們的例子中，我們沒有任何未平倉交易，通常這并不非常重要，因為它代表了回測的結束狀態。
- 總結指標：就我個人而言，這是我通常首先查看的區域。最需要指出的部分如下：
每日交易次數 - 每天平均完成的交易數量。我通常尋找每天大約進行十筆交易的策略。
總利潤百分比 - 以初始余額的百分比表示的利潤。
最大回撤 - 最大連續虧損的金額
市場變動 - 在指定期間內市場增長/縮減的幅度。當交易多個幣對時，此指標是所有幣對從指定期間開始到結束的市場變動的平均值。在我們的例子中，ETH/BTC市場增長了24.93%。在不同的市場條件下測試策略至關重要，而不僅僅是在上漲市場中。
我們可以看到只發生了六筆交易。這些交易產生了5.09%的利潤，初始為1 BTC，最終為1.05086506 BTC。
考慮到涉及的風險，這一結果并不令人印象深刻。然而，這個策略非常簡單，有很大的改進空間：
與買入并持有相比 僅僅持有ETH，即在測試期開始時將我們的全部BTC轉換為ETH，我們將獲得24.93%的收益（市場變動指標），但這并不是我們通?？梢灶A期的。我們每次交易只投入了10%的倉位，而不是全部。在不同的條件下測試我們的策略非常重要——不僅在市場上漲時，也在市場下跌時。
交易更多幣對：我們只考慮了以太坊，這是我們可以交易的數百種幣之一。這種限制只允許一次進行一筆交易，這顯然不是最優的。
使用更高級的策略：我們使用了可以說是其中最簡單的策略之一，僅使用簡單移動平均線作為指標。增加復雜性并不一定意味著更好的性能，但我們可以對許多指標組合進行回測，以找到最佳策略。
參數優化：目前，我們尚未嘗試優化任何超參數，例如移動平均周期、回報率和止損。
更短的時間周期：我們只考慮了每日蠟燭圖，這也是為什么機器人每天只找到大約0.02筆交易，遠少于人工交易。機器人通過更頻繁的交易和查看更詳細的蠟燭圖，有可能獲得更多利潤。
繪制結果要使用freqtrade的繪圖命令，我們需要修改docker-compose.yml文件。我們唯一需要做的就是注釋掉一行并取消注釋另一行。請查看示例：
這會指示 docker-compose 拉取包含正確繪圖庫的 freqtrade Docker 鏡像。
現在可以使用 freqtrade plot-dataframe 命令來可視化數據、指標以及買賣信號。
--indicators1 選項定義了我們想要繪制的指標，即 fast_MA 和 slow_MA。這些指標必須在 -s 選項指定的策略內定義。
默認情況下，這會在 plot 目錄中創建一個可用的 plotly html 文件：./user_data/plot/freqtrade-plot-ETH_BTC-1d.html
在圖表上，可以觀察機器人如何按照我們定義的簡單移動平均策略執行操作：
- 當fast_MA上穿slow_MA時買入。
- 當fast_MA下穿slow_MA時賣出。
要了解更多plot-dataframe的功能，請運行docker-compose run --rm freqtrade plot-dataframe -h或訪問相關文檔。
總結
在本文中，我們只是看到了freqtrade可以做的一小部分：
- 使用pandas定義自定義策略。
- 使用歷史數據進行回測并生成相關報告。
- 使用plotly繪制結果并可視化模擬交易。
后面我們將了解更多freqtrade的高級用法，我們將添加更多交易對，討論投資回報率（ROI）和止損，并正確地定義它們。使用hyperopt優化我們的策略，部署一個實時交易機器人，以及討論更多高級改進方法。
本文轉載自公眾號開發者阿橙 ，作者：橙哥
