企业官网建设流程全解析

Freqtrade FreqAI 数据转换 5 步入门：如何把原始 K 线变成 PyTorch 模型输入

【免费下载链接】freqtradeFree, open source crypto trading bot项目地址: https://gitcode.com/GitHub_Trending/fr/freqtrade

这份教程带你用 Freqtrade 的 FreqAI 模块完成 AI 交易的数据转换全流程：从原始 K 线清洗、特征工程、滑动窗口切分训练集，到最终生成 PyTorch 张量并喂给深度学习模型。跟着 5 个步骤走，你不需要手写任何数据预处理代码，一次跑通第一个 AI 回测。

第一次写 AI 策略时，数据总不听话

你是不是也遇到过这种情况：K 线里前几十根全是 NaN，特征列里混着无穷大，训练集和测试集一划分就"泄露"了未来价格，模型回测收益漂亮得像画出来的——实盘却完全不复现。

这些坑本质上都是数据管道的问题。FreqAI（Freqtrade 内置的机器学习模块）把清洗、特征识别、时间切分、张量转换全部封装好了，你只负责定义"哪些列是特征、哪列是要预测的目标"，剩下的交给它。读完这篇，你能省掉至少几个小时的手写预处理工作，并直接拿到一个可运行的 PyTorch 模型回测。

FreqAI 数据管道能帮你做什么

准备工作：环境与依赖

先装好项目并准备 FreqAI + PyTorch 依赖，整个过程在终端里敲三条命令：

git clone https://gitcode.com/GitHub_Trending/fr/freqtrade cd freqtrade ./setup.sh -r requirements-freqai.txt # 基础依赖 + FreqAI 依赖 pip install torch # PyTorch 深度学习框架

前置条件只有三个：Python 3.9+、已安装 TA-Lib（setup.sh会提示）、一台有 8GB 内存的机器。如果只想用 LightGBM 等树模型验证流程，torch可以最后再装，先跑通再升级，能少踩一半的坑。

配置文件可以直接从示例改起，这份示例就是 FreqAI 的完整模板：

{ "freqai": { "enabled": true, "train_period_days": 15, "backtest_period_days": 7, "data_split_parameters": { "test_size": 0.33, "random_state": 1 } } }

这段在干什么：打开 FreqAI 开关，并声明"每 15 天训一次模型，之后 7 天用来验证"。

核心流程：5 步从原始 K 线到模型训练

第 1 步：创建 AI 策略并定义特征

新建策略时别从零写，直接基于官方示例改，它演示了全部约定：templates/FreqaiExampleStrategy.py。

关键就两点：特征列名前加%，标签列名前加&，FreqAI 靠这个命名约定自动识别：

def feature_engineering_expand_all(self, dataframe, period, metadata, **kwargs): # 一行代码，FreqAI 会自动把它展开到多个周期上 dataframe["%-rsi-period"] = ta.RSI(dataframe, timeperiod=period) dataframe["%-roc-period"] = ta.ROC(dataframe, timeperiod=period) return dataframe def set_freqai_targets(self, dataframe, metadata): # 标签：告诉模型"预测未来 20 根 K 线的收益率" label_period = self.dp.get_label_period() dataframe["&-s_close"] = dataframe["close"].shift(-label_period) return dataframe

注意shift(-label_period)：标签是"未来的值"，回测时它不会提前出现在训练数据里，这正是避免未来泄露的关键设计。

第 2 步：下载足够长的历史数据

这是新手最常翻车的一步。回测起点之前必须多下train_period_days+startup_candle_count的数据，否则第一个训练窗口根本凑不满。

freqtrade download-data --pairs BTC/USDT ETH/USDT \ --timeframe 5m --timerange 20240101-20240401

这段在干什么：按 5 分钟周期下载 3 个月数据。假设train_period_days是 15，回测从 20240201 开始，你就得保证 20240116 之前的数据也存在——上面的下载区间已经覆盖了。更精确的换算方法见 docs/freqai-running.md。

第 3 步：运行回测，观察数据管道工作

freqtrade backtesting --strategy FreqaiExampleStrategy \ --strategy-path freqtrade/templates \ --config config_examples/config_freqai.example.json \ --freqaimodel LightGBMRegressor --timerange 20240201-20240301

