jack/Chan
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

添加新的策略

Browse Source
This commit is contained in:
jackyu66git
2026-05-19 09:58:33 +08:00
parent 5dc0c4cffd
commit 91148a648a
9 changed files with 1377 additions and 115 deletions
Download Patch File Download Diff File Expand all files Collapse all files
strategies/1分钟第三类买卖点.md
+321
View File
@@ -0,0 +1,321 @@
# 1分钟第三类买卖点策略
## 核心思路
只交易 1 分钟级别中枢之后确认完成的第三类买卖点。
- 第三类买点：价格向上离开 1 分钟中枢后，回拉笔低点不跌回中枢上沿，确认时做多。
- 第三类卖点：价格向下离开 1 分钟中枢后，反弹笔高点不涨回中枢下沿，确认时做空。
- 开单时机：第三类买卖点所在笔确认完成后，下一根 1 分钟 K 线开单，避免使用未确认信号。
## 初始量化参数
以下参数作为第一版回测基准，后续根据回测结果优化。
| 参数 | 初始值 | 说明 |
| --- | --- | --- |
| 基础周期 | 1m | 第三类买卖点识别周期 |
| 中枢算法 | 纯笔中枢 | 连续三笔重叠形成中枢，两个中枢允许相邻，不强制中间分割笔 |
| 大周期过滤 | 5m、15m | 用于判断趋势方向和过滤震荡 |
| ATR 周期 | 14 | 用于衡量离开力度、回抽深度和止损距离 |
| 成交量均线 | 20 | 用于判断离开放量和回抽缩量 |
| 最小中枢宽度 | 0.08% | 低于该值视为噪音中枢 |
| 最大中枢宽度 | 0.80% | 高于该值止损过宽，放弃交易 |
| 有效突破距离 | max(0.03%, 0.20 * ATR14 / close) | 离开中枢时收盘价需要超过边界的最小距离 |
| 离开笔最小幅度 | max(0.12%, 1.00 * ATR14 / close) | 过滤力度不足的离开笔 |
| 回抽最大距离 | 0.60 * ATR14 | 回抽/反弹离中枢边界太远时，不追单 |
| 离开放量 | volume >= 1.20 * volume_ma20 | 确认突破有主动资金 |
| 回抽缩量 | pullback_volume <= 0.90 * leave_volume | 确认回抽不是反向强攻击 |
| 最大止损距离 | 0.80% | 超过则放弃交易 |
| 最小止损距离 | 0.10% | 低于则容易被 1m 噪音扫损 |
| 单笔风险 | 0.5% - 1.0% | 每笔亏损控制在账户权益比例内 |
| 时间止损 | 8 根 1m K 线 | 开仓后 8 分钟仍未到 0.5R，主动减仓或平仓 |
| 连续失败暂停 | 2 次 | 连续 2 次三买/三卖失败后暂停 30 分钟 |
## 信号有效条件
### 中枢要求
- 中枢必须已经确认，不能用正在形成中的中枢。
- 使用 1 分钟纯笔中枢：连续三笔有重叠区间即可形成中枢，后续按两笔一组延伸。
- 两个中枢可以在笔序列上直接相邻，不要求中间必须有独立分割笔。
- 新中枢在旧中枢下方时，必须以向上笔开始并以向上笔结束，避免把下跌途中的弱反抽误当成有效下移中枢。
- 新中枢在旧中枢上方时，必须以向下笔开始并以向下笔结束，避免把上涨途中的弱回踩误当成有效上移中枢。
- 中枢宽度控制在 0.08% - 0.80% 之间，太小容易是假突破，太大导致止损距离过宽。
- 优先选择结构清晰、震荡时间充分、上下沿明确的中枢。
- 中枢层只做结构合法性判断，不因为成交量、离开力度、回抽质量等交易偏好直接删除中枢；这些质量条件放到买卖点确认和入场过滤中处理。
### 离开中枢要求
- 做多时，离开笔必须向上有效突破中枢上沿。
- 做空时，离开笔必须向下有效跌破中枢下沿。
- 有效突破要求收盘价至少超过中枢边界 max(0.03%, 0.20 * ATR14 / close)。
- 离开笔幅度至少达到 max(0.12%, 1.00 * ATR14 / close)。
- 离开笔成交量至少达到 1.20 * volume_ma20。
- MACD 柱子方向需要和离开方向一致，做多时 macdhist > 0，做空时 macdhist < 0。
- 如果离开中枢后很快又回到中枢内部，视为假突破，不开单。
### 回抽/反弹要求
- 做多时，回抽低点不能跌回中枢上沿下方。
- 做空时，反弹高点不能涨回中枢下沿上方。
- 回抽/反弹允许 0.15 * ATR14 的刺破容忍，避免被 1m 假刺破过滤掉。
- 回抽/反弹距离中枢边界不能超过 0.60 * ATR14，超过说明已经追远。
- 回抽/反弹成交量需要小于离开笔成交量的 90%。
- 回抽/反弹 K 线数量建议控制在 2 - 8 根 1m K 线内，太短容易没确认，太长说明力度衰减。
## 行情过滤
### 震荡行情
震荡行情尽量不做第三类买卖点，因为 1 分钟级别假突破很多。
过滤方式：
- 1 分钟只负责寻找第三类买卖点，5 分钟优先负责判断是否接受该信号。
- 5 分钟和 15 分钟方向不一致时不做。
- 5 分钟最近中枢仍在横向扩张、价格仍在 5 分钟中枢内部时，降低 1 分钟三买/三卖信号优先级，或直接不做突破类信号。
- 做多信号优先要求 5 分钟中枢上移或价格位于 5 分钟中枢上沿附近/上方；做空信号优先要求 5 分钟中枢下移或价格位于 5 分钟中枢下沿附近/下方。
