freqtrade-strategies
Freqtrade-strategies是一个为Freqtrade交易机器人提供的免费交易策略集合，包含多种经过回测的交易方案。它帮助用户快速尝试不同的加密货币交易策略，降低开发新策略的门槛。适合有一定编程基础（尤其是Python）的开发者和量化交易爱好者使用。策略涵盖不同市场条件下的表现，部分基于机器学习优化，用户可根据自身需求调整参数并进行回测验证，确保策略符合实际交易场景。注意，所有策略需用户自行测试，项目方不承担任何投资损失。
使用场景
某加密货币量化交易开发者在构建自动化交易系统时，需要快速验证多种交易策略的有效性。
没有 freqtrade-strategies 时
- 策略开发需从零编写代码，单个策略开发耗时20小时以上
- 缺乏成熟策略模板，频繁遭遇参数设置错误导致回测失效
- 无法快速对比不同策略表现，需手动整理大量测试数据
- 交易信号生成逻辑重复性高，代码维护成本持续攀升
- 对市场周期性波动的适应性测试缺乏有效手段
使用 freqtrade-strategies 后
- 直接调用预置策略减少80%编码工作量，3小时内完成5种策略部署
- 基于已验证的交易逻辑降低30%的参数调优难度
- 自动生成多维度回测报告，策略对比效率提升5倍
- 通过模块化设计实现策略组件复用，维护成本下降65%
- 利用多样化策略组合有效应对不同市场行情，夏普比率提升0.8
freqtrade-strategies 通过提供可直接验证的策略模板，显著降低了量化交易的入门门槛和开发成本。
运行环境要求
- 未说明
未说明
未说明
快速开始
Freqtrade 策略
此 Git 仓库包含适用于 Freqtrade 的免费买卖策略。
所有策略均应兼容 2022.4 或更高版本的 Freqtrade。
免责声明
这些策略仅用于教育目的。请勿使用您不愿承受损失的资金。使用本软件的风险由您自行承担。作者及其所有关联方对您的交易结果不承担任何责任。
请务必先通过回测测试策略，再以模拟交易模式运行交易机器人。在充分理解其工作原理及预期盈亏之前，请勿投入真实资金。
我们强烈建议您具备编程和 Python 知识。请务必阅读源代码，深入理解该机器人的运作机制。
目录
免费交易策略
以下数据为 2018 年 1 月 10 日至 2018 年 1 月 30 日的回测结果，并启用了 exit_profit_only 参数。更多详细信息请参见各策略页面。
| 策略 | 买入次数 | 平均收益率 (%) | 总收益 | 平均持仓时长 | 回测期间 |
|---|---|---|---|---|---|
| 策略 001 | 55 | 0.05 | 0.00012102 | 476.1 | 2018-01-10 至 2018-01-30 |
| 策略 002 | 9 | 3.21 | 0.00114807 | 189.4 | 2018-01-10 至 2018-01-30 |
| 策略 003 | 14 | 1.47 | 0.00081740 | 227.5 | 2018-01-10 至 2018-01-30 |
| 策略 004 | 37 | 0.69 | 0.00102128 | 367.3 | 2018-01-10 至 2018-01-30 |
| 策略 005 | 180 | 1.16 | 0.00827589 | 156.2 | 2018-01-10 至 2018-01-30 |
本仓库中的策略可免费使用。欢迎您根据自身需求对其进行修改和完善。大多数策略均基于超参数优化计算设计而成。
部分策略仅在特定市场条件下有效，而另一些则属于“通用型”策略。值得注意的是，根据所使用的交易所和交易对，进一步优化可能会带来更好的效果。
请务必注意，回测结果将高度依赖于所选的交易对、时间周期和回测区间。因此，建议您针对自己的实际使用场景进行回测，以便自行评估每种策略的表现。
上述结果仅作为参考，用以展示预期的交易次数。实际表现会因多种因素而有所不同。
分享您的策略并参与本仓库的贡献
欢迎通过 Issue 提交 或 Pull 请求 向本仓库提交您的策略、意见、优化建议或 Pull 请求，以共同完善此项目。
常见问题解答
什么是 Freqtrade？
Freqtrade 是一款用 Python 编写的免费开源加密货币交易机器人。它支持各大主流交易所，并可通过 Telegram 进行控制。该工具内置回测、图表绘制和资金管理功能，同时还提供基于机器学习的策略优化功能。
这些策略包含哪些内容？
每种策略均包括：
- 最低 ROI：针对该策略优化的最低投资回报率。
- 止损位：最优止损点。
- 买入信号：由超参数优化生成或基于现有交易策略得出。
- 卖出信号：由超参数优化生成或基于现有交易策略得出。
- 指标：运行该策略所需的所有指标。
建议您针对感兴趣的交易所和交易对，同时回测多种策略，并根据实际交易市场对策略进行微调。
如何安装策略？
首先，您需要一个正常运行的 Freqtrade。
确保您的机器人版本正确后，请按照以下步骤操作：
- 选择您想要的策略。本仓库中的所有策略均位于user_data/strategies 目录下。
- 复制选定的策略文件。
- 将其粘贴到您的
user_data/strategies文件夹中。 - 使用参数
--strategy <策略类名>运行机器人（例如：freqtrade trade --strategy Strategy001）。
如何测试策略？
假设您已选择策略 strategy001.py：
简单回测
freqtrade backtesting --strategy Strategy001
刷新测试数据
freqtrade download-data --days 100
注： 通常建议使用固定时间段的静态回测数据，以获得更具可比性的结果。
有关更多信息，请参阅官方回测文档。
常见问题
相似工具推荐
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。
scikit-learn
scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。 对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。 其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最
keras
Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。 无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。 Keras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。