phyer/myTestFreqAI
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

使用了波动系数逻辑, 应用到动态退出,动态加仓等环节

Browse Source
This commit is contained in:
zhangkun9038@dingtalk.com 2025-09-28 13:08:08 +08:00
parent 2577aa74d6
commit d8b21219ae
2 changed files with 392 additions and 12 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

126
calculate_position_adjustments.sh Executable file
View File

@ -0,0 +1,126 @@
#!/bin/bash
# 设置默认值
MAX_ENTRY_ADJUSTMENTS=3
ADD_POSITION_CALLBACK=0.047
STAKE_DIVISOR=2.0
ADD_POSITION_MULTIPLIER=1.6
ADD_POSITION_GROWTH=2.0
INITIAL_STAKE=1000
# 显示帮助信息
show_help() {
echo "用法: $0 [选项...]"
echo ""
echo "计算FreqAI策略中的加仓相对降幅间隔和加仓金额"
echo ""
echo "选项:"
echo " -h, --help 显示此帮助信息并退出"
echo " -m, --max-entry-adjustments 最大加仓次数 (默认: 3)"
echo " -c, --callback 基础加仓回调百分比 (默认: 0.047)"
echo " -d, --divisor 加仓金额分母 (默认: 2.0)"
echo " -p, --multiplier 加仓间隔系数 (默认: 1.6)"
echo " -g, --growth 加仓金额增长因子 (默认: 2.0)"
echo " -s, --initial-stake 初始入场金额 (默认: 1000)"
echo ""
echo "示例:"
echo " $0 使用所有默认参数运行"
echo " $0 -m 3 -c 0.047 -d 2.0 -p 1.6 -g 2.0 -s 1000 使用指定参数运行"
echo " $0 --max-entry-adjustments 3 --callback 0.03 --multiplier 1 使用等距间隔策略"
echo ""
echo "计算公式:"
echo " 相对降幅间隔 = callback * (multiplier ^ (加仓次数-1))"
echo " 加仓金额 = (initial_stake / divisor) * (growth ^ 加仓次数)"
exit 0
}
# 处理命令行参数
while [[ $# -gt 0 ]]; do
case "$1" in
-h|--help)
show_help
;;
-m|--max-entry-adjustments)
MAX_ENTRY_ADJUSTMENTS="$2"
shift 2
;;
-c|--callback)
ADD_POSITION_CALLBACK="$2"
shift 2
;;
-d|--divisor)
STAKE_DIVISOR="$2"
shift 2
;;
-p|--multiplier)
ADD_POSITION_MULTIPLIER="$2"
shift 2
;;
-g|--growth)
ADD_POSITION_GROWTH="$2"
shift 2
;;
-s|--initial-stake)
INITIAL_STAKE="$2"
shift 2
;;
-*|--*)
echo "错误: 未知选项 $1"
echo "使用 -h 或 --help 查看帮助信息"
exit 1
;;
*)
# 忽略任何非选项参数
shift
;;
esac
done
# 打印当前设置
printf "当前参数设置:\n"
printf "最大加仓次数: %d\n" "$MAX_ENTRY_ADJUSTMENTS"
printf "基础回调百分比: %.6f\n" "$ADD_POSITION_CALLBACK"
printf "加仓金额分母: %.2f\n" "$STAKE_DIVISOR"
printf "加仓间隔系数: %.2f\n" "$ADD_POSITION_MULTIPLIER"
printf "加仓金额增长因子: %.2f\n" "$ADD_POSITION_GROWTH"
printf "初始入场金额: %.2f\n\n" "$INITIAL_STAKE"
# 打印表头
printf "%-10s %-20s %-20s\n" "加仓次数" "相对降幅间隔" "加仓金额"
printf "%-10s %-20s %-20s\n" "-------" "------------" "--------"
# 计算加仓（包括初始入场）
for i in $(seq 0 $MAX_ENTRY_ADJUSTMENTS); do
# 计算当前所需的加仓间隔百分比
if [ $i -eq 0 ]; then
# 第一次是初始入场，没有回调要求
callback="N/A"
else
# 计算当前回调百分比 = 基础间隔 * (系数 ^ (i-1))
callback=$(echo "$ADD_POSITION_CALLBACK * ($ADD_POSITION_MULTIPLIER ^ ($i-1))" | bc -l)
callback=$(printf "%.6f" $callback)
fi
# 计算加仓金额
if [ $i -eq 0 ]; then
# 第一次是初始入场
stake_amount=$INITIAL_STAKE
else
