用Python打造加密货币算法交易机器人 原创

大家好，我是橙哥！今天我们来聊一聊Freqtrade，Freqtrade是一个开源的加密货币量化交易机器人，用Python编写。它支持主流的交易所，可以通过Telegram或网页界面来控制，还提供回测、图表和资金管理工具，并可以通过机器学习来优化交易策略。

下面我们来了解一下freqtrade的工作原理，看看如何使用命令行工具下载历史数据，创建新的配置文件和新的策略；如何使用Python和Pandas编写策略：我们将定义一个简单的移动平均策略，在以太坊（ETH）和比特币（BTC）之间进行交易，来增加持有的比特币数量。我们可以用freqtrade进行以下操作：

开发策略：轻松使用 Python 和 pandas 开发策略。我们将在下面创建一个简单的策略，freqtrade 有一些示例策略仓库。

下载市场数据：快速下载你选择的加密货币的历史价格数据。

回测：查看你的策略在现实世界中是否有盈利机会。

优化：使用 hyperopt 为你的策略找到最佳参数。

选择交易对：你的选择可以是静态的或基于简单过滤器的动态选择，例如交易量大于某个数量。

模拟运行：使用模拟钱包在实时数据上测试策略。

实时运行：通过加密货币交易所的 API 使用真实资金部署策略。

使用 Telegram 机器人：通过 Telegram 控制和监控你的策略。

分析和可视化交易历史：利用保存文件或 SQL 数据库中的交易数据。

Freqtrade 的安装

让我们从安装开始，Docker 是所有安装方法中最便捷的方式。你需要先安装 Docker 和 docker-compose，然后通过启动 Docker Desktop 确保 Docker 正在运行。现在可以通过在你想要的目录中发出以下命令来设置 freqtrade：

现在应该会有以下目录结构：

要验证 freqtrade 是否已正确安装并准备好使用，请运行帮助命令：

你会看到以下输出：

帮助命令的输出列出了所有可用的freqtrade命令。在这一部分，我们将探讨最重要的命令及其使用方法。首先是回测。

回测：freqtrade测试交易策略的方法

在下面，我们将创建一个简单的策略并在历史数据上进行回测。通过历史数据测试策略，模拟策略预期的交易行为。虽然这不能保证在实盘中的表现，但它是一个获胜/亏损策略的参考。

Freqtrade通过以下步骤进行策略回测：

为配置文件中提供的货币对（如ETH/BTC、ADA/BTC、XRP/BTC等）加载历史数据；

调用策略的bot_loop_start()函数一次。这在实时运行中启动一个新循环，而在回测中只需要一次；

调用populate_indicators()方法计算每个货币对的技术指标；

调用populate_buy_trend()和populate_sell_trend()方法计算每个货币对的买卖信号；

如果策略实现了，通过调用confirm_trade_entry()和confirm_trade_exit()方法确认买卖交易；

遍历每个时间段（如5分钟、1小时、1天等），模拟入场和出场点；

生成回测报告，汇总所有交易及其在指定期间的盈亏情况。

下载数据

要进行回测，我们需要从交易所获取历史价格数据。让我们使用以下命令从Binance下载一些数据：

该命令的参数告诉freqtrade以下内容：

-p ETH/BTC - 下载以太坊（ETH）-比特币（BTC）对的数据
-t 1d - 下载时间周期为1天的数据
--timerange 20200101-20201231 - 下载2020年1月1日至12月31日的数据
--exchange binance - 从Binance下载数据。在这里，您可以使用freqtrade支持的任何交易所

此命令生成了以下文件：

其中包含多个开盘-最高-最低-收盘-成交量（OHLCV）数据记录，如下：

列的含义如下：

时间：Unix 时间戳（毫秒）
开盘价：蜡烛图开盘价最高价：蜡烛图最高价
最低价：蜡烛图最低价
收盘价：蜡烛图收盘价
成交量：交易量，以基础货币显示，本例中为 ETH。BTC 为报价货币。
这些数据可以整齐地显示在以下蜡烛图表中：

