加密货币和量化：7.AI配置

使用 freqAI 可以做什么

完成配置后可以使用 freqAI 去获得一个

使用 freqtrade 需要准备什么

strategy
configuration file
model
他们的路径在这里

freqtrade/templates/FreqaiExampleStrategy.py, freqtrade/freqai/prediction_models/LightGBMRegressor.py, and config_examples/config_freqai.example.json, respectively.

设置配置文件

    "freqai": {
        "enabled": true,
        "purge_old_models": 2,
        "train_period_days": 30, //用于训练数据的天数
        "backtest_period_days": 7,
        "identifier" : "unique-id",
        "feature_parameters" : {
            "include_timeframes": ["5m","15m","4h"],
            "include_corr_pairlist": [
                "ETH/USD",
                "LINK/USD",
                "BNB/USD"
            ],
            "label_period_candles": 24,
            "include_shifted_candles": 2,
            "indicator_periods_candles": [10, 20]
        },
        "data_split_parameters" : {
            "test_size": 0.25
        }
    }

设置策略


    startup_candle_count: int = 20

    def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:


        dataframe = self.freqai.start(dataframe, metadata, self)

        return dataframe

    def feature_engineering_expand_all(self, dataframe: DataFrame, period, **kwargs) -> DataFrame:

        dataframe["%-rsi-period"] = ta.RSI(dataframe, timeperiod=period)
        dataframe["%-mfi-period"] = ta.MFI(dataframe, timeperiod=period)
        dataframe["%-adx-period"] = ta.ADX(dataframe, timeperiod=period)
        dataframe["%-sma-period"] = ta.SMA(dataframe, timeperiod=period)
        dataframe["%-ema-period"] = ta.EMA(dataframe, timeperiod=period)

        return dataframe

    def feature_engineering_expand_basic(self, dataframe: DataFrame, **kwargs) -> DataFrame:

        dataframe["%-pct-change"] = dataframe["close"].pct_change()
        dataframe["%-raw_volume"] = dataframe["volume"]
        dataframe["%-raw_price"] = dataframe["close"]
        return dataframe

    def feature_engineering_standard(self, dataframe: DataFrame, **kwargs) -> DataFrame:

        dataframe["%-day_of_week"] = (dataframe["date"].dt.dayofweek + 1) / 7
        dataframe["%-hour_of_day"] = (dataframe["date"].dt.hour + 1) / 25
        return dataframe

    def set_freqai_targets(self, dataframe: DataFrame, **kwargs) -> DataFrame:

        dataframe["&-s_close"] = (
            dataframe["close"]
            .shift(-self.freqai_info["feature_parameters"]["label_period_candles"])
            .rolling(self.freqai_info["feature_parameters"]["label_period_candles"])
            .mean()
            / dataframe["close"]
            - 1
            )
        return dataframe

startup_candle_count，策略的启动时期，策略的启动时期，是指在这个时间内，指标的计算会有误差，但具体的启动时间是多长时间，为了解决这个问题，给策略分配 startup_candle_count 这个属性，该值是计算指标所需要的最大周期，例如

startup_candle_count = 100
dataframe['ema100'] = ta.EMA(dataframe, timeperiod=100)

动态阀门
变量表
时间关键帧
特点
字典
安装前提

注意事项
不能与 VolumePairlists
但是可以和 ShufflePairlist VolumePairlist

启动 freqAI

freqtrade trade --config config_examples/config_freqai.example.json --strategy FreqaiExampleStrategy --freqaimodel LightGBMRegressor --strategy-path freqtrade/templates

当你启动 freqAI 后，他会立即生成新的模型，如果你希望在启动半小时后才开始训练新的模型

    "freqai": {
        "live_retrain_hours": 0.5
    }

或者告诉 freqAI 避免早于半小时开始训练

    "freqai": {
        "expired_hours": 0.5
    }

如果想要清空旧的模型，节省磁盘空间

    "freqai": {
        "purge_old_models": true
    }

如果想使用已经训练的模型，指定 identifier

    "freqai": {
        "identifier": "example",
    }

然后 freqAI 会根据所有的配置自动下载需要的数据（如果没有的话）
回测
回测模式不同于之前，需要提前下载数据，并且时间范围要更大一些
启动回测模式的命令

freqtrade backtesting --strategy FreqaiExampleStrategy --strategy-path freqtrade/templates --config config_examples/config_freqai.example.json --freqaimodel LightGBMRegressor --timerange 20210501-20210701