From 400a466f5eb7b19eb5fb0b18aecc88139244cc6b Mon Sep 17 00:00:00 2001 From: "zhangkun9038@dingtalk.com" Date: Mon, 19 Jan 2026 01:18:53 +0800 Subject: [PATCH] =?UTF-8?q?=E5=B7=B2=E7=BB=8F=E6=8A=8A=20&s-future=5Fvolat?= =?UTF-8?q?ility=20=E7=9A=84=E8=87=AA=E9=80=82=E5=BA=94=E9=98=88=E5=80=BC?= =?UTF-8?q?=20=E5=81=9A=E5=AE=8C=E5=B9=B6=E4=B8=94=E5=90=8C=E6=AD=A5?= =?UTF-8?q?=E6=9B=B4=E6=96=B0=E4=BA=86=E6=96=87=E6=A1=A3?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- doc/trend-trading-signals.md | 3 +++ freqtrade/templates/freqaiprimer.py | 31 +++++++++++++++++++---------- 2 files changed, 24 insertions(+), 10 deletions(-) diff --git a/doc/trend-trading-signals.md b/doc/trend-trading-signals.md index d492f051..63a000c5 100644 --- a/doc/trend-trading-signals.md +++ b/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。 \ No newline at end of file diff --git a/freqtrade/templates/freqaiprimer.py b/freqtrade/templates/freqaiprimer.py index 88b76e15..9506481e 100644 --- a/freqtrade/templates/freqaiprimer.py +++ b/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 )