这段在干什么：跑一次完整回测。日志里你会看到滑动窗口一个接一个地推进，每个窗口内 FreqAI 自动完成：拉取数据 → 过滤坏行 → 提取%特征 → 按test_size切训练/验证 → 训练模型 → 在窗口尾部预测。回测结束后，模型文件会存进models_freqai/目录。

第 4 步：切换到 PyTorch 模型

想上深度学习？只需把--freqaimodel换成 PyTorch 模型，比如 MLP 回归器 freqai/prediction_models/PyTorchMLPRegressor.py：

freqtrade backtesting --freqaimodel PyTorchMLPRegressor \ --strategy MyFreqaiStrat --strategy-path user_data/strategies ...

训练超参在配置文件的model_training_parameters里给，不用改代码：

"model_training_parameters": { "learning_rate": 3e-4, "trainer_kwargs": { "n_steps": 5000, "batch_size": 64 }, "model_kwargs": { "hidden_dim": 512, "n_layer": 1 } }

第 5 步：确认张量转换已生效

模型内部的数据流长这样：DataKitchen 交出的train_featuresDataFrame，先经过 datasieve 管道标准化，再由DefaultPyTorchDataConvertor转成float32张量并送进 GPU：

# 源码位置：freqtrade/freqai/torch/PyTorchDataConvertor.py x = torch.tensor(df.values, device="cuda", dtype=torch.float32)

如果你要写时序模型（LSTM/Transformer），项目自带WindowDataset（freqtrade/freqai/torch/datasets.py），把 K 线序列按window_size切成"窗口特征 → 单点标签"的样本对，形状直接满足(批次, 时间步, 特征数)的时序模型输入要求。

关键参数与调优

这些是数据行为最敏感的旋钮，都藏在配置的freqai段里：

一个实用组合：新手先关掉 PCA（"principal_component_analysis": false）和异常值移除，用最简单的管道跑通；确认流程后再按需开启，出问题才好在日志里定位是数据还是模型。

常见坑与最快排错法

现象：日志提示"未找到特征"或模型输入是 0 维→ 原因：特征列名漏了%前缀，或标签漏了&。 → 解法：回策略里检查feature_engineering_*和set_freqai_targets两个函数，命名约定一个字母都不能少。

现象：训练样本被大量丢弃，日志里 NaN 比例偏高→ 原因：startup_candle_count不够，指标计算的前几十根 K 线全是空值。 → 解法：把策略里的startup_candle_count提到最大指标周期之上（示例里是 40，用长周期布林带就应更高），同时确认下载数据覆盖了这段前置期。

现象：回测一开始就报数据不足，或第一个窗口没训出模型→ 原因：回测起点之前没下载train_period_days的额外数据。 → 解法：按回测起点 − train_period_days − startup_candle_count往前补数据，文档 docs/freqai-running.md 里有逐步换算的例子。

现象：PyTorch 训练时报张量形状不匹配→ 原因：分类任务标签必须是torch.long，回归任务是float，两者弄反了。 → 解法：看DefaultPyTorchDataConvertor的target_tensor_type参数（freqtrade/freqai/torch/PyTorchDataConvertor.py），按任务类型选对 dtype。

进阶与延伸方向

流程跑通后，这几条路值得走：

• 特征重要性分析：配置里"plot_feature_importances": 20，训练后自动输出 Top20 特征图，快速淘汰无效指标。
• 训练过程可视化：接上 TensorBoard（tb_logger在训练器里已内置），损失曲线实时可查。
• 时序深度模型：用WindowDataset+ 自定义模型类（参考 freqtrade/freqai/prediction_models/ 里的 PyTorch 变体）写自己的 LSTM/Transformer 回归器。
• 强化学习：FreqAI 的 RL 模块支持 3~5 个离散动作环境，目录在 freqtrade/freqai/RL/。
• 异常值处理：默认用 SVM 移除离群点，换成 DBSCAN 的思路见 docs/assets/freqai_dbscan.jpg 对应的文档说明。

资源汇总

【免费下载链接】freqtradeFree, open source crypto trading bot项目地址: https://gitcode.com/GitHub_Trending/fr/freqtrade