- 价格反复穿越 EMA24/EMA52 时不做。
- 中枢上下沿附近频繁出现假突破时不做。
- 最近 30 分钟内出现 2 次同方向三买/三卖失败时，暂停该方向交易 30 分钟。
- 最近 20 根 1m K 线内，收盘价穿越 EMA52 超过 4 次，视为震荡，不做。
- ATR14 / close 低于 0.05% 时，波动不足，不做。
### 趋势开始阶段
趋势刚开始时的第一个有效三买/三卖优先级最高。
做多条件：
- 5 分钟或 15 分钟开始转多，至少满足 close > EMA52。
- 1 分钟向上离开中枢有力度。
- 回抽不跌回中枢，且回抽缩量。
做空条件：
- 5 分钟或 15 分钟开始转空，至少满足 close < EMA52。
- 1 分钟向下离开中枢有力度。
- 反弹不涨回中枢，且反弹缩量。
### 趋势中期
趋势中期可以继续做顺势三买/三卖，但需要提高过滤要求。
- 只做顺大周期方向的信号。
- 做多时 5 分钟 close > EMA24 > EMA52，且 15 分钟 close > EMA52。
- 做空时 5 分钟 close < EMA24 < EMA52，且 15 分钟 close < EMA52。
- 如果止损距离超过 0.80%，放弃交易。
- 趋势中期的同方向第二个及之后三买/三卖，仓位降为标准仓位的 50%。
### 趋势末期
趋势末期减少追单，重点防止三买买在高点、三卖卖在低点。
不交易条件：
- 离开中枢时 MACD 或成交量明显背驰。
- 已经连续出现多个同方向中枢上移/下移。
- 出现反向第一类或第二类买卖点。
- 价格远离 5 分钟 EMA52 超过 max(1.20%, 2.50 * ATR14 / close)，短线加速过度。
- 连续 3 个同方向中枢上移/下移后，不再追新的 1m 三买/三卖。
## 特殊点位处理
### 第一类和第二类买卖点之后
如果出现第一类或第二类买卖点后，行情没有继续确认反转，而是重新形成第三类买卖点：
- 顺原趋势的第三类买卖点可以继续做，但必须确认反向一二类买卖点失败。
- 如果一类/二类买卖点之后形成更大级别反转结构，不再做原方向三买/三卖。
- 如果一类/二类买卖点和三类买卖点方向冲突，以大周期方向和最新确认结构为准。
### 反向信号
- 持有多单时出现确认的第三类卖点，平多；如果大周期也转空，可以反手做空。
- 持有空单时出现确认的第三类买点，平空；如果大周期也转多，可以反手做多。
## 开仓规则
### 做多
同时满足以下条件才开多：
- 出现确认后的 1 分钟第三类买点。
- 5 分钟或 15 分钟趋势不为空头。
- 价格没有重新跌回中枢内部。
- 初始止损距离在可接受范围内。
- 没有明显背驰或趋势末期信号。
- 开仓价距离中枢上沿不超过 0.60 * ATR14。
- 止损距离在 0.10% - 0.80% 之间。
### 做空
同时满足以下条件才开空：
- 出现确认后的 1 分钟第三类卖点。
- 5 分钟或 15 分钟趋势不为多头。
- 价格没有重新涨回中枢内部。
- 初始止损距离在可接受范围内。
- 没有明显背驰或趋势末期信号。
- 开仓价距离中枢下沿不超过 0.60 * ATR14。
- 止损距离在 0.10% - 0.80% 之间。
## 信号失效
- 第三类买点确认后，价格重新跌回中枢上沿下方，信号失效。
- 第三类卖点确认后，价格重新涨回中枢下沿上方，信号失效。
- 开仓后 8 根 1 分钟 K 线仍未达到 0.5R，说明信号弱，可以主动减仓或平仓。
- 开仓后 3 根 1 分钟 K 线内直接回到中枢内部，立即平仓。
- 出现反向确认信号时，当前持仓失效。
## 止盈止损
### 止损
- 做多止损：放在中枢下沿，或第三类买点回抽低点下方。
- 做空止损：放在中枢上沿，或第三类卖点反弹高点上方。
- 止损需要额外留出 0.10 * ATR14 的缓冲，避免刚好打在结构边界。
- 如果止损距离大于 0.80%，不开仓。
- 如果止损距离小于 0.10%，按 0.10% 计算仓位风险，避免仓位过大。
- 如果价格重新回到中枢内部，优先考虑提前止损，不等硬止损。
### 止盈
按照风险收益比管理：
- 到达 1R 时平仓一半。
- 到达 1R 后，剩余仓位止损移动到开仓价。
- 到达 2R 时全部止盈。
- 如果趋势特别强，可以在 2R 附近保留小仓位，用 EMA24 或前一笔低/高点跟踪止盈。
### 仓位
- 标准单笔风险控制在账户权益的 0.5% - 1.0%。
- 趋势开始阶段使用标准仓位。
- 趋势中期第二个及之后同方向三买/三卖使用 50% 标准仓位。
- 趋势末期不主动开新仓。
## 参数优化方法
这些参数不能只看单次回测收益率，需要用历史数据做分阶段优化和样本外验证。
### 数据切分
建议至少使用 6 - 12 个月 1m 数据，按时间顺序切分，不能随机打乱。
- 训练集：前 60%，用于搜索参数。
- 验证集：中间 20%，用于选择参数。
- 测试集：最后 20%，只用于最终确认，不参与调参。
例如：
- 2025-01 到 2025-06：训练集。
- 2025-07 到 2025-08：验证集。
- 2025-09 到 2025-10：测试集。
如果数据足够多，建议再做滚动验证：
- 第 1 轮：1 - 3 月训练，4 月验证。
- 第 2 轮：2 - 4 月训练，5 月验证。
- 第 3 轮：3 - 5 月训练，6 月验证。
- 只有多轮都稳定的参数，才认为有效。
### 优先优化的参数
不要一次优化太多参数，先优化最影响胜率和盈亏比的核心参数。
| 参数 | 搜索范围 | 步长 | 优化目的 |
| --- | --- | --- | --- |
| 最小中枢宽度 | 0.05% - 0.15% | 0.02% | 过滤噪音中枢 |
