高级超参数优化 (Advanced Hyperopt)

本页解释了一些高级超参数优化主题，这些主题可能比创建普通超参数优化类需要更高的编码技能和 Python 知识。

创建并使用自定义损失函数 (Creating and using a custom loss function)

要使用自定义损失函数类，请确保在您的自定义超参数优化损失类中定义了函数 hyperopt_loss_function。 对于下面的示例，您需要在调用 hyperopt 时添加命令行参数 --hyperopt-loss SuperDuperHyperOptLoss 才能使用此函数。

示例（与默认超参数优化损失实现相同）：

from datetime import datetime
from typing import Any, Dict
from pandas import DataFrame
from freqtrade.constants import Config
from freqtrade.optimize.hyperopt import IHyperOptLoss

class SuperDuperHyperOptLoss(IHyperOptLoss):
    @staticmethod
    def hyperopt_loss_function(
        *,
        results: DataFrame,
        trade_count: int,
        min_date: datetime,
        max_date: datetime,
        config: Config,
        processed: dict[str, DataFrame],
        backtest_stats: dict[str, Any],
        starting_balance: float,
        **kwargs,
    ) -> float:
        # 目标函数，返回越小的数字代表结果越好
        total_profit = results['profit_ratio'].sum()
        trade_duration = results['trade_duration'].mean()
        # 这里进行您的自定义逻辑计算并返回一个 float 结果
        return result

覆盖预定义空间 (Overriding pre-defined spaces)

要覆盖预定义的空间（roi_space, stoploss_space 等），请在策略类中定义一个名为 HyperOpt 的嵌套类：

class MyAwesomeStrategy(IStrategy):
    class HyperOpt:
        # 定义自定义止损空间
        def stoploss_space():
            return [SKDecimal(-0.05, -0.01, decimals=3, name='stoploss')]

        # 定义自定义 ROI 空间
        def roi_space() -> List[Dimension]:
             return [
                Integer(10, 120, name='roi_t1'),
                # ...
            ]

动态参数 (Dynamic parameters)

参数也可以动态定义，但必须在 bot_start() 回调 被调用后对实例可用。

自定义采样器 (Overriding Base estimator)

您可以通过在 HyperOpt 子类中实现 generate_estimator() 来定义自己的 Optuna 采样器。 可选值包括 "NSGAIIISampler", "TPESampler", "CmaEsSampler" 等。

空间选项 (Space options)

Freqtrade 提供了以下空间类型：

• Categorical: 从列表选取。
• Integer: 整数范围。
• SKDecimal: 具有限制精度的浮点数（推荐使用，比 Real 快）。
• Real: 全精度浮点数。

SKDecimal vs. Real

我们建议在几乎所有情况下都使用 SKDecimal 而不是 Real。Real 的过高精度（小数点后 16 位）在大多数交易策略中并无必要，且会显著延长优化时间。