已经把 &s-future_volatility 的自适应阈值 做完并且同步更新了文档

doc/trend-trading-signals.md

@@ -232,5 +232,8 @@
     - `trend_reversal_score`
     - `protect_trend_continuation`
     - `adx_weak_threshold`
+  - **FreqAI 标签与自适应阈值**：`set_freqai_targets` 中：
+    - `&s-entry_signal` / `&s-exit_signal`：使用 `_auto_adjust_threshold` + ES 中 `labels_mean` 动态调整涨跌幅阈值（`freqai_entry_up_percent` / `freqai_exit_down_percent`）。
+    - `&s-future_volatility`：使用 `_auto_adjust_threshold` 动态调整“未来波动率 / 当前波动率”的倍数阈值 `freqai_future_vol_ratio`，目标是让高波动标签的正样本比例维持在合理区间（约 0.3–0.6）。
 
 本说明与实现保持一致，如后续调整权重或参数范围，建议同步更新本文档，便于长期维护和回顾。

freqtrade/templates/freqaiprimer.py

@@ -379,6 +379,10 @@ class FreqaiPrimer(IStrategy):
     # 默认 0.8%，如标签过多/过少，由自适应机制再微调
     freqai_exit_down_percent = DecimalParameter(0.3, 3.0, decimals=2, default=0.8, optimize=True, load=True, space='buy')
     
+    # FreqAI 标签定义：future_volatility 的未来波动率倍数阈值（> 倍数则认为高波动）
+    # 默认 1.20（未来波动率 > 当前 * 1.20 视为高波动），如正样本过多/过少，由自适应机制再微调
+    freqai_future_vol_ratio = DecimalParameter(1.05, 2.0, decimals=2, default=1.20, optimize=True, load=True, space='buy')
+    
     # 定义可优化参数
     # 初始入场金额: 75.00
 
@@ -466,10 +470,10 @@ class FreqaiPrimer(IStrategy):
             
             # 自适应调整逻辑
             return self._calculate_adjusted_threshold(pair, entry_signal_mean, default_threshold, label_name)
-        
+            
         except Exception as e:
             # 出错时使用默认值
-            logger.warning(f"[{pair}] 自适应阈值调整失败: {e}，使用默认值 {default_threshold}%")
+            logger.warning(f"[{pair}] 自适应阈值调整失败: {e}，使用默认值 {default_threshold}")
             return default_threshold
     
     def _get_label_distribution_from_es(self, pair: str, label_name: str) -> float | None:
@@ -700,7 +704,7 @@ class FreqaiPrimer(IStrategy):
         防震荡策略：
         1. 分区调整：理想区不调整，边缘区微调（±7.5%），极端区大调（±70%）
         2. 单次限幅：最大变化幅度不超过 ±30%（防止过激调整）
-        3. 硬限制边界：阈值范围锁定在 [0.3%, 3.0%]
+        3. 硬限制边界：阈值范围锁定在 [0.3, 3.0]
         """
         IDEAL_MIN = 0.40
         IDEAL_MAX = 0.60
@@ -721,9 +725,9 @@ class FreqaiPrimer(IStrategy):
             
         elif IDEAL_MIN <= entry_signal_mean <= IDEAL_MAX:
             # 理想范围（40%-60%），保持不变
-            self.strategy_log(f"[{pair}] 标签分布理想 ({entry_signal_mean:.1%}), 保持阈值 {default_threshold:.2f}%")
+            self.strategy_log(f"[{pair}] 标签分布理想: {label_name}={entry_signal_mean:.1%}, 保持阈值 {default_threshold:.4f}")
             return default_threshold
-            
+        
         else:
             # 边缘区（35%-40% 或 60%-65%），微调
             if entry_signal_mean > IDEAL_MAX:
@@ -745,13 +749,13 @@ class FreqaiPrimer(IStrategy):
         
         # === 第三步：计算新阈值并应用硬边界 ===
         new_threshold = default_threshold * adjustment_factor
-        new_threshold = min(max(new_threshold, 0.3), 3.0)  # 硬限制在 [0.3%, 3.0%]
+        new_threshold = min(max(new_threshold, 0.3), 3.0)  # 硬限制在 [0.3, 3.0]
         
         # === 第四步：记录日志与追踪数据 ===
         change_percent = (new_threshold - default_threshold) / default_threshold * 100
         self.strategy_log(
-            f"[{pair}] 自适应阈值调整{capped}: {adjustment_type} ({entry_signal_mean:.1%}), "
-            f"阈值 {default_threshold:.2f}% → {new_threshold:.2f}% ({change_percent:+.1f}%)"
+            f"[{pair}] 自适应阈值调整{capped}: {label_name} {adjustment_type} ({entry_signal_mean:.1%}), "
+            f"阈值 {default_threshold:.4f} → {new_threshold:.4f} ({change_percent:+.1f}%)"
         )
         
         # 记录到 Redis
@@ -848,10 +852,17 @@ class FreqaiPrimer(IStrategy):
         # 正确做法：先计算 rolling，再整体 shift
         future_volatility = dataframe["close"].pct_change().rolling(window=10, min_periods=5).std().shift(-10)
         
-        # 标签：未来波动率 > 当前波动率 * 1.2 则标记为高波动（趋势启动）
+        # 从 ES/Redis/文件读取 &s-future_volatility 的最新标签分布，自适应调整阈值
+        future_vol_ratio = self._auto_adjust_threshold(
+            metadata['pair'],
+            self.freqai_future_vol_ratio.value,
+            label_name='&s-future_volatility',
+        )
+        
+        # 标签：未来波动率 / 当前波动率 > 自适应倍数，则标记为高波动（趋势启动）
         volatility_ratio = future_volatility / (current_volatility + 1e-8)  # 避免除以0
         dataframe["&s-future_volatility"] = np.where(
-            volatility_ratio > 1.2,
+            volatility_ratio > future_vol_ratio,
             1,  # 未来高波动（趋势启动），继续持有
             0   # 未来低波动（震荡市），快速止盈
         )