| 最大中枢宽度 | 0.50% - 1.20% | 0.10% | 控制止损距离 |
| 有效突破距离 | 0.10 - 0.40 * ATR14 | 0.05 | 过滤假突破 |
| 离开笔最小幅度 | 0.80 - 1.50 * ATR14 | 0.10 | 确认离开力度 |
| 回抽容忍幅度 | 0.05 - 0.25 * ATR14 | 0.05 | 避免过严或过松 |
| 回抽最大距离 | 0.40 - 0.90 * ATR14 | 0.10 | 避免追高追低 |
| 离开放量倍数 | 1.00 - 1.80 * volume_ma20 | 0.10 | 确认突破质量 |
| 回抽缩量比例 | 0.70 - 1.00 * leave_volume | 0.05 | 判断回抽是否健康 |
| 最大止损距离 | 0.50% - 1.20% | 0.10% | 控制单笔风险 |
| 时间止损 K 线数 | 5 - 15 根 | 1 | 处理无效信号 |
第一轮只优化这些参数。大周期过滤、仓位、止盈方式先固定，否则容易过拟合。
### 优化目标
不要只按总收益选择参数。1 分钟策略噪音大，应该综合看：
- 样本外收益为正。
- 最大回撤尽量小。
- Profit Factor 大于 1.20。
- 胜率不低于 40%，如果胜率低，则平均盈亏比必须明显高于 1.5。
- 单月交易次数不能太少，建议每月至少 20 笔，否则统计意义不足。
- 多空两边不能严重失衡，除非策略明确只适合单边行情。
参数选择优先级：
1. 样本外稳定性。
2. 最大回撤。
3. Profit Factor。
4. 平均盈亏比。
5. 总收益率。
### 防止过拟合
以下情况说明参数可能过拟合：
- 训练集收益很好，验证集和测试集明显变差。
- 只有某一个月表现很好，其他月份表现一般。
- 参数落在搜索范围边界，例如最大止损距离优化后总是取最大值。
- 交易次数太少，靠少数几笔大盈利撑起收益。
- 多次微调后收益提升，但回撤和稳定性变差。
处理方式：
- 选择参数平台区间，不选单个尖峰最优值。
- 如果 0.20 * ATR、0.25 * ATR、0.30 * ATR 表现接近，优先选中间值。
- 验证集表现比训练集差很多时，降低参数复杂度。
- 每次只优化一组相关参数，例如先优化中枢和突破，再优化止损止盈。
### 推荐优化顺序
1. 先只测原始第三类买卖点，得到基准胜率和盈亏比。
2. 加入中枢宽度过滤，观察交易次数和假突破是否下降。
3. 加入离开力度和成交量过滤，优化胜率。
4. 加入回抽质量过滤，减少追高追低。
5. 加入大周期 EMA 过滤，观察震荡行情亏损是否下降。
6. 优化止损距离和时间止损。
7. 最后比较止盈方式：固定 2R、1R 减半 2R 全平、2R 后跟踪止盈。
每一步都要和上一步对比，只保留能提升样本外表现的过滤条件。
### 回测命令示例
先跑固定参数基准：
```bash
freqtrade backtesting -c ./user_data/Chan/config/ChanLun_BTC_1m.json --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies --timerange=20250101-20250630
```
再按训练集、验证集、测试集分别跑：
```bash
freqtrade backtesting -c ./user_data/Chan/config/ChanLun_BTC_1m.json --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies --timerange=20250101-20250630
freqtrade backtesting -c ./user_data/Chan/config/ChanLun_BTC_1m.json --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies --timerange=20250701-20250831
freqtrade backtesting -c ./user_data/Chan/config/ChanLun_BTC_1m.json --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies --timerange=20250901-20251031
```
如果后续把参数写成 Freqtrade 的可优化参数，可以使用 hyperopt 搜索核心参数，但最终仍然要用样本外测试集确认。
## 回测观察指标
回测时重点观察：
- 三买和三卖分别的胜率。
- 趋势开始、中期、末期三个阶段的收益差异。
- 止损距离过大的交易是否拖累整体收益。
- 震荡行情中过滤条件是否能减少假突破。
- 1R 减半和 2R 全平是否优于一次性止盈。
## 策略总结
这套策略只做确认后的 1 分钟第三类买卖点，不提前猜测。1 分钟纯笔中枢负责保留足够完整的结构事实，允许相邻中枢连续出现；交易层再通过大周期方向、中枢宽度、离开力度、回抽质量和止损距离过滤掉低质量三买三卖。核心不是在中枢层过早删除结构，而是让 1 分钟找点、5 分钟定环境。
strategies/ChanLun_BTC_1m_old.py
+213
View File
@@ -0,0 +1,213 @@
# --- Do not remove these libs ---
from statistics import median
from freqtrade.strategy import IStrategy, stoploss_from_absolute