# 计算加仓金额: (initial_stake / stake_divisor) * (growth ^ i)
stake_amount=$(echo "($INITIAL_STAKE / $STAKE_DIVISOR) * ($ADD_POSITION_GROWTH ^ $i)" | bc -l)
stake_amount=$(printf "%.2f" $stake_amount)
fi
# 打印结果
printf "%-10d %-20s %-20s\n" "$i" "$callback" "$stake_amount"
done
# 计算累计投入
cumulative_stake=$(echo "$INITIAL_STAKE" | bc -l)
for i in $(seq 1 $MAX_ENTRY_ADJUSTMENTS); do
stake_amount=$(echo "($INITIAL_STAKE / $STAKE_DIVISOR) * ($ADD_POSITION_GROWTH ^ $i)" | bc -l)
cumulative_stake=$(echo "$cumulative_stake + $stake_amount" | bc -l)
done
cumulative_stake=$(printf "%.2f" $cumulative_stake)
printf "\n%s\n" "累计投入金额: $cumulative_stake"

278
freqtrade/templates/freqaiprimer.py
View File

@ -27,11 +27,165 @@ class FreqaiPrimer(IStrategy):
# 用于跟踪市场状态的数据框缓存
_dataframe_cache = None
# 用于存储币对的波动系数
_volatility_coefficients = {}
# 基准币对 (波动系数设为1.0)
_benchmark_pair = 'BTC/USDT'
# 稳定币列表 (波动系数设为0.0)
_stablecoins = ['USDT', 'USDC', 'BUSD', 'DAI', 'TUSD', 'USDP', 'GUSD', 'USTC']
# 波动系数缓存有效期 (分钟)
_volatility_cache_ttl = 60
# 上次计算波动系数的时间
_last_volatility_calculation = 0
def __init__(self, config=None):
"""初始化策略参数，调用父类初始化方法并接受config参数"""
super().__init__(config) # 调用父类的初始化方法并传递config
# 存储从配置文件加载的默认值
self._trailing_stop_positive_default = 0.004 # 降低默认值以更容易触发跟踪止盈
# 初始化基准币对和稳定币的波动系数
self._volatility_coefficients[self._benchmark_pair] = 1.0
for stablecoin in self._stablecoins:
# 处理所有稳定币交易对，如USDT/USDC等
for quote in self._stablecoins:
if stablecoin != quote:
pair = f'{stablecoin}/{quote}'
self._volatility_coefficients[pair] = 0.0
def _is_stablecoin_pair(self, pair: str) -> bool:
"""
判断一个交易对是否为稳定币交易对
参数:
- pair: 交易对，如 BTC/USDT
返回:
- bool: 是否为稳定币交易对
"""
try:
base, quote = pair.split('/')
return base in self._stablecoins and quote in self._stablecoins
except ValueError:
return False
def _calculate_volatility(self, pair: str, lookback_period: int = 200, timeframe: str = '1h') -> float:
"""
计算一个币对的波动率
参数:
- pair: 交易对，如 BTC/USDT
- lookback_period: 回看期K线数量，默认200
- timeframe: 时间框架，默认1h
返回:
- float: 波动率值
"""
try:
# 获取K线数据
dataframe = self.dp.get_pair_dataframe(pair=pair, timeframe=timeframe)
# 确保有足够的K线数据
if len(dataframe) < lookback_period:
logger.warning(f"[{pair}] 没有足够的{timeframe} K线数据，需要{lookback_period}根，当前只有{len(dataframe)}根")
# 如果数据不足，返回0.0或默认值
return 0.0
# 获取最近的K线数据
recent_data = dataframe.iloc[-lookback_period:].copy()
# 计算收益率 (收盘价变化百分比)
recent_data['returns'] = recent_data['close'].pct_change()
# 计算对数收益率 (更适合波动率计算)
recent_data['log_returns'] = np.log(recent_data['close'] / recent_data['close'].shift(1))
# 使用对数收益率的标准差作为波动率指标
volatility = recent_data['log_returns'].std() * np.sqrt(24) # 年化波动率 (假设1天24小时)
return volatility
except Exception as e:
logger.error(f"[{pair}] 计算波动率时出错: {str(e)}")
return 0.0
def _calculate_relative_volatility_coefficient(self, pair: str) -> float:
"""
计算相对波动系数（以BTC/USDT为基准）
参数:
- pair: 交易对，如 ETH/USDT
返回:
- float: 相对波动系数
"""
try:
# 检查是否为稳定币交易对
if self._is_stablecoin_pair(pair):
return 0.0
# 检查是否为基准币对
if pair == self._benchmark_pair:
return 1.0
# 计算当前币对的波动率
pair_volatility = self._calculate_volatility(pair)
# 计算基准币对的波动率
benchmark_volatility = self._calculate_volatility(self._benchmark_pair)
# 避免除以0的情况
if benchmark_volatility == 0:
logger.warning(f"基准币对 {self._benchmark_pair} 的波动率为0，无法计算相对波动系数")
return 0.0
# 计算相对波动系数
relative_coefficient = pair_volatility / benchmark_volatility
return relative_coefficient
except Exception as e:
logger.error(f"[{pair}] 计算相对波动系数时出错: {str(e)}")
return 0.0
def get_volatility_coefficient(self, pair: str) -> float:
"""
获取币对的波动系数（带缓存机制）
参数:
- pair: 交易对，如 ETH/USDT
返回:
- float: 波动系数（稳定币为0.0，BTC/USDT为1.0，其他币对相对于BTC波动程度）
"""
try:
# 优先从缓存中获取，无需每次都检查时间戳
# 这确保了在同一交易周期内多次调用时直接返回缓存值
if pair in self._volatility_coefficients:
# 检查是否为基准币对或稳定币对（它们的波动系数固定）
if pair == self._benchmark_pair or self._is_stablecoin_pair(pair):
return self._volatility_coefficients[pair]
# 获取当前时间戳（分钟）
current_time = int(datetime.datetime.now().timestamp() / 60)
# 对于非固定波动系数的币对，检查缓存是否有效
if current_time - self._last_volatility_calculation < self._volatility_cache_ttl:
return self._volatility_coefficients[pair]
# 计算新的波动系数
coefficient = self._calculate_relative_volatility_coefficient(pair)
# 更新缓存
self._volatility_coefficients[pair] = coefficient
# 如果是首次计算或者缓存已过期，更新最后计算时间
current_time = int(datetime.datetime.now().timestamp() / 60)
if current_time - self._last_volatility_calculation >= self._volatility_cache_ttl:
self._last_volatility_calculation = current_time
# 日志记录
logger.info(f"更新了波动系数缓存，当前时间: {current_time}, 上一次计算时间: {self._last_volatility_calculation}")
# 日志记录 - 仅在计算新值时记录
logger.info(f"[{pair}] 波动系数: {coefficient:.4f}")
return coefficient
except Exception as e:
logger.error(f"[{pair}] 获取波动系数时出错: {str(e)}")
# 如果出错，返回默认值1.0（假设与BTC波动相当）
return 1.0
@property
def protections(self):
@ -104,7 +258,7 @@ class FreqaiPrimer(IStrategy):
# 定义可优化参数
# -m 4 -c 0.045 -g 4.5 -p 1.22 -d 9.3 -s 75
max_entry_adjustments = IntParameter(2, 5, default=3, optimize=True, load=True, space='buy') # 最大加仓次数
add_position_callback = DecimalParameter(0.02, 0.06, decimals=3, default=0.045, optimize=False, load=True, space='buy') # 加仓回调百分比
add_position_callback = DecimalParameter(0.02, 0.06, decimals=3, default=0.045, optimize=True, load=True, space='buy') # 加仓回调百分比
add_position_growth = DecimalParameter(1.5, 3.0, decimals=2, default=4.5, optimize=False, load=True, space='buy') # 加仓金额增长因子，保留2位小数用于hyperopt优化
