myTestFreqAI/doc/freqai_trailing_stop.md

FreqAI 优化追踪止盈 (Trailing Stop) 功能文档

概述

本功能使用 FreqAI 机器学习模型预测最优的追踪止盈距离，实现动态的、自适应的追踪止盈策略。相比固定的 trailing_stop_positive 参数，FreqAI 可以根据每个交易对、每个时刻的市场特征预测最合适的追踪距离。

功能特点

1. 智能预测

• FreqAI 通过学习历史数据，预测"从最高点到后续最低点的最大回调"
• 自动适应不同币种的波动特性（高波动币种使用更宽的距离，低波动币种使用更紧的距离）
• 根据市场状态动态调整（强趋势行情使用小距离紧跟，震荡行情使用大距离避免被洗出）

2. 与原有逻辑兼容

• 不影响 stoploss 逻辑: 原有的分段止损策略（大盈利保护、小盈利保本、亏损快速断损）完全保留
• 仅在盈利时激活: 只在盈利超过 trailing_stop_positive_offset 时启用追踪止盈
• 优雅降级: 如果 FreqAI 预测不可用，自动回退到默认的 trailing_stop_positive 参数

3. 安全边界

• 预测值范围限制：0.2% - 3%
• 确保追踪止盈不低于 trailing_stop_positive_offset
• 避免过于激进或过于保守的追踪距离

实现原理

标签计算逻辑

在 set_freqai_targets() 中添加了 &-optimal_trailing_stop 标签：

def calculate_trailing_stop_distance(close_series, high_series, low_series, horizon):
    """
    对每个时间点，计算最优追踪止盈距离
    = 从最高点到后续最低点的最大回调
    """
    for i in range(len(close_series)):
        # 1. 获取未来 horizon 周期的高低价
        future_window_high = high_series[i:i+horizon]
        future_window_low = low_series[i:i+horizon]
        
        # 2. 找到最高价的位置
        max_high_value = future_window_high.max()
        
        # 3. 在最高价之后找最低价
        after_high_lows = future_window_low.iloc[high_position+1:]
        min_low_after_high = after_high_lows.min()
        
        # 4. 计算最大回调
        max_drawdown = (max_high_value - min_low_after_high) / max_high_value
        
        # 5. 追踪止盈距离 = 最大回调 * 0.6 (留 40% 缓冲)
        optimal_distance = max(0.002, min(max_drawdown * 0.6, 0.03))

核心思想: 如果历史数据显示某个币种在盈利后通常回调 2%，那么最优追踪距离应该是 1.2%（2% × 0.6），这样可以在回调开始前及时离场。

custom_stoploss 集成

def custom_stoploss(self, pair: str, trade: 'Trade', current_time, current_rate: float, 
                    current_profit: float, **kwargs) -> float:
    # === FreqAI 追踪止盈 (Trailing Stop) ===
    # 只在盈利超过 trailing_stop_positive_offset 时启用
    if self.trailing_stop and current_profit > self.trailing_stop_positive_offset:
        # 尝试从 FreqAI 获取最优追踪距离
        if '&-optimal_trailing_stop' in dataframe.columns:
            freqai_trailing_distance = float(last_candle['&-optimal_trailing_stop'])
            
            # 使用 FreqAI 预测的动态追踪距离
            trailing_stop_value = -(current_profit - freqai_trailing_distance)
            trailing_stop_value = max(trailing_stop_value, -self.trailing_stop_positive_offset)
            return trailing_stop_value
        
        # 没有 FreqAI 预测时，使用默认值
        trailing_stop_value = -(current_profit - self.trailing_stop_positive)
        return trailing_stop_value
    
    # === 以下是原有的 Stoploss 逻辑（不受影响） ===
    # 分段止损、市场状态调整等...

配置说明

1. 启用 Trailing Stop

在策略配置中需要启用追踪止盈：

# freqaiprimer.py 中的配置
trailing_stop = True
trailing_stop_positive_offset = 0.005  # 盈利超过 0.5% 时启用追踪

2. FreqAI 配置

确保 FreqAI 配置正确：

{
    "freqai": {
        "freqaimodel": "LightGBMMultiTargetRegressor",  // 必须使用回归模型
        "feature_parameters": {
            "label_period_candles": 100,  // 预测窗口，影响标签计算
            "include_timeframes": ["3m", "15m", "1h"]
        }
    }
}

