在 Freqtrade 中进行超参数优化时如何正确使用超参数

本人github

在 Freqtrade 中进行超参数优化时如何正确使用超参数

超参数优化（Hyperparameter Optimization, HPO）是提高交易策略性能的关键步骤之一。通过优化策略中的参数，我们可以找到最佳的参数组合，从而提高收益、减少风险。然而，在 Freqtrade 中进行超参数优化时，有一些需要注意的地方，尤其是如何正确使用超参数。

问题背景

在 Freqtrade 中，超参数优化过程中一个常见的错误是尝试在 populate_indicators 方法中使用超参数。这会导致优化结果不准确，并且 Freqtrade 会抛出以下错误：

Hyperoptable parameters cannot be used in populate_indicators - as hyperopt does not recalculate indicators for each epoch, so the starting value would be used in this case.

为什么会出现这个问题？

超参数优化涉及到在每次迭代中调整参数，并使用这些参数进行回测。然而，populate_indicators 方法中的指标计算只在优化开始时执行一次。如果在这个方法中使用了超参数，那么这些参数的初始值将被用于整个优化过程，而不会在每次迭代中动态调整。这违背了超参数优化的目的。

解决方案

要解决这个问题，我们应该避免在 populate_indicators 方法中使用超参数。相反，我们可以在 populate_buy_trend 和 populate_sell_trend 方法中使用这些参数。这些方法会在每次迭代中被调用，从而确保超参数在优化过程中被正确地计算和调整。

示例：正确使用超参数

以下是一个包含 RSI 和 EMA 参数优化的策略示例：

不正确的做法（有错误）

在 populate_indicators 中使用超参数：

from freqtrade.strategy.interface import IStrategy
from freqtrade.strategy.hyper import IntParameter
from pandas import DataFrame
import talib.abstract as ta

class MyStrategy(IStrategy):
    buy_rsi = IntParameter(10, 30, default=20, space='buy')
    buy_ema_short = IntParameter(5, 50, default=12, space='buy')
    buy_ema_long = IntParameter(20, 200, default=26, space='buy')

    def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        dataframe['ema_short'] = ta.EMA(dataframe, timeperiod=self.buy_ema_short.value)
        dataframe['ema_long'] = ta.EMA(dataframe, timeperiod=self.buy_ema_long.value)
        dataframe['rsi'] = ta.RSI(dataframe, timeperiod=14)
        return dataframe

    def populate_buy_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        dataframe.loc[
            (dataframe['rsi'] < self.buy_rsi.value) &
            (dataframe['ema_short'] > dataframe['ema_long']),
            'buy'] = 1
        return dataframe

正确的做法

在 populate_indicators 中使用固定值，在 populate_buy_trend 和 populate_sell_trend 中使用超参数：

from freqtrade.strategy.interface import IStrategy
from freqtrade.strategy.hyper import IntParameter
from pandas import DataFrame
import talib.abstract as ta

class MyStrategy(IStrategy):
    buy_rsi = IntParameter(10, 30, default=20, space='buy')
    buy_ema_short = IntParameter(5, 50, default=12, space='buy')
    buy_ema_long = IntParameter(20, 200, default=26, space='buy')

    def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        dataframe['ema_short'] = ta.EMA(dataframe, timeperiod=12)  # 固定的 EMA 短期参数
        dataframe['ema_long'] = ta.EMA(dataframe, timeperiod=26)  # 固定的 EMA 长期参数
        dataframe['rsi'] = ta.RSI(dataframe, timeperiod=14)
        return dataframe

    def populate_buy_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        dataframe.loc[
            (dataframe['rsi'] < self.buy_rsi.value) &
            (dataframe['ema_short'] > dataframe['ema_long']),
            'buy'] = 1
        return dataframe

配置超参数优化

在 config.json 中启用超参数优化，并设置相关的配置：

{
    "strategy": "MyStrategy",
    "hyperopt": {
        "enabled": true,
        "loss": "SharpeHyperOptLoss",
        "space": {
            "buy_rsi": {
                "type": "int",
                "min": 10,
                "max": 30,
                "default": 20
            },
            "buy_ema_short": {
                "type": "int",
                "min": 5,
                "max": 50,
                "default": 12
            },
            "buy_ema_long": {
                "type": "int",
                "min": 20,
                "max": 200,
                "default": 26
            }
        }
    }
}

运行超参数优化

使用 freqtrade hyperopt 命令运行超参数优化：

freqtrade hyperopt --strategy MyStrategy --timerange 20210101-20211231 --epochs 100

总结

在 Freqtrade 中进行超参数优化时，避免在 populate_indicators 方法中使用超参数，而应在 populate_buy_trend 和 populate_sell_trend 方法中使用。这确保了超参数在每次优化迭代中被正确计算和调整，从而实现有效的超参数优化。通过正确使用超参数，可以提升策略的收益和降低风险，优化交易策略的整体性能。