如何解读上面的图表
上面的图表使用蜡烛图来表示比简单线条更多的信息。你可以在下面的图片中快速了解蜡烛图的含义。

从上一节中的OHLCV行示例，你可以看到每个蜡烛图代表每行数据的开盘、最高、最低、收盘部分。

现在我们已经看到了数据的示例并理解了每行的含义，让我们继续配置freqtrade以运行策略。

Freqtrade配置

我们已经有了回测策略所需的数据，但我们还需要创建一个配置文件，这将使我们能够轻松控制策略的几个参数。

要创建新的配置，我们运行以下命令：

你会看到一些初始问题，回答如下：

下面，我们需要打开配置文件并设置 pair_whitelist = ["ETH/BTC"]，这将设定我们关注的货币对。然后我们就可以开始了。

实现一个简单的自定义策略 - 移动平均交叉

这个交易策略其实非常简单，我们只需要做对两件事：

低价买入
高价卖出

真的这么简单吗？有什么需要注意的吗？难点在于准确找到实际的低点和高点。移动平均策略背后的想法如下：

你有两条线：
慢速移动平均线（SMA）：长期平均值，代表一般趋势。
快速移动平均线（FMA）：短期平均值，代表当前趋势。

对于我们的策略，我们将使用以下指标：

当FMA上穿SMA时买入，表示上升趋势。
当FMA下穿SMA时卖出，表示下降趋势。

这就是所谓的移动平均交叉策略。

 freqtrade 的策略实现

让我们使用 pandas 实现 freqtrade 中的移动平均交叉策略。

首先，我们需要创建一个新的策略文件，该文件将包含我们买卖信号背后的逻辑。

现在，我们可以在策略文件夹中找到新创建的文件：

SimpleMA_strategy.py 

包含一个自动生成的类 SimpleMA_strategy 和几个我们需要更新的函数。

为了定义我们的简单策略，我们需要更新以下三个函数：

populate_indicators()
populate_buy_trend()
populate_sell_trend()
让我们逐一了解这些函数。

1. populate_indicators()

在这里，我们计算策略所需的指标，以生成买卖信号。

根据我们的策略，我们计算快线fast_MA（基于最近5根K线图）和慢线slow_ma（基于前50根K线图）：

2. populate_buy_trend()
此函数生成我们的买入信号，当快速移动平均线（fast_MA）上穿慢速移动平均线（slow_MA）时触发。

我们可以通过更新 populate_buy_trend() 来加入以下逻辑，以完成这个任务：

使用qtpylib，我们可以轻松找到均线交叉点。本质上，上面的代码在满足买入条件（crossed_above）时，将买入列设置为1。

3. populate_sell_trend()
   与前一个函数类似，此函数生成我们的卖出信号。

根据我们的策略，当fast_MA线低于slow_MA线时的代码如下。

我们现在使用crossed_below——与crossed_above相反的信号——当我们的卖出条件被触发时，它会在卖出列中标记为1。

默认情况下，生成的freqtrade策略文件包含更多选项，例如ROI（投资回报率）和止损，后面我们再讨论，现在将暂时禁用它们。

既然我们已经制定了一个策略，我们可以测试它在过去数据上的表现。

回测策略定义了我们的简单策略后，现在我们想使用历史数据对其进行评估，通过回测，我们可以在过去模拟交易，以评估其表现。

回测并不能完全反映策略在实际市场中的表现，因为在实时市场中，其他因素会影响回报，例如滑点。

要使用freqtrade进行回测，我们可以运行以下命令，利用我们刚刚创建的类和函数：

命令参数如下所示：

-p ETH/BTC - 交易 ETH/BTC 对，用我们的 BTC 换取 ETH
--timerange 20200101-20201231 - 回测 2020 年的数据，从 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义的配置文件。
--starting-balance 1 初始余额为 1 BTC。

