Freqtrade 是一款开源的加密货币交易机器人。本文介绍如何在 macOS 环境下通过 Docker 部署 Freqtrade，无需 docker-compose。步骤包括安装 Docker、拉取镜像、初始化用户目录、配置交易所参数（Binance Spot）、下载历史 K 线数据、编写基于均线策略的 Python 代码以及执行回测。文章详细解析了 Freqtrade 的策略与数据解耦设计原理，说明回测引擎如何自动加载本地 feather 文件并传递给策略函数，实现本地离线回测验证逻辑。
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
⚠️ 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
回测完成后将输出详细的统计信息表格，包含买入次数、盈亏比、最大回撤等指标。
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 你没有指定文件 你没有写 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：5mfreqtrade 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