import sys
import os
# 添加父目录到系统路径
sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
from ChanLun import ChanLun
from ChanEnum import Chan_FX_TYPE, Chan_KLC_FX, Chan_BI_DIR, Chan_KLC_FX, Chan_BSP_TYPE
# --------------------------------
from technical.util import resample_to_interval, resampled_merge
import talib.abstract as ta
from pandas import DataFrame
import pandas as pd
from datetime import datetime, timedelta
from typing import Optional
import logging
logger = logging.getLogger(__name__)
### Now you can use logger.info('asfd') to log
# freqtrade plot-dataframe --strategy ChanLun_BTC_1m --datadir user_data/data/binance -c ./user_data/ChanLun_SOL_30.json --timerange=20250309-
# freqtrade trade -c ./user_data/Chan/config/ChanLun_BTC_1m.json --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies
# freqtrade backtesting -c ./user_data/Chan/config/ChanLun_BTC_1m.json --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies --timerange=20260501-
# freqtrade download-data -c ./user_data/Chan/config/ChanLun_BTC_1m.json -t 1m 1m 1h 1d 1M --pairs BTC/USDT:USDT --timerange=20250405-
# freqtrade download-data -c ./user_data/Chan/config/ChanLun_BTC_1m.json -t 1m 1h 1d 1M --pairs BTC/USDT --timerange=20170101-
# freqtrade hyperopt --hyperopt-loss SharpeHyperOptLossDaily --spaces roi --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies -c ./user_data/Chan/config/ChanLun_BTC_1m.json -e 200 --timerange=20250201-20250901
# freqtrade edge -c ./user_data/Chan/config/ChanLun_BTC_1m.json --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies --timerange 20250721-20250901
# freqtrade plot-dataframe -c ./user_data/Chan/config/ChanLun_BTC_1m.json --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies --timerange 20250721-20250901
# sudo docker compose run --rm chanlun_btc backtesting -c ./user_data/Chan/config/ChanLun_BTC_1m.json --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies --timerange=20250721-
# sudo docker compose run --rm chanlun_btc download-data -c ./user_data/Chan/config/ChanLun_BTC_1m.json --pairs BTC/USDT:USDT -t 1m --timerange 20240101-
# sudo docker compose run --rm chanlun_btc trade -c ./user_data/Chan/config/ChanLun_BTC_1m.json --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies
class ChanLun_BTC_1m(IStrategy):
"""
交易核心（缠论）：
- 仅在缠论一/二/三类买卖点出现时交易。
- 信号触发条件：前一笔被确认（bi.is_sure）时，该笔 end_klc 已被标记为 B1/B2/B3 或 S1/S2/S3。
- 不使用未确认笔，不使用“状态猜测”列。
"""
INTERFACE_VERSION: int = 3
timeframe = '1m'