add_position_multiplier = DecimalParameter(0.2, 10.5, decimals=2, default=1.22, optimize=False, load=True, space='buy') # 加仓间隔系数，保留2位小数用于hyperopt优化
stake_divisor = DecimalParameter(2.0, 12.0, decimals=2, default=9.3, optimize=False, load=True, space='buy') # 加仓金额分母（小数类型，保留2位小数）
@ -520,35 +674,44 @@ class FreqaiPrimer(IStrategy):
last_candle = dataframe.iloc[-1]
atr = last_candle['atr']
# 获取当前币对的波动系数
volatility_coef = self.get_volatility_coefficient(pair)
# 获取当前市场状态
current_state = dataframe['market_state'].iloc[-1] if 'market_state' in dataframe.columns else 'unknown'
# 更激进的渐进式止损策略
# 基础止损倍数
base_multiplier = 1.2
# 根据波动系数调整止损倍数
adjusted_multiplier = base_multiplier * volatility_coef
# 更激进的渐进式止损策略，同时考虑波动系数
if current_profit > 0.05: # 利润超过5%时
return -3.0 * atr / current_rate # 更大幅扩大止损范围，让利润奔跑
return -3.0 * adjusted_multiplier * atr / current_rate
elif current_profit > 0.03: # 利润超过3%时
return -2.5 * atr / current_rate # 更中等扩大止损范围
return -2.5 * adjusted_multiplier * atr / current_rate
elif current_profit > 0.01: # 利润超过1%时
return -2.0 * atr / current_rate # 更轻微扩大止损范围
return -2.0 * adjusted_multiplier * atr / current_rate
# 在强劲牛市中，即使小亏损也可以容忍更大回调
if current_state == 'strong_bull' and current_profit > -0.01:
return -1.5 * atr / current_rate
return -1.5 * adjusted_multiplier * atr / current_rate
# 动态调整止损范围
if current_profit > 0.05: # 利润超过5%时
return -3.0 * atr / current_rate # 更大幅扩大止损范围，让利润奔跑
return -3.0 * adjusted_multiplier * atr / current_rate
elif current_profit > 0.03: # 利润超过3%时
return -2.5 * atr / current_rate # 更中等扩大止损范围
return -2.5 * adjusted_multiplier * atr / current_rate
elif current_profit > 0.01: # 利润超过1%时
return -2.0 * atr / current_rate # 更轻微扩大止损范围
return -2.0 * adjusted_multiplier * atr / current_rate
# 在强劲牛市中，即使小亏损也可以容忍更大回调
if current_state == 'strong_bull' and current_profit > -0.01:
return -1.8 * atr / current_rate
return -1.8 * adjusted_multiplier * atr / current_rate
if atr > 0:
return -1.2 * atr / current_rate # 基础1.2倍ATR止损
return -adjusted_multiplier * atr / current_rate
return self.stoploss
def custom_exit(self, pair: str, trade: Trade, current_time: datetime, current_rate: float,
@ -560,6 +723,9 @@ class FreqaiPrimer(IStrategy):
if trade_age_minutes < 0:
trade_age_minutes = 0
# 获取当前币对的波动系数
volatility_coef = self.get_volatility_coefficient(pair)
# 使用可优化的线性函数: y = (a * (x + k)) + t
a = self.roi_param_a.value # 系数a (可优化参数)
k = self.roi_param_k.value # 偏移量k (可优化参数)
@ -588,6 +754,11 @@ class FreqaiPrimer(IStrategy):
exit_ratio = 1.0
if entry_tag == 'strong_trend':
exit_ratio *= 0.8
