Freqtrade参数优化入门

什么是 Hyperopt？#

定义：Hyperopt（超参数优化）是一种自动搜索算法，通过大量测试不同参数组合，找出使目标函数（如收益、Sharpe Ratio）最大化的参数。

工作原理#

1
1. 定义参数空间（例如：RSI 范围 20-40）
2
2. 生成随机参数组合
3
3. 用该组合回测策略
4
4. 记录结果（收益、Sharpe 等）
5
5. 根据结果调整搜索方向
6
6. 重复 2-5 步，直到找到最优参数

可视化流程：

1
参数空间: RSI=[20,25,30,35,40]
2

3
Epoch 1: RSI=30 → 收益 +5%
4
Epoch 2: RSI=25 → 收益 +8% ✅ 更好
5
Epoch 3: RSI=22 → 收益 +12% ✅ 更好
6
Epoch 4: RSI=20 → 收益 +9%
7
Epoch 5: RSI=23 → 收益 +11%
8
...
9
Epoch 100: RSI=22 → 最优参数

Hyperopt vs 手动调参#

对比项	手动调参	Hyperopt
速度	慢（每次手动改代码）	快（自动化）
覆盖范围	少（10-20 组）	多（100-1000 组）
客观性	受主观判断影响	纯数据驱动
易用性	简单	需要学习
过拟合风险	低	高（需警惕）

警告：过拟合陷阱#

⚠️ Hyperopt 容易导致过拟合：

在历史数据上找到”完美”参数
但这些参数可能只适合历史数据
未来表现可能很差

预防措施：

✅ 使用样本外测试验证
✅ 限制优化的参数数量（≤ 5 个）
✅ 运行多次 Hyperopt，对比结果
✅ 优先优化影响大的参数

可优化的参数空间#

1. 买入信号参数#

示例：RSI 策略

1
class HyperOptStrategy(IStrategy):
2
    # 定义参数空间
3
    buy_rsi = IntParameter(20, 40, default=30, space='buy')
4
    buy_rsi_enabled = CategoricalParameter([True, False], default=True, space='buy')
5

6
    def populate_entry_trend(self, dataframe, metadata):
7
        conditions = []
8

9
        if self.buy_rsi_enabled.value:
10
            conditions.append(dataframe['rsi'] < self.buy_rsi.value)
11

12
        if conditions:
13
            dataframe.loc[
14
                reduce(lambda x, y: x & y, conditions),
15
                'enter_long'] = 1
16

17
        return dataframe

可优化参数：

buy_rsi：RSI 阈值（20-40）
buy_rsi_enabled：是否启用该条件

2. 卖出信号参数#

1
sell_rsi = IntParameter(60, 80, default=70, space='sell')
2
sell_ema_short = IntParameter(5, 20, default=10, space='sell')
3
sell_ema_long = IntParameter(20, 50, default=30, space='sell')

3. ROI（止盈）参数#

1
def populate_roi_space(self):
2
    return {
3
        0: DecimalParameter(0.05, 0.20, default=0.10, space='roi'),
4
        60: DecimalParameter(0.02, 0.10, default=0.05, space='roi'),
5
        120: DecimalParameter(0.01, 0.05, default=0.02, space='roi'),
6
    }

4. 止损参数#

1
stoploss = DecimalParameter(-0.15, -0.02, default=-0.05, space='stoploss')

5. 跟踪止损参数#

1
trailing_stop_positive = DecimalParameter(0.001, 0.05, default=0.01, space='trailing')
2
trailing_stop_positive_offset = DecimalParameter(0.01, 0.10, default=0.02, space='trailing')

参数类型#

参数类型	说明	示例
IntParameter	整数参数	RSI 周期（10-30）
DecimalParameter	小数参数	止损（-0.10 到 -0.02）
RealParameter	实数参数	同 DecimalParameter
CategoricalParameter	分类参数	[True, False] 或 [‘ema’, ‘sma’]

参数空间（Space）#

Freqtrade 将参数分为不同空间：

Space	说明	包含参数
buy	买入信号参数	RSI 阈值、EMA 周期等
sell	卖出信号参数	卖出条件参数
roi	ROI 止盈参数	各时间点的止盈比例
stoploss	止损参数	固定止损百分比
trailing	跟踪止损参数	跟踪止损相关参数
protection	保护机制参数	冷却期、最大回撤等

