加密貨幣和量化：7.AI配置

使用 freqAI 可以做什麼

完成配置後可以使用 freqAI 去獲得一個

使用 freqtrade 需要準備什麼

strategy
configuration file
model
他們的路徑在這裡

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

設置配置文件

    "freqai": {
        "enabled": true,
        "purge_old_models": 2,
        "train_period_days": 30, //用於訓練數據的天數
        "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
        }
    }

設置策略


    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，策略的啟動時期，策略的啟動時期，是指在這個時間內，指標的計算會有誤差，但具體的啟動時間是多長時間，為了解決這個問題，給策略分配 startup_candle_count 這個屬性，該值是計算指標所需要的最大周期，例如

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

動態閥門
變量表
時間關鍵幀
特點
字典
安裝前提

注意事項
不能與 VolumePairlists
但是可以和 ShufflePairlist VolumePairlist

啟動 freqAI

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

當你啟動 freqAI 後，他會立即生成新的模型，如果你希望在啟動半小時後才開始訓練新的模型

    "freqai": {
        "live_retrain_hours": 0.5
    }

或者告訴 freqAI 避免早於半小時開始訓練

    "freqai": {
        "expired_hours": 0.5
    }

如果想要清空舊的模型，節省磁盤空間

    "freqai": {
        "purge_old_models": true
    }

如果想使用已經訓練的模型，指定 identifier

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

然後 freqAI 會根據所有的配置自動下載需要的數據（如果沒有的話）
回測
回測模式不同於之前，需要提前下載數據，並且時間範圍要更大一些
啟動回測模式的命令

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