Freqtrade 新手指南：回测并模拟交易你的第一个加密货币机器人

如果你曾经想过是否可以自动化加密货币交易，又不愿意为昂贵的订阅机器人付费，那么 Freqtrade 可能是你第一个应该尝试的项目。它是免费的、开源的、活跃维护的，并且让你对策略拥有完全控制权。你可以用 Python 编写规则，用多年历史数据进行测试，并在冒一分钱风险之前先用模拟交易模式运行。

本指南面向完全的新手。我们将介绍 Freqtrade 是什么、如何安装、如何配置 config.json、如何编写简单策略、如何回测，以及如何安全地运行你的第一个 dry-run 机器人。我们也会诚实地讨论风险，因为没有任何机器人是印钞机。

什么是 Freqtrade？

Freqtrade 是一个用 Python 编写的开源加密货币交易机器人框架。它通过流行的 CCXT 库连接交易所，下载市场数据，根据你定义的策略执行交易，并通过内置网页界面或 Telegram 机器人报告结果。

与黑盒 SaaS 机器人不同，Freqtrade 把所有逻辑都暴露给你。这意味着你可以：

• 定义精确的入场和出场规则。
• 组合多个技术指标。
• 使用对机器学习友好的工具优化超参数。
• 对多年历史数据进行回测。
• 在 dry-run 模式下交易，模拟真实交易所行为。
• 在笔记本电脑、树莓派或云服务器上部署同一个机器人。

代价是你需要熟悉命令行和基础 Python。如果这听起来令人生畏，别担心。到本文结束时，你将拥有一个可用的机器人配置，并可以按自己的节奏扩展它。

Freqtrade 核心概念

在安装任何东西之前，先了解 Freqtrade 使用的术语会很有帮助。

理解这些术语会让接下来的指南更容易跟上。

安装

Freqtrade 可以在 Linux、macOS 以及通过 Docker 或 WSL 在 Windows 上运行。对于新手，推荐的路径是 Docker，因为它能避免 Python 环境配置带来的麻烦。如果你已经安装 Python 3.10 或更高版本，并且熟悉 pip，原生安装也可以。

方案 A：Docker 安装

确保已安装 Docker 和 Docker Compose。然后创建一个目录存放机器人，并运行官方安装脚本。

mkdir ~/freqtrade-bot && cd ~/freqtrade-bot
curl https://raw.githubusercontent.com/freqtrade/freqtrade/stable/docker-compose.yml -o docker-compose.yml
docker compose pull
docker compose run --rm freqtrade create-userdir --userdir user_data

最后一条命令会创建一个 user_data 文件夹，用于存放配置、策略和历史数据。

方案 B：原生安装

在 Ubuntu 或带有 Homebrew Python 的 macOS 上，运行：

git clone https://github.com/freqtrade/freqtrade.git
cd freqtrade
git checkout stable
./setup.sh -i

安装脚本会创建虚拟环境并安装所有依赖。激活环境：

source .venv/bin/activate

验证安装

安装完成后，检查版本：

docker compose run --rm freqtrade --version
# 原生安装：
freqtrade --version

如果显示了版本号，你就可以开始配置机器人了。

配置 config.json

Freqtrade 将主要设置存放在 config.json 中。你可以用以下命令生成一个初始模板。

docker compose run --rm freqtrade new-config --config user_data/config.json

交互式向导会询问你交易所、API 密钥和默认策略名称。在本教程中，请选择 Binance 或 Bybit，并在提示时启用 dry-run 模式。

最小可用配置

下面是一个简化版的新手应了解的设置。你不需要记住每个字段，重点关注这张表中的内容即可。

一个最小的 config.json 看起来像这样：

{
  "max_open_trades": 3,
  "stake_currency": "USDT",
  "stake_amount": "unlimited",
  "dry_run": true,
  "dry_run_wallet": 1000,
  "timeframe": "5m",
  "cancel_open_orders_on_exit": false,
  "trading_mode": "spot",
  "exchange": {
    "name": "binance",
    "key": "",
    "secret": "",
    "ccxt_config": {},
    "ccxt_async_config": {},
    "pair_whitelist": [
      "BTC/USDT",
      "ETH/USDT",
      "SOL/USDT",
      "ADA/USDT"
    ]
  },
  "pairlists": [
    { "method": "StaticPairList" }
  ],
  "bot_name": "freqtrade-beginner",
  "initial_state": "running",
  "force_entry_enable": false,
  "internals": {
    "process_throttle_secs": 5
  }
}