优化指定空间：

1
# 只优化买入参数
2
freqtrade hyperopt -c config.json --strategy MyStrategy --hyperopt-loss SharpeHyperOptLoss --spaces buy
3

4
# 优化买入和卖出参数
5
freqtrade hyperopt -c config.json --strategy MyStrategy --hyperopt-loss SharpeHyperOptLoss --spaces buy sell
6

7
# 优化所有参数
8
freqtrade hyperopt -c config.json --strategy MyStrategy --hyperopt-loss SharpeHyperOptLoss --spaces all

优化目标函数#

目标函数（Loss Function）#

Hyperopt 需要一个目标来评估参数的好坏。Freqtrade 提供多种内置目标函数：

1. SharpeHyperOptLoss（推荐）#

目标：最大化 Sharpe Ratio（风险调整后收益）

适用场景：

✅ 追求稳定收益
✅ 注重风险控制
✅ 长期交易

命令：

1
freqtrade hyperopt \
2
  -c config.json \
3
  --strategy MyStrategy \
4
  --hyperopt-loss SharpeHyperOptLoss \
5
  --epochs 100

2. SortinoHyperOptLoss#

目标：最大化 Sortino Ratio（只考虑下行风险）

适用场景：

✅ 更关注下跌风险
✅ 允许上涨波动

3. CalmarHyperOptLoss#

目标：最大化 Calmar Ratio（收益 / 最大回撤）

适用场景：

✅ 极度厌恶回撤
✅ 追求平滑收益曲线

4. MaxDrawDownHyperOptLoss#

目标：最小化最大回撤

适用场景：

✅ 保守型投资者
✅ 大资金账户

5. OnlyProfitHyperOptLoss#

目标：最大化总收益（不考虑风险）

适用场景：

⚠️ 激进型投资者
⚠️ 容易导致过拟合
⚠️ 不推荐新手使用

目标函数对比#

目标函数	优化目标	风险考虑	适合人群	推荐度
SharpeHyperOptLoss	Sharpe Ratio	高	大多数人	⭐⭐⭐⭐⭐
SortinoHyperOptLoss	Sortino Ratio	中高	进阶用户	⭐⭐⭐⭐
CalmarHyperOptLoss	Calmar Ratio	极高	保守型	⭐⭐⭐⭐
MaxDrawDownHyperOptLoss	最小回撤	极高	保守型	⭐⭐⭐
OnlyProfitHyperOptLoss	总收益	低	激进型	⭐⭐

优化结果应用#

运行第一次 Hyperopt#

基础命令#

1
  freqtrade hyperopt \
2
  -c config.json \
3
  --strategy Strategy001 \
4
  --hyperopt-loss SharpeHyperOptLoss \
5
  --spaces roi stoploss \
6
  --epochs 100 \
7
  --timerange 20250701-20250930

参数说明：

--strategy：要优化的策略
--hyperopt-loss：目标函数
--spaces：要优化的参数空间
--epochs：运行次数（更多 = 更好的结果，但更耗时）
--timerange：优化的时间范围

运行过程#

1
2025-09-30 10:00:00 | INFO | Hyperopt | Starting Hyperopt...
2
2025-09-30 10:00:01 | INFO | Hyperopt | Epoch 1/100 - Current: 10.2%, Best: 10.2%
3
2025-09-30 10:00:03 | INFO | Hyperopt | Epoch 2/100 - Current: 8.5%, Best: 10.2%
4
2025-09-30 10:00:05 | INFO | Hyperopt | Epoch 3/100 - Current: 12.8%, Best: 12.8% ✅ New best
5
2025-09-30 10:00:07 | INFO | Hyperopt | Epoch 4/100 - Current: 9.3%, Best: 12.8%
6
...
7
2025-09-30 10:15:00 | INFO | Hyperopt | Epoch 100/100 - Current: 11.5%, Best: 15.2%
8
2025-09-30 10:15:01 | INFO | Hyperopt | Optimization complete!