我们获得了一份完整的报告，其中包含在指定期间内所有交易的成果。

Freqtrade将报告分为四个部分：

1. 回测结果报告：本部分显示每个币对的性能报告，在我们的例子中，只有ETH/BTC。列“平均利润%”显示所有交易产生的平均利润，而列“累计利润%”汇总了所有利润/亏损。列“总利润百分比”则显示相对于初始余额的总利润百分比。
2. 卖出原因分析：该报告向我们展示了卖出原因的性能。根据我们的策略，我们只使用了卖出信号，所以我们只有一行。通常，我们还可以因其他原因卖出，例如接受的回报率（ROI）和止损。我们将在系列的下篇文章中看到这一点。
3. 未平仓交易分析：该报告部分显示在回测结束时未平仓的任何交易。在我们的例子中，我们没有任何未平仓交易，通常这并不非常重要，因为它代表了回测的结束状态。
4. 总结指标：就我个人而言，这是我通常首先查看的区域。最需要指出的部分如下：

每日交易次数 - 每天平均完成的交易数量。我通常寻找每天大约进行十笔交易的策略。

总利润百分比 - 以初始余额的百分比表示的利润。

最大回撤 - 最大连续亏损的金额

市场变动 - 在指定期间内市场增长/缩减的幅度。当交易多个币对时，此指标是所有币对从指定期间开始到结束的市场变动的平均值。在我们的例子中，ETH/BTC市场增长了24.93%。在不同的市场条件下测试策略至关重要，而不仅仅是在上涨市场中。

我们可以看到只发生了六笔交易。这些交易产生了5.09%的利润，初始为1 BTC，最终为1.05086506 BTC。

考虑到涉及的风险，这一结果并不令人印象深刻。然而，这个策略非常简单，有很大的改进空间：

与买入并持有相比 仅仅持有ETH，即在测试期开始时将我们的全部BTC转换为ETH，我们将获得24.93%的收益（市场变动指标），但这并不是我们通常可以预期的。我们每次交易只投入了10%的仓位，而不是全部。在不同的条件下测试我们的策略非常重要——不仅在市场上涨时，也在市场下跌时。

交易更多币对：我们只考虑了以太坊，这是我们可以交易的数百种币之一。这种限制只允许一次进行一笔交易，这显然不是最优的。

使用更高级的策略：我们使用了可以说是其中最简单的策略之一，仅使用简单移动平均线作为指标。增加复杂性并不一定意味着更好的性能，但我们可以对许多指标组合进行回测，以找到最佳策略。

参数优化：目前，我们尚未尝试优化任何超参数，例如移动平均周期、回报率和止损。

更短的时间周期：我们只考虑了每日蜡烛图，这也是为什么机器人每天只找到大约0.02笔交易，远少于人工交易。机器人通过更频繁的交易和查看更详细的蜡烛图，有可能获得更多利润。

绘制结果要使用freqtrade的绘图命令，我们需要修改docker-compose.yml文件。我们唯一需要做的就是注释掉一行并取消注释另一行。请查看示例：

这会指示 docker-compose 拉取包含正确绘图库的 freqtrade Docker 镜像。

现在可以使用 freqtrade plot-dataframe 命令来可视化数据、指标以及买卖信号。

--indicators1 选项定义了我们想要绘制的指标，即 fast_MA 和 slow_MA。这些指标必须在 -s 选项指定的策略内定义。

默认情况下，这会在 plot 目录中创建一个可用的 plotly html 文件：./user_data/plot/freqtrade-plot-ETH_BTC-1d.html

在图表上，可以观察机器人如何按照我们定义的简单移动平均策略执行操作：

• 当fast_MA上穿slow_MA时买入。
• 当fast_MA下穿slow_MA时卖出。

要了解更多plot-dataframe的功能，请运行docker-compose run --rm freqtrade plot-dataframe -h或访问相关文档。

总结

在本文中，我们只是看到了freqtrade可以做的一小部分：

• 使用pandas定义自定义策略。
• 使用历史数据进行回测并生成相关报告。
• 使用plotly绘制结果并可视化模拟交易。

后面我们将了解更多freqtrade的高级用法，我们将添加更多交易对，讨论投资回报率（ROI）和止损，并正确地定义它们。使用hyperopt优化我们的策略，部署一个实时交易机器人，以及讨论更多高级改进方法。

本文转载自公众号开发者阿橙 ，作者：橙哥

原文链接：​​https://mp.weixin.qq.com/s/w7sWQE_GIoIXONjcmktFaA​​