# Minimal ROI designed for the strategy.
# This attribute will be overridden if the config file contains "minimal_roi"
minimal_roi = {
"0": 100
}
can_short = True
enable_long = True
enable_short = False
lev = 1.0
stoploss = -0.3 # 兜底止损，实际由 custom_stoploss 基于中枢 zg/zd 控制
use_custom_stoploss = True
trailing_stop = False
trailing_stop_positive = 0.03
trailing_stop_positive_offset = 0.06
trailing_only_offset_is_reached = False
use_exit_signal = True
position_adjustment_enable = True
startup_candle_count = 500
# 以 1m 为基础周期时，1h = 60 根K线（用于读取 resample_60_* 列并做确认延迟）
chan = ChanLun()
def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
dataframe = self.add_indicators(dataframe)
bsp_signal_data = self.chan.get_bsp_signal_data(dataframe)
for column, values in bsp_signal_data.items():
dataframe[column] = values
return dataframe
def add_indicators(self, df):
df = self.add_base_indicators(df)
base_interval = self.get_ticker_indicator()
for interval in (5, 15, 60):
if interval <= base_interval:
df = self.copy_base_indicators_to_resample(df, interval)
continue
resampled = resample_to_interval(df, interval)
resampled = self.add_base_indicators(resampled)
df = resampled_merge(df, resampled)
return df
def copy_base_indicators_to_resample(self, df, interval):
prefix = f'resample_{interval}_'
for column in (
'date', 'open', 'high', 'low', 'close', 'volume',
'atr', 'macd', 'macdsignal', 'macdhist', 'ema24', 'ema52',
'atr_ratio', 'resistance_240', 'support_240', 'trend'
):
if column in df.columns:
df[f'{prefix}{column}'] = df[column]
return df
def add_base_indicators(self, df):
fast = 12
slow = 26
period = 9
macd = ta.MACD(df, fastperiod=fast, slowperiod=slow, signalperiod=period)
df['atr'] = ta.ATR(df, timeperiod=14)
df['macd'] = macd['macd']
df['macdsignal'] = macd['macdsignal']
df['macdhist'] = macd['macdhist']
df['ema24'] = ta.EMA(df, timeperiod=24)
df['ema52'] = ta.EMA(df, timeperiod=52)
df['atr_ratio'] = df['atr'] / df['close']
df['resistance_240'] = df['high'].rolling(240).max().shift(1)
df['support_240'] = df['low'].rolling(240).min().shift(1)
df['trend'] = 0
df.loc[(df['close'] > df['ema52']) & (df['ema24'] >= df['ema52']), 'trend'] = 1
df.loc[(df['close'] < df['ema52']) & (df['ema24'] <= df['ema52']), 'trend'] = -1
return df
def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
min_atr_ratio = 0.0005
long_min_sr_distance_r = 1.0
short_min_sr_distance_r = 0.8
long_space_ratio = (dataframe['resistance_240'].shift(1) - dataframe['close'].shift(1)) / dataframe['close'].shift(1)
short_space_ratio = (dataframe['close'].shift(1) - dataframe['support_240'].shift(1)) / dataframe['close'].shift(1)
# 多周期趋势共振：3个周期中至少2个同向（而非全部3个）
long_tf_aligned = (
(dataframe['resample_5_trend'].shift(1) == 1).astype(int) +
(dataframe['resample_15_trend'].shift(1) == 1).astype(int) +
(dataframe['resample_60_trend'].shift(1) == 1).astype(int)
) >= 2
short_tf_aligned = (
(dataframe['resample_5_trend'].shift(1) == -1).astype(int) +
(dataframe['resample_15_trend'].shift(1) == -1).astype(int) +
(dataframe['resample_60_trend'].shift(1) == -1).astype(int)
) >= 2
dataframe.loc[
(
self.enable_long &
(dataframe['bsp_state'].shift(1) == -1) &
(dataframe['bsp_risk_ratio'].shift(1) > 0) &
(long_space_ratio >= dataframe['bsp_risk_ratio'].shift(1) * long_min_sr_distance_r) &
(dataframe['macdhist'].shift(1) > 0) &
(dataframe['atr_ratio'].shift(1) >= min_atr_ratio) &
(dataframe['trend'].shift(1) == 1) &
long_tf_aligned
),
['enter_long', 'enter_tag']] = (1, 'long_signal_chan')
dataframe.loc[
(
self.enable_short &
(dataframe['bsp_state'].shift(1) == 1) &
(dataframe['bsp_risk_ratio'].shift(1) > 0) &
(short_space_ratio >= dataframe['bsp_risk_ratio'].shift(1) * short_min_sr_distance_r) &
(dataframe['macdhist'].shift(1) < 0) &
(dataframe['atr_ratio'].shift(1) >= min_atr_ratio) &
(dataframe['trend'].shift(1) == -1) &
short_tf_aligned
),
['enter_short', 'enter_tag']] = (1, 'short_signal_chan')
return dataframe
def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
dataframe['exit_long'] = 0
dataframe['exit_short'] = 0
return dataframe
def get_trade_risk_ratio(self, pair: str, trade) -> float:
risk_ratio = trade.get_custom_data('risk_ratio')
if risk_ratio:
return float(risk_ratio)
risk_ratio = 0.001
try:
dataframe, _ = self.dp.get_analyzed_dataframe(pair, self.timeframe)
if len(dataframe) > 0:
entry_rows = dataframe[dataframe['date'] <= trade.open_date_utc]
entry_candle = entry_rows.iloc[-1] if len(entry_rows) > 0 else dataframe.iloc[-1]
signal_rows = entry_rows.tail(3)
signal_rows = signal_rows[signal_rows['bsp_risk_ratio'] > 0]
if len(signal_rows) > 0:
signal_candle = signal_rows.iloc[-1]
risk_ratio = float(signal_candle['bsp_risk_ratio'])
trade.set_custom_data('bsp_stop_price', float(signal_candle['bsp_stop_price']))
trade.set_custom_data('bsp_zg', float(signal_candle['bsp_zg']))
trade.set_custom_data('bsp_zd', float(signal_candle['bsp_zd']))
else:
risk_ratio = max(0.001, min(float(entry_candle['atr_ratio']), 0.005))
except Exception:
risk_ratio = 0.001
trade.set_custom_data('risk_ratio', risk_ratio)
return risk_ratio
def adjust_trade_position(self, trade, current_time: datetime,
current_rate: float, current_profit: float,
min_stake: float | None, max_stake: float,
current_entry_rate: float, current_exit_rate: float,
current_entry_profit: float, current_exit_profit: float,
**kwargs):
risk_ratio = self.get_trade_risk_ratio(trade.pair, trade)
if current_profit >= risk_ratio and trade.nr_of_successful_exits == 0:
return -(trade.stake_amount / 2), 'take_half_1r'
return None
def custom_exit(self, pair: str, trade, current_time: datetime, current_rate: float,
current_profit: float, **kwargs):
risk_ratio = self.get_trade_risk_ratio(pair, trade)
if trade.nr_of_successful_exits > 0 and current_profit <= 0.001:
return 'breakeven_after_1r'
if current_profit >= risk_ratio * 2:
return 'take_profit_2r'
return None
def custom_stoploss(self, pair: str, trade, current_time: datetime, current_rate: float,
current_profit: float, after_fill: bool, **kwargs) -> float | None:
bsp_stop_price = trade.get_custom_data('bsp_stop_price')
if bsp_stop_price:
sl = stoploss_from_absolute(float(bsp_stop_price), current_rate, is_short=trade.is_short)
return min(sl, -0.05)
return -0.05
def leverage(self, pair: str, current_time: datetime, current_rate: float,
proposed_leverage: float, max_leverage: float, entry_tag: Optional[str], side: str,
**kwargs) -> float:
return self.lev
def get_ticker_indicator(self):
return int(self.timeframe[:-1])
strategies/ChanLun_BTC_5m.py
+201
View File
@@ -0,0 +1,201 @@
# --- Do not remove these libs ---
from statistics import median
from freqtrade.strategy import IStrategy, stoploss_from_absolute
import sys
import os
# 添加父目录到系统路径
sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
from ChanLun import ChanLun
from ChanEnum import Chan_FX_TYPE, Chan_KLC_FX, Chan_BI_DIR, Chan_KLC_FX, Chan_BSP_TYPE
# --------------------------------
from technical.util import resample_to_interval, resampled_merge
import talib.abstract as ta
from pandas import DataFrame
import pandas as pd
from datetime import datetime, timedelta
from typing import Optional
import logging
logger = logging.getLogger(__name__)
class ChanLun_BTC_5m(IStrategy):
"""ChanLun_BTC_5m: 5m B3 signals with trailing stop exit."""
INTERFACE_VERSION: int = 3
timeframe = '5m'
minimal_roi = {"0": 100}
can_short = True
enable_long = True
enable_short = False
lev = 1.0
stoploss = -0.3
use_custom_stoploss = True
trailing_stop = False
use_exit_signal = True
position_adjustment_enable = False
startup_candle_count = 500
chan = ChanLun()
def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
dataframe = self.add_indicators(dataframe)
bsp_signal_data = self.chan.get_bsp_signal_data(dataframe)
for column, values in bsp_signal_data.items():
dataframe[column] = values
return dataframe
def add_indicators(self, df):
df = self.add_base_indicators(df)
base_interval = self.get_ticker_indicator()
for interval in (5, 15, 60):
if interval <= base_interval:
df = self.copy_base_indicators_to_resample(df, interval)
continue
resampled = resample_to_interval(df, interval)
resampled = self.add_base_indicators(resampled)
df = resampled_merge(df, resampled)
return df
def copy_base_indicators_to_resample(self, df, interval):
prefix = f'resample_{interval}_'
for column in (
'date', 'open', 'high', 'low', 'close', 'volume',
'atr', 'macd', 'macdsignal', 'macdhist', 'ema24', 'ema52',
'atr_ratio', 'resistance_240', 'support_240', 'trend'
):
if column in df.columns:
df[f'{prefix}{column}'] = df[column]
return df
def add_base_indicators(self, df):
fast = 12
slow = 26
period = 9
macd = ta.MACD(df, fastperiod=fast, slowperiod=slow, signalperiod=period)
df['atr'] = ta.ATR(df, timeperiod=14)
df['macd'] = macd['macd']
df['macdsignal'] = macd['macdsignal']
df['macdhist'] = macd['macdhist']
df['ema24'] = ta.EMA(df, timeperiod=24)
df['ema52'] = ta.EMA(df, timeperiod=52)
df['atr_ratio'] = df['atr'] / df['close']
df['resistance_240'] = df['high'].rolling(240).max().shift(1)
df['support_240'] = df['low'].rolling(240).min().shift(1)
df['trend'] = 0
df.loc[(df['close'] > df['ema52']) & (df['ema24'] >= df['ema52']), 'trend'] = 1
df.loc[(df['close'] < df['ema52']) & (df['ema24'] <= df['ema52']), 'trend'] = -1