查看优化结果#

结果文件#

优化结果保存在：

1
user_data/hyperopt_results/strategy_Strategy001_*.pkl

查看最佳结果#

1
# 查看最佳结果
2
freqtrade hyperopt-show --best -c config.json
3

4
# 列出所有最佳结果
5
freqtrade hyperopt-list -c config.json --best --min-trades 1
6

7
# 查看特定编号的结果
8
freqtrade hyperopt-show -n 1 -c config.json
9

10
# 列出所有结果
11
freqtrade hyperopt-list -c config.json
12

13
# 查看盈利的结果
14
freqtrade hyperopt-list -c config.json --profitable
15

16
# 导出为 CSV
17
freqtrade hyperopt-list -c config.json --export-csv results.csv

输出示例：

1
Best result:
2
┏━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━━┓
3
┃ Parameter                 ┃ Value                    ┃
4
┡━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━━┩
5
│ buy_rsi                   │ 22                       │
6
│ sell_rsi                  │ 72                       │
7
│ roi_0                     │ 0.15                     │
8
│ roi_60                    │ 0.08                     │
9
│ roi_120                   │ 0.03                     │
10
│ stoploss                  │ -0.08                    │
11
└───────────────────────────┴──────────────────────────┘
12

13
Result metrics:
14
┏━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┓
15
┃ Metric                  ┃ Value                   ┃
16
┡━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━┩
17
│ Total profit            │ 18.52%                  │
18
│ Avg profit per trade    │ 1.42%                   │
19
│ Total trades            │ 52                      │
20
│ Win rate                │ 84.6%                   │
21
│ Sharpe Ratio            │ 3.45                    │
22
│ Max drawdown            │ 4.82%                   │
23
└─────────────────────────┴─────────────────────────┘

应用优化参数#

方法 1：导出参数到文件#

1
freqtrade hyperopt-show --best --print-json -c config.json > best_params

方法 2：手动复制参数#

将最佳参数复制到策略文件：

1
class Strategy001(IStrategy):
2
    # 应用优化后的参数
3
    buy_rsi = IntParameter(20, 40, default=22, space='buy', optimize=False)  # 优化结果：22
4
    sell_rsi = IntParameter(60, 80, default=72, space='sell', optimize=False)  # 优化结果：72
5

6
    minimal_roi = {
7
        "0": 0.15,   # 优化结果
8
        "60": 0.08,  # 优化结果
9
        "120": 0.03  # 优化结果
10
    }
11

12
    stoploss = -0.08  # 优化结果

注意：设置 optimize=False 可防止再次优化该参数。

验证优化结果#

⚠️ 关键步骤：必须在样本外数据验证！

1
# 原始策略（优化前）- 先临时移除优化参数文件
2
mv user_data/strategies/Strategy001.json user_data/strategies/Strategy001.json.bak
3
freqtrade backtesting -c config.json --strategy Strategy001 --timerange 20250701-20250930
4

5
# 优化后的策略 - 恢复优化参数文件
6
mv user_data/strategies/Strategy001.json.bak user_data/strategies/Strategy001.json
7
freqtrade backtesting -c config.json --strategy Strategy001 --timerange 20250701-20250930

对比结果：

1
原始策略（样本外）：
2
  收益：+8.5%
3
  Sharpe：2.1
4

5
优化后策略（样本外）：
6
  收益：+12.3%（提升 45%！）✅
7
  Sharpe：2.8（提升 33%！）✅
8

9
结论：优化有效！

警告信号：

1
优化后策略（训练期）：
2
  收益：+25%
3
  Sharpe：4.5
4

5
优化后策略（测试期）：
6
  收益：+3%（仅为训练期的 12%）❌
7
  Sharpe：0.8（大幅下降）❌
8

9
结论：过拟合！不要使用优化参数！

音乐

嵌言片语

Freqtrade参数优化入门

Freqtrade参数优化入门

什么是 Hyperopt？#

工作原理#

Hyperopt vs 手动调参#

警告：过拟合陷阱#

可优化的参数空间#

1. 买入信号参数#

2. 卖出信号参数#

3. ROI（止盈）参数#

4. 止损参数#

5. 跟踪止损参数#

参数类型#

参数空间（Space）#

优化目标函数#

目标函数（Loss Function）#

1. SharpeHyperOptLoss（推荐）#

2. SortinoHyperOptLoss#

3. CalmarHyperOptLoss#

4. MaxDrawDownHyperOptLoss#

5. OnlyProfitHyperOptLoss#

目标函数对比#

优化结果应用#

运行第一次 Hyperopt#

基础命令#

运行过程#

查看优化结果#

结果文件#

查看最佳结果#

应用优化参数#

方法 1：导出参数到文件#

方法 2：手动复制参数#

验证优化结果#

支持与分享

支持博主

音乐

目录