API 密钥安全

即使在 dry-run 模式下，也建议创建一个不能提现的 API 密钥。在你的交易所中，关闭提现权限，并将密钥限制为机器人运行所在 IP。将密钥保存在版本控制之外；永远不要提交包含真实凭证的 config.json。

编写你的第一个 Python 策略

策略存放在 user_data/strategies/ 目录下。每个策略都是一个继承自 IStrategy 的 Python 类，并实现几个关键方法。机器人每根 K 线调用策略，以决定是否入场、出场或调整仓位。

创建策略文件

创建 user_data/strategies/FirstStrategy.py 并添加以下入门代码。

from freqtrade.strategy import IStrategy
from pandas import DataFrame
import talib.abstract as ta
import freqtrade.vendor.qtpylib.indicators as qtpylib
 
class FirstStrategy(IStrategy):
    INTERFACE_VERSION = 3
 
    timeframe = "5m"
    stoploss = -0.10
    trailing_stop = True
    trailing_stop_positive = 0.05
    trailing_only_offset_is_reached = False
 
    minimal_roi = {
        "0": 0.15,
        "120": 0.05,
        "240": 0.025,
        "360": 0
    }
 
    def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        dataframe["ema9"] = ta.EMA(dataframe, timeperiod=9)
        dataframe["ema21"] = ta.EMA(dataframe, timeperiod=21)
        dataframe["rsi"] = ta.RSI(dataframe, timeperiod=14)
        dataframe["volume_mean"] = dataframe["volume"].rolling(window=20).mean()
        return dataframe
 
    def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        dataframe.loc[
            (
                (dataframe["ema9"] > dataframe["ema21"]) &
                (dataframe["ema9"].shift(1) <= dataframe["ema21"].shift(1)) &
                (dataframe["rsi"] > 50) &
                (dataframe["rsi"] < 70) &
                (dataframe["volume"] > dataframe["volume_mean"])
            ),
            "enter_long"
        ] = 1
        return dataframe
 
    def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        dataframe.loc[
            (
                (dataframe["ema9"] < dataframe["ema21"]) &
                (dataframe["ema9"].shift(1) >= dataframe["ema21"].shift(1))
            ),
            "exit_long"
        ] = 1
        return dataframe

策略如何工作

该策略使用两条指数移动平均线和 RSI 来寻找上升趋势中的做多入场点。

当快线 EMA 上穿慢线 EMA、RSI 介于 50 到 70 之间、且成交量高于 20 根 K 线平均值时，入场规则触发。反向交叉时触发出场规则。

这不是圣杯，而是一个教学示例。真实策略通常需要更多过滤器、市场状态识别以及稳健的风险管理。

策略文件检查清单

在回测之前，请确保你的策略文件满足以下要求。

如果缺少任何一项，Freqtrade 将拒绝加载策略并打印有用的错误信息。

下载历史数据

回测需要历史 K 线。Freqtrade 提供数据下载命令，可从你的交易所获取数据。

docker compose run --rm freqtrade download-data \
  --config user_data/config.json \
  --timeframes 5m 1h \
  --days 365 \
  --pairs BTC/USDT ETH/USDT SOL/USDT ADA/USDT

如果需要更长时间的回测，可以增加 --days 或使用 --timerange。首次下载可能需要几分钟。数据存储在 user_data/data/<exchange>/ 目录下。

回测你的策略

回测是许多初学者爱上自动化交易的地方。它展示策略在过去表现如何。请记住：过去的表现不代表未来的结果。

运行回测的命令如下：

docker compose run --rm freqtrade backtesting \
  --config user_data/config.json \
  --strategy FirstStrategy \
  --timeframe 5m \
  --timerange 20250101-20260701

运行结束后，Freqtrade 会打印汇总表格。请关注以下指标。

解读结果

假设你的回测显示总收益率 42%、盈亏比 1.3、最大回撤 18%。表面上看不错，但要问自己：

• 策略是否依赖一两笔巨大盈利？
• 策略在熊市中表现如何，还是只在强牛市中有效？
• 手续费和滑点是否对你的账户规模现实？
• 你是否在用同一批数据训练和测试参数？