3. 重新训练模型

由于添加了新的标签 &-optimal_trailing_stop，需要重新训练模型：

# 删除旧模型
rm -rf user_data/models/test58*

# 重启容器，触发训练
docker restart freqtrade

工作流程

┌─────────────────────────────────────────┐
│ 1. 训练阶段                              │
├─────────────────────────────────────────┤
│ • 计算每个时间点的最优追踪止盈距离        │
│ • FreqAI 学习：特征 → 最优距离的映射      │
│ • 模型保存                               │
└─────────────────────────────────────────┘
                  ↓
┌─────────────────────────────────────────┐
│ 2. 实时交易阶段                          │
├─────────────────────────────────────────┤
│ • 持仓中，盈利 > 0.5%                    │
│ • FreqAI 预测当前最优追踪距离             │
│ • custom_stoploss 返回动态止损值          │
└─────────────────────────────────────────┘
                  ↓
┌─────────────────────────────────────────┐
│ 3. 价格回调触发止损                      │
├─────────────────────────────────────────┤
│ • 价格从最高点回调超过预测距离            │
│ • 触发追踪止盈，自动平仓                 │
└─────────────────────────────────────────┘

实际效果示例

高波动币种 (如 MEME)

时刻 T1: 盈利 3%, FreqAI 预测追踪距离 2.5%
→ 止损设在 0.5% (3% - 2.5%)

时刻 T2: 盈利涨到 5%, 预测距离仍为 2.5%
→ 止损上移到 2.5% (5% - 2.5%)

时刻 T3: 价格回调到 2.4%
→ 触发追踪止盈，平仓，锁定 2.4% 利润

低波动币种 (如 BTC)

时刻 T1: 盈利 3%, FreqAI 预测追踪距离 0.8%
→ 止损设在 2.2% (3% - 0.8%)

时刻 T2: 盈利涨到 4%, 预测距离仍为 0.8%
→ 止损上移到 3.2% (4% - 0.8%)

时刻 T3: 价格回调到 3.1%
→ 触发追踪止盈，平仓，锁定 3.1% 利润

优势分析

相比固定参数

特性	固定 trailing_stop_positive	FreqAI 优化
适应性	所有币种统一参数	每个币种自动适应
市场感知	无	感知当前市场状态
学习能力	无	从历史数据学习
风险控制	可能过紧或过松	动态平衡收益和风险

典型场景

1. 强趋势行情: 模型学习到回调小，使用 0.5-1% 的紧追踪，最大化利润
2. 震荡行情: 模型学习到回调大，使用 2-3% 的宽追踪，避免被洗出
3. 高波动币种: 自动使用更宽的追踪距离（1.5-3%）
4. 稳定币种: 自动使用更紧的追踪距离（0.5-1%）

日志查看

实时交易时，可以通过日志查看 FreqAI 预测：

docker logs -f freqtrade | grep "optimal_trailing_stop"

预期输出：

[BTC/USDT] FreqAI 预测追踪止盈距离: 0.008 (0.8%)
[ETH/USDT] FreqAI 预测追踪止盈距离: 0.012 (1.2%)
[DOGE/USDT] FreqAI 预测追踪止盈距离: 0.025 (2.5%)

注意事项

1. 必须重新训练: 添加新标签后，必须删除旧模型重新训练
2. 回归模型: 必须使用 LightGBMMultiTargetRegressor 或其他回归模型，分类模型不支持
3. 数据充足: 建议至少有 train_period_days=12 以上的训练数据
4. 与 stoploss 独立: 此功能不影响亏损时的止损逻辑

故障排查

问题 1: 预测值一直是默认值

原因: 模型未训练或标签列不存在

解决:

# 检查模型目录
ls -la user_data/models/test58*/

# 查看最新训练日志
docker logs freqtrade | tail -100

# 删除旧模型重新训练
rm -rf user_data/models/test58* && docker restart freqtrade

问题 2: 追踪止盈不生效

原因: trailing_stop 未启用或利润未达到 trailing_stop_positive_offset

解决:

# 确认策略中配置
trailing_stop = True
trailing_stop_positive_offset = 0.005  # 0.5%

# 确认当前利润 > 0.5%

问题 3: 追踪距离异常

原因: 预测值超出范围或数据质量问题

解决:

# 检查预测值范围限制
if 0.002 <= predicted_distance <= 0.03:  # 0.2% - 3%
    freqai_trailing_distance = predicted_distance

参考资料

• Freqtrade Trailing Stop 文档
• FreqAI 标签定义文档
• 项目文件: /freqtrade/templates/freqaiprimer.py (Line 546-676, 1514-1620)

更新历史

• 2026-01-16: 初始实现，添加 &-optimal_trailing_stop 标签和 custom_stoploss 集成
• 分支: freq-ai-01a4416db 和 master