return df
def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
min_atr_ratio = 0.0005
long_min_sr_distance_r = 1.0
short_min_sr_distance_r = 0.8
long_space_ratio = (dataframe['resistance_240'].shift(1) - dataframe['close'].shift(1)) / dataframe['close'].shift(1)
short_space_ratio = (dataframe['close'].shift(1) - dataframe['support_240'].shift(1)) / dataframe['close'].shift(1)
long_tf_aligned = (
(dataframe['resample_5_trend'].shift(1) == 1).astype(int) +
(dataframe['resample_15_trend'].shift(1) == 1).astype(int) +
(dataframe['resample_60_trend'].shift(1) == 1).astype(int)
) >= 2
short_tf_aligned = (
(dataframe['resample_5_trend'].shift(1) == -1).astype(int) +
(dataframe['resample_15_trend'].shift(1) == -1).astype(int) +
(dataframe['resample_60_trend'].shift(1) == -1).astype(int)
) >= 2
dataframe.loc[
(
self.enable_long &
(dataframe['bsp_state'].shift(1) == -1) &
(dataframe['bsp_risk_ratio'].shift(1) > 0) &
(long_space_ratio >= dataframe['bsp_risk_ratio'].shift(1) * long_min_sr_distance_r) &
(dataframe['macdhist'].shift(1) > 0) &
(dataframe['atr_ratio'].shift(1) >= min_atr_ratio) &
(dataframe['trend'].shift(1) == 1) &
long_tf_aligned
),
['enter_long', 'enter_tag']] = (1, 'long_signal_chan')
dataframe.loc[
(
self.enable_short &
(dataframe['bsp_state'].shift(1) == 1) &
(dataframe['bsp_risk_ratio'].shift(1) > 0) &
(short_space_ratio >= dataframe['bsp_risk_ratio'].shift(1) * short_min_sr_distance_r) &
(dataframe['macdhist'].shift(1) < 0) &
(dataframe['atr_ratio'].shift(1) >= min_atr_ratio) &
(dataframe['trend'].shift(1) == -1) &
short_tf_aligned
),
['enter_short', 'enter_tag']] = (1, 'short_signal_chan')
return dataframe
def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
dataframe['exit_long'] = 0
dataframe['exit_short'] = 0
return dataframe
def custom_exit(self, pair: str, trade, current_time: datetime, current_rate: float,
current_profit: float, **kwargs):
# Time-based exit only - trailing stop handles profit taking
elapsed = current_time - trade.open_date_utc
if elapsed >= timedelta(hours=72) and current_profit < 0.005:
return 'time_stop_72h'
return None
def custom_stoploss(self, pair: str, trade, current_time: datetime, current_rate: float,
current_profit: float, after_fill: bool, **kwargs) -> float | None:
# Initialize stored state
if not trade.get_custom_data('trail_activated'):
trade.set_custom_data('trail_activated', False)
trade.set_custom_data('max_profit', 0.0)
# Read bsp_stop_price from signal
try:
dataframe, _ = self.dp.get_analyzed_dataframe(pair, self.timeframe)
if len(dataframe) > 0:
entry_rows = dataframe[dataframe['date'] <= trade.open_date_utc]
signal_rows = entry_rows.tail(3)
signal_rows = signal_rows[signal_rows['bsp_risk_ratio'] > 0]
if len(signal_rows) > 0:
signal_candle = signal_rows.iloc[-1]
trade.set_custom_data('bsp_stop_price', float(signal_candle['bsp_stop_price']))
except Exception:
pass
max_profit = max(float(trade.get_custom_data('max_profit')), current_profit)
trade.set_custom_data('max_profit', max_profit)
trail_activated = trade.get_custom_data('trail_activated')
# Stage 1: Initial stop at bsp_stop with -5% floor
if not trail_activated:
if max_profit >= 0.02:
# Activate trail: move stop to breakeven
trade.set_custom_data('trail_activated', True)
sl = stoploss_from_absolute(trade.open_rate, current_rate, is_short=trade.is_short)
return max(sl, -0.005)
else:
bsp_stop = trade.get_custom_data('bsp_stop_price')
if bsp_stop:
sl = stoploss_from_absolute(float(bsp_stop), current_rate, is_short=trade.is_short)
return min(sl, -0.05)
return -0.05
else:
# Stage 2: Trail from max profit
if max_profit >= 0.04:
trail_offset = 0.02 # Trail 2% behind max
trail_price = trade.open_rate * (1 + max_profit - trail_offset)
sl = stoploss_from_absolute(trail_price, current_rate, is_short=trade.is_short)
return max(sl, -0.02)
elif max_profit >= 0.02:
# Breakeven to 1% trail
sl = stoploss_from_absolute(trade.open_rate * 1.005, current_rate, is_short=trade.is_short)
return max(sl, -0.005)
else:
sl = stoploss_from_absolute(trade.open_rate * 0.998, current_rate, is_short=trade.is_short)
return max(sl, -0.02)
def leverage(self, pair: str, current_time: datetime, current_rate: float,
proposed_leverage: float, max_leverage: float, entry_tag: Optional[str], side: str,
**kwargs) -> float:
return self.lev
def get_ticker_indicator(self):
return int(self.timeframe[:-1])
strategies/Template.py
+133
View File
@@ -0,0 +1,133 @@
# --- Do not remove these libs ---
from statistics import median
from freqtrade.strategy import IStrategy, stoploss_from_absolute
import sys
import os
