Freqtrade 基于 Docker 在 macOS 环境下实现量化交易回测的完整流程。通过拉取官方镜像、初始化用户目录、配置交易所参数及下载历史数据，构建最小可用环境。编写基于 TA-Lib 的策略代码，利用本地 feather 文件进行回测，验证交易逻辑。核心在于策略与数据解耦，回测引擎自动映射本地数据至策略接口，确保同一份策略可无缝切换至实盘或模拟运行。教程涵盖从环境准备到回测结果分析的关键步骤，适合零基础用户快速打通闭环。
适用人群：完全没接触过 Freqtrade 或者之前各种 network / ccxt / python 环境问题想一次就跑通回测闭环。
注意：本教程不使用本机 Python 跑 freqtrade，所有 freqtrade 相关操作全部在 Docker 里完成。
docker info
能输出一大堆信息即可。
docker pull freqtradeorg/freqtrade:stable
看到 Downloaded newer image 即成功。
mkdir -p ~/freqtrade-demo
cd ~/freqtrade-demo
mkdir -p user_data
最终结构：
freqtrade-demo/
└── user_data/
docker run --rm -it \
-v $(pwd)/user_data:/freqtrade/user_data \
freqtradeorg/freqtrade:stable \
create-userdir --userdir user_data
成功后本地应出现：
user_data/
├── data/
├── logs/
└── strategies/
这是 2025.12 版本必须能跑回测的配置，已考虑 entry_pricing / exit_pricing 的新校验规则。
user_data/config.json
{"$schema":"https://schema.freqtrade.io/schema.json","max_open_trades":1,"stake_currency":"USDT","stake_amount":100,"tradable_balance_ratio":0.99,"fiat_display_currency":"USD","timeframe":"5m","dry_run":true,"trading_mode":"spot","entry_pricing":{"price_side":"same","use_order_book":false},"exit_pricing":{"price_side":"same","use_order_book":false},"exchange":{"name":"binance","key":"","secret":"","ccxt_config":{"enableRateLimit":true},"ccxt_async_config":{"enableRateLimit":true},"pair_whitelist":["BTC/USDT"],"pair_blacklist":[]},"pairlists":[{"method":"StaticPairList"}],"bot_name":"freqtrade","initial_state":"stopped","internals":{"process_throttle_secs":5}}
重要说明（新人必读）：不要用 futures，不要用 VolumePairList，不要启用 order_book，否则很容易卡在 exchangeInfo / markets 加载。
docker run --rm -it \
-v $(pwd)/user_data:/freqtrade/user_data \
freqtradeorg/freqtrade:stable \
download-data \
--exchange binance \
--pairs BTC/USDT \
--timeframes 5m
成功后你会看到：
user_data/data/binance/BTC_USDT-5m.feather
这一步说明数据层已经完全 OK。
⚠️ 新版没有 basic 模板。
docker run --rm -it \
-v $(pwd)/user_data:/freqtrade/user_data \
freqtradeorg/freqtrade:stable \
new-strategy \
--strategy MyFirstStrategy \
--template minimal \
--userdir user_data
生成文件：
user_data/strategies/MyFirstStrategy.py
打开 user_data/strategies/MyFirstStrategy.py，改成如下核心逻辑：
from freqtrade.strategy import IStrategy
from pandas import DataFrame
import talib.abstract as ta
class MyFirstStrategy(IStrategy):
timeframe = "5m"
minimal_roi = {"0": 0.1}
stoploss = -0.1
def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
dataframe["ma20"] = ta.SMA(dataframe["close"], timeperiod=20)
return dataframe
def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
dataframe.loc[(dataframe["close"] > dataframe["ma20"]), "enter_long"] = 1
return dataframe
def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
dataframe.loc[(dataframe["close"] < dataframe["ma20"]), "exit_long"] = 1
return dataframe
这是一个教学用策略：均线之上买，跌破均线卖。目的不是赚钱，而是验证系统。
docker run --rm -it \
-v $(pwd)/user_data:/freqtrade/user_data \
freqtradeorg/freqtrade:stable \
backtesting \
--config user_data/config.json \
--strategy MyFirstStrategy
[图片：回测成功截图]
在上面的测试代码中，我们没有明确制定数据，只是写了一个策略，那么我们是如何跑出来数据的呢？也就是回测结果？
MyFirstStrategy 并没有'自己去拿数据'，它使用的是 freqtrade 回测引擎自动加载的历史 K 线数据，数据来源是你之前用 download-data 下载到本地的。
策略代码本身 = 完全不知道数据从哪来。这是一个非常关键、非常工程化的设计。
下面这 6 步，就是你刚才那次回测真实发生的事情。
docker run ... freqtrade backtesting \
--config user_data/config.json \
--strategy MyFirstStrategy
这一步你明确指定了两样东西：
你没有指定数据文件，这是'刻意设计的'。
在你的 config.json 里，有这几项（非常关键）：
"timeframe":"5m",
"exchange":{"name":"binance","pair_whitelist":["BTC/USDT"]}
这三条信息合在一起，就已经唯一确定了数据集：Binance 交易所，BTC/USDT，5 分钟 K 线。
Freqtrade 内部逻辑（简化版）是：
exchange = binance
pair = BTC/USDT
timeframe = 5m
↓
去本地找：user_data/data/binance/BTC_USDT-5m.feather
这一步是自动的，不需要你写任何代码。只要这个文件存在：
回测引擎内部会做这件事（伪代码）：
df = pd.read_feather("BTC_USDT-5m.feather")
这就是你之前手动读出来看到的那张表：
date | open | high | low | close | volume
现在重点来了。你的策略里写的是：
def populate_indicators(self, dataframe, metadata):
注意这个参数名：dataframe。这个 dataframe 就是刚才那张历史 K 线表。
策略函数的真实调用过程是：
回测引擎 ↓
for 每个交易对（BTC/USDT） ↓
把历史 K 线 DataFrame ↓
传给 MyFirstStrategy.populate_xxx()
你在策略里做的事，本质是：
dataframe["ma20"] = ...
dataframe.loc[条件，"enter_long"] = 1
dataframe.loc[条件，"exit_long"] = 1
你没有拉数据，没有指定文件，没有写 IO。你只是在 freqtrade 提供的历史数据上写'如果这样，就买 / 卖'。
因为这一切都是真实发生的：
| 项目 | 是否真实 |
|---|---|
| K 线数据 | ✅ 来自 Binance |
| 时间顺序 | ✅ 严格按时间 |
| 买卖逻辑 | ✅ 你亲手写的 |
| 资金变化 | ✅ 模拟撮合 |
| 回测统计 | ✅ 实际计算 |
所以结果是真实逻辑 + 真实历史 = 真实回测结果。
freqtrade = 策略与数据彻底解耦
这意味着：
这也是为什么你可以： 同一份策略 → 回测 → dry-run → 实盘
'我也没看见我们指定数据啊'
答案是： 你在 config.json 里已经'隐式指定了'数据集： 交易所：binance 交易对：BTC/USDT 周期：5m
freqtrade 自动帮你把它映射到本地的 .feather 数据文件。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online
将 HTML 片段转为 GitHub Flavored Markdown，支持标题、列表、链接、代码块与表格等；浏览器内处理，可链接预填。 在线工具，HTML转Markdown在线工具，online