如果策略在训练数据上表现完美，但在新数据上失败，就叫做过拟合。减少过拟合最简单的方法是保持参数数量少，并在策略未见过的数据上验证结果。

滚动前向测试

验证策略的一种简单方法是滚动前向分析。将历史分为多个阶段，在一个阶段优化，在下一阶段测试。如果策略在多个未见过的阶段都保持盈利，它更可能是稳健的。

只有在这三个阶段看起来都合理后，你才应该考虑小额真实交易。

在 Dry-Run 模式下运行机器人

Dry-run 是 Freqtrade 的模拟交易模式。它根据实时订单簿模拟订单执行，因此你可以观察机器人在真实市场条件下的行为，而无需承担资金风险。

启动机器人的命令：

docker compose run --rm freqtrade trade \
  --config user_data/config.json \
  --strategy FirstStrategy

如果你的配置中 "dry_run": true，机器人会记录它正在 dry-run 模式下运行，并且不会下真实订单。它仍会获取实时价格、开设模拟仓位并报告模拟利润。

监控机器人

Freqtrade 默认在 8080 端口提供网页界面。在 config.json 中添加以下内容启用：

"api_server": {
  "enabled": true,
  "listen_ip_address": "0.0.0.0",
  "listen_port": 8080,
  "username": "admin",
  "password": "change-me-please"
}

在浏览器中打开 http://localhost:8080。你可以看到当前持仓、每日利润、总利润和交易历史表格。你还可以执行强制操作、暂停机器人以及查看日志。

Dry-Run 最佳实践

在考虑真实交易之前，至少运行几周 dry-run。在此期间，观察：

• 高波动事件期间是否出现意外入场。
• 止损触发频率是否高于回测显示。
• 是否出现 API 错误或交易所速率限制。
• 模拟成交价与交易所图表上的实际价格是否存在差距。

记录机器人行为的交易日志。例如「机器人在闪崩期间三次入场」这样的笔记有助于你以后改进过滤器。

风险与合理预期

每个新手都应了解最常见的失败模式。

一个有用的心态是：把机器人当成洗碗机，而不是老虎机。它自动化的是你已理解的过程。如果你的手动策略本身不盈利，自动化只会更快地亏钱。

下一步可以去哪里

完成第一次回测和 dry-run 后，你可以从几个方向深入 Freqtrade 技能。

• Hyperopt： 使用 Freqtrade 内置优化器搜索更优参数值，但要注意过拟合。
• Pairlist 过滤器： 用成交量、波动率或表现过滤器替代静态白名单，让机器人适应市场变化。
• Protections： 添加冷静期、止损保护和最大回撤保护，以限制糟糕时期的损失。
• 自定义指标： 将 TA-Lib 指标与自定义 pandas 逻辑结合。
• Telegram 提醒： 配置 Telegram 机器人，接收入场、出场和错误通知。

这些主题每一项都可以单独成文。一次只深入一个方向，而不是在第一天就试图打造完美机器人。

常见问题

以下是初学者关于 Freqtrade 最常问的问题及解答。

什么是 Freqtrade，它适合谁？

Freqtrade 是一个用 Python 编写的开源加密货币交易机器人。它适合希望自动化策略、执行回测并在交易所进行模拟交易，而无需编写交易所相关底层代码的交易者。

使用 Freqtrade 需要会 Python 吗？

具备基础 Python 会更有帮助，因为策略是用 Python 编写的。不过，你可以从内置的示例策略开始，边用边学地修改它们。

Freqtrade 是免费的吗？

是的，Freqtrade 本身基于 MIT 协议开源免费。你只需支付交易所的交易手续费以及可选的云服务器托管费用。

Freqtrade 可以用真实资金交易吗？

可以，但新手应始终先使用 dry-run（模拟交易）模式。真实交易需要交易所 API 密钥，并存在亏损风险。

Freqtrade 支持哪些交易所？

Freqtrade 通过 CCXT 库支持许多主流交易所，包括 Binance、Bybit、OKX、Kraken、KuCoin 和 Gate.io 等。请始终以官方文档中的最新支持列表为准。

如何判断我的策略是否有盈利能力？

在历史数据上运行回测，然后在 dry-run 模式下进行数周的前向测试。永远不要假设回测结果能保证未来盈利。

运行加密货币交易机器人有哪些主要风险？

风险包括市场回撤、过拟合策略、交易所宕机、API 密钥泄露、滑点，以及在连续亏损期间关闭风控等行为错误。

结语

Freqtrade 是学习算法化加密货币交易最好的免费工具之一。它迫使你从规则、风险和证据的角度思考，而不是凭直觉。从 dry-run 开始，保持首个策略简单，并把每一次回测都视为需要前向验证的假设。构建一个可靠的交易机器人需要时间，但你在过程中学到的技能将比任何单一策略更持久。

准备好深入了吗？今天就下载 Freqtrade，复制本文的策略，运行你的第一次回测。