第26篇：爆赚利器！三步搞定 Freqtrade 核心买卖信号，手把手教你写自动交易策略！

在 Freqtrade 策略框架中，populate_indicators、populate_entry_trend 和 populate_exit_trend 是三个最基础、最常用的函数。它们分别负责：

• ✍️ 计算技术指标（如 RSI、MACD、均线等）
• 📈 判断买入时机
• 📉 判断卖出时机

本篇文章将为你详细讲解这三个函数的作用、使用方式、代码示例以及注意事项，帮助你从零搭建自己的量化交易策略。

🚀 想学量化交易？

👉 点击访问：https://www.itrade.icu 这里有 Freqtrade 基础教程、策略源码、指标解析 等丰富内容，助你轻松掌握量化交易技巧！

1️⃣ populate_indicators: 计算技术指标的核心函数

✅ 功能介绍

这个函数的作用是：对数据帧（DataFrame）计算并填充技术指标，用于后续判断买卖信号。

它的输入是历史K线数据，输出是新增了一些指标列的数据帧。通常你会在这里引入如 RSI、MACD、SMA、EMA 等。

🧠 回测 vs 实盘

• 回测模式：populate_indicators 会对整个历史数据调用一次。
• 实盘模式：每生成一个新K线（如每分钟、每小时）就会调用一次。

因此在实盘时，你可以在该函数中加入实时判断与处理逻辑，而在回测中需要用 for row in dataframe.iterrows() 遍历历史数据。

💡 示例代码

def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    # 计算14日 RSI 指标
    dataframe['rsi'] = ta.RSI(dataframe, timeperiod=14)

    # 如果你想在回测时处理每根K线
    for index, row in dataframe.iterrows():
        if row['rsi'] < 30:
            # 记录日志、打标签等操作
            pass

    return dataframe

2️⃣ populate_entry_trend: 买入信号逻辑

✅ 功能介绍

populate_entry_trend 是定义何时买入（开仓）的地方。它会在数据帧中生成一个 buy 列，Freqtrade 会检查这一列的值：

• buy = 1 表示当前K线应买入
• buy = 0（默认）表示不操作

Freqtrade 会在满足该条件的时刻，用市价单或限价单发起交易。

🛠 技术用法

你可以使用 .loc 对 dataframe 做布尔筛选并设置买入信号：

dataframe.loc[条件表达式, 'buy'] = 1

💡 示例代码

def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    dataframe['buy'] = 0  # 初始化所有K线为不买入

    # RSI 小于 30 时，设置为买入信号
    dataframe.loc[dataframe['rsi'] < 30, 'buy'] = 1

    return dataframe

📌 实用建议

• 多重条件组合：可使用 (cond1) & (cond2) 等方式组合多个技术指标。
• 也可以使用布林带、MA 等其他技术指标来增强买点判断。

3️⃣ populate_exit_trend: 卖出信号逻辑

✅ 功能介绍

populate_exit_trend 是你定义何时平仓（卖出）的函数，操作逻辑与买入类似，只是设置的是 sell 列：

• sell = 1 表示该K线触发平仓
• sell = 0 表示不卖出

Freqtrade 会在检测到 sell=1 时，按设置发出卖出指令。

💡 示例代码

def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    dataframe['sell'] = 0  # 初始化为不卖出

    # RSI 高于 70 时设置为卖出信号
    dataframe.loc[dataframe['rsi'] > 70, 'sell'] = 1

    return dataframe

🧠 小技巧

• 你也可以加入成交量、价格形态等逻辑来提高卖点准确性。
• 配合策略中的 ROI 或 trailing stop 可形成更完整的出场机制。

🧩 实战案例：最小可运行策略 - RSI 策略

以下是一个完整的策略类，结合上述三个函数。策略逻辑如下：

• 当 RSI < 30：认为市场超卖，发出买入信号
• 当 RSI > 70：认为市场超买，发出卖出信号

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

class RsiExampleStrategy(IStrategy):
    # 使用的K线周期
    timeframe = '5m'

    # 每次下单金额（可覆盖配置文件设置）
    stake_amount = 100

    # 最小盈利目标和止损
    minimal_roi = {"0": 0.1}
    stoploss = -0.2

    # 使用自定义的买入/卖出信号
    use_exit_signal = True

    def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        # 计算14日 RSI 指标
        dataframe['rsi'] = ta.RSI(dataframe, timeperiod=14)
        return dataframe

    def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        dataframe['buy'] = 0
        # RSI 小于30，表示市场超卖，买入信号
        dataframe.loc[
            (dataframe['rsi'] < 30),
            'buy'
        ] = 1
        return dataframe

    def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
        dataframe['sell'] = 0
        # RSI 大于70，表示市场超买，卖出信号
        dataframe.loc[
            (dataframe['rsi'] > 70),
            'sell'
        ] = 1
        return dataframe

🧾 总结

这些函数是策略运行的“三驾马车”，你可以在此基础上不断优化与叠加逻辑，构建自己的交易系统。