# 添加父目录到系统路径
sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
from ChanLun import ChanLun
from ChanEnum import Chan_FX_TYPE, Chan_KLC_FX, Chan_BI_DIR, Chan_KLC_FX, Chan_BSP_TYPE
# --------------------------------
from technical.util import resample_to_interval, resampled_merge
import talib.abstract as ta
from pandas import DataFrame
import pandas as pd
from datetime import datetime, timedelta
from typing import Optional
import logging
logger = logging.getLogger(__name__)
### Now you can use logger.info('asfd') to log
# freqtrade plot-dataframe --strategy ChanLun_BTC_1m --datadir user_data/data/binance -c ./user_data/ChanLun_SOL_30.json --timerange=20250309-
# freqtrade trade -c ./user_data/Chan/config/ChanLun_BTC_1m.json --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies
# freqtrade backtesting -c ./user_data/Chan/config/ChanLun_BTC_1m.json --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies --timerange=20260501-
# freqtrade download-data -c ./user_data/Chan/config/ChanLun_BTC_1m.json -t 1m 1m 1h 1d 1M --pairs BTC/USDT:USDT --timerange=20250405-
# freqtrade download-data -c ./user_data/Chan/config/ChanLun_BTC_1m.json -t 1m 1h 1d 1M --pairs BTC/USDT --timerange=20170101-
# freqtrade hyperopt --hyperopt-loss SharpeHyperOptLossDaily --spaces roi --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies -c ./user_data/Chan/config/ChanLun_BTC_1m.json -e 200 --timerange=20250201-20250901
# freqtrade edge -c ./user_data/Chan/config/ChanLun_BTC_1m.json --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies --timerange 20250721-20250901
# freqtrade plot-dataframe -c ./user_data/Chan/config/ChanLun_BTC_1m.json --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies --timerange 20250721-20250901
# sudo docker compose run --rm chanlun_btc backtesting -c ./user_data/Chan/config/ChanLun_BTC_1m.json --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies --timerange=20250721-
# sudo docker compose run --rm chanlun_btc download-data -c ./user_data/Chan/config/ChanLun_BTC_1m.json --pairs BTC/USDT:USDT -t 1m --timerange 20240101-
# sudo docker compose run --rm chanlun_btc trade -c ./user_data/Chan/config/ChanLun_BTC_1m.json --strategy ChanLun_BTC_1m --strategy-path ./user_data/Chan/strategies
class Template(IStrategy):
"""
交易核心（缠论）：
- 仅在缠论一/二/三类买卖点出现时交易。
- 信号触发条件：前一笔被确认（bi.is_sure）时，该笔 end_klc 已被标记为 B1/B2/B3 或 S1/S2/S3。
- 不使用未确认笔，不使用“状态猜测”列。
"""
INTERFACE_VERSION: int = 3
# Minimal ROI designed for the strategy.
# This attribute will be overridden if the config file contains "minimal_roi"
# 30m and 1h
minimal_roi = {
"0": 0.05,
"60": 0.03,
"120": 0.01,
"180": 0
}
# 5m and 15m
minimal_roi_1 = {
"0": 0.1,
"60": 0.05,
"120": 0.02,
"240": 0
}
# 15m and 30m
minimal_roi_1 = {
"0": 0.1,
"240": 0.05,
"480": 0.03,
"600": 0
}
minimal_roi_1 = {
"0": 1.50,
"120": 0.05,
"240": 0.025,
"360": 0
}
can_short = True
lev = 1.0
stoploss = -0.3 # 设置为很大的负值，让custom_stoploss来控制
trailing_stop = False
trailing_stop_positive = 0.03
trailing_stop_positive_offset = 0.06
trailing_only_offset_is_reached = False
# 关闭分批止盈/仓位调整
startup_candle_count = 500
# 以 1m 为基础周期时，1h = 60 根K线（用于读取 resample_60_* 列并做确认延迟）
chan = ChanLun()
def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
dataframe = self.add_indicators(dataframe)
dataframe['bsp_state'] = self.chan.get_bsp_state(dataframe)
return dataframe
def add_indicators(self, df):
fast = 12
slow = 26
period = 9
macd = ta.MACD(df, fastperiod=fast, slowperiod=slow, signalperiod=period)
df['atr'] = ta.ATR(df, timeperiod=14)
df['macd'] = macd['macd']
df['macdsignal'] = macd['macdsignal']
df['macdhist'] = macd['macdhist']
df['ema24'] = ta.EMA(df, timeperiod=24)
df['ema52'] = ta.EMA(df, timeperiod=52)
return df
def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
dataframe.loc[
(
(dataframe['bsp_state'].shift(1) == -1)
),
['enter_long', 'enter_tag']] = (1, 'long_signal_chan')
dataframe.loc[
(
(dataframe['bsp_state'].shift(1) == 1)
),
['enter_short', 'enter_tag']] = (1, 'short_signal_chan')
return dataframe
def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
# 出场和进场共用同一套“确认笔 + end_klc 买卖点”语义。
dataframe.loc[
(
(dataframe['bsp_state'].shift(1) == 1)
),
['exit_long', 'exit_tag']] = (1, 'long_signal_chan')
dataframe.loc[
(
(dataframe['bsp_state'].shift(1) == -1)
),
['exit_short', 'exit_tag']] = (1, 'short_signal_chan')
return dataframe
def leverage(self, pair: str, current_time: datetime, current_rate: float,
proposed_leverage: float, max_leverage: float, entry_tag: Optional[str], side: str,
**kwargs) -> float:
return self.lev
def get_ticker_indicator(self):
return int(self.timeframe[:-1])