Freqtrade 新手教程：macOS + Docker 环境配置与回测

**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

七、下载历史数据（生成 feather 文件）

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

八、生成第一个策略（使用新版模板）

⚠️ 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 

九、写一个'最简单但能交易'的策略

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

十、运行回测（🎯 教程最终目标）

docker run --rm -it \
  -v $(pwd)/user_data:/freqtrade/user_data \
  freqtradeorg/freqtrade:stable \
  backtesting \
  --config user_data/config.json \
  --strategy MyFirstStrategy 

十一、成功标志（非常重要）

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。

知识补充

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。

我们把'数据从哪来'按顺序拆开

下面这 6 步，就是你刚才那次回测真实发生的事情。

第 1 步：你运行了 backtesting 命令

docker run ... freqtrade backtesting \
  --config user_data/config.json \
  --strategy MyFirstStrategy 

👉 这一步你明确指定了两样东西：

1. 用哪个 配置
2. 用哪个 策略

你没有指定数据文件，这是'刻意设计的'。

第 2 步：freqtrade 读取 config.json（这是数据入口）

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

第 3 步：回测引擎自动映射到本地数据目录

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：

• 不访问交易所
• 不联网
• 回测是 100% 本地的

第 4 步：feather → pandas DataFrame

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

第 5 步：把 DataFrame 交给你的策略

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()

第 6 步：你的策略只是'在这张表上打标记'

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'

那为什么它能跑出'真实的亏损'？

因为这一切都是真实发生的：

👉 所以结果是 真实逻辑 + 真实历史 = 真实回测结果。

一个非常重要的'设计哲学'（你已经踩到核心了）

freqtrade = 策略与数据彻底解耦

这意味着：

• 策略作者 不关心数据从哪来
• 数据来源：
  • 回测：本地 feather
  • 实盘：交易所实时行情
• 策略代码 一行都不用改

这也是为什么你可以：

同一份策略 → 回测 → dry-run → 实盘

回答你最核心的那句话（直接回答）

'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。