# 根据波动系数调整退出比例
# 波动率低的币对可以更激进（降低退出比例，持有更长时间）
# 波动率高的币对需要更保守（增加退出比例，更快锁定利润）
exit_ratio = max(0.0, min(1.0, exit_ratio * volatility_coef))
if dynamic_roi_threshold < 0:
exit_ratio = 1.0
@ -630,7 +801,10 @@ class FreqaiPrimer(IStrategy):
current_state = dataframe['market_state'].iloc[-1] if 'market_state' in dataframe.columns else 'neutral'
# 计算当前所需的加仓间隔百分比 = 基础间隔 * (系数 ^ 已加仓次数)
current_callback = self.add_position_callback.value * (self.add_position_multiplier.value ** adjustment_count)
# 获取当前币对的波动系数，用于动态调整回调百分比
volatility_coef = self.get_volatility_coefficient(pair)
# 回调百分比 = 基础回调 * (系数 ^ 已加仓次数) * 波动系数
current_callback = self.add_position_callback.value * (self.add_position_multiplier.value ** adjustment_count) * volatility_coef
if price_diff_pct <= -current_callback:
# 计算初始入场金额
@ -649,3 +823,83 @@ class FreqaiPrimer(IStrategy):
# 不符合加仓条件，返回0
return 0.0
def custom_stake_amount(self, pair: str, current_time: datetime, **kwargs) -> float:
"""
根据波动系数动态调整初始仓位大小
- 波动率高的币对分配较小的仓位
- 波动率低的币对可以分配较大的仓位
"""
# 获取当前币对的波动系数
volatility_coef = self.get_volatility_coefficient(pair)
# 获取默认的基础仓位大小
default_stake = self.stake_amount
# 根据波动系数调整仓位大小
# 波动率与仓位大小成反比关系
# 基础逻辑：波动率高的币对仓位较小，波动率低的币对仓位较大
if volatility_coef > 0:
# 使用平方根函数来降低极端波动的影响
adjusted_stake = default_stake * min(1.5, max(0.5, 1.0 / (volatility_coef ** 0.5)))
else:
# 如果波动系数无法获取，使用默认仓位
adjusted_stake = default_stake
# 确保调整后的仓位在允许的范围内
adjusted_stake = max(self.min_stake_amount, min(adjusted_stake, self.stake_amount))
#logger.info(f"[{pair}] 基于波动系数调整仓位: 波动系数={volatility_coef:.2f}, 默认仓位={default_stake:.2f}, 调整后仓位={adjusted_stake:.2f}")
return adjusted_stake
def confirm_trade_entry(
self,
pair: str,
order_type: str,
amount: float,
rate: float,
time_in_force: str,
current_time: datetime,
entry_tag: str | None,
side: str,
**kwargs,
) -> bool:
"""
交易买入前的确认函数，用于最终决定是否执行交易
此处实现剧烈拉升检查逻辑，并根据波动系数调整入场条件
"""
# 默认允许交易
allow_trade = True
# 仅对多头交易进行检查
if side == 'long':
# 获取当前币对的波动系数
volatility_coef = self.get_volatility_coefficient(pair)
# 检查是否处于剧烈拉升的不稳固区域
is_unstable_region = self.detect_h1_rapid_rise(pair)
# 基于波动系数调整入场条件的严格程度
# 波动率高的币对，入场条件更加严格
# 波动率低的币对，入场条件可以适当放宽
if is_unstable_region:
#logger.info(f"[{pair}] 由于检测到剧烈拉升，取消入场交易")
allow_trade = False
# 如果币对波动率非常高，可以增加额外的入场限制
if volatility_coef > 2.0:
# 对于高波动币对，可以要求更严格的入场条件
# 例如，检查当前价格是否高于某个移动平均线
dataframe, _ = self.dp.get_analyzed_dataframe(pair, self.timeframe)
if len(dataframe) > 20:
current_price = dataframe['close'].iloc[-1]
sma20 = dataframe['sma'].iloc[-1] if 'sma' in dataframe.columns else 0
# 对于高波动币对，要求当前价格必须显著高于均线才允许入场
if sma20 > 0 and (current_price / sma20) < 1.01:
#logger.info(f"[{pair}] 由于高波动率且价格未显著高于均线，取消入场交易")
allow_trade = False
# 如果没有阻止因素，允许交易
return allow_trade