Freqtrade LLM Function Calling Strategy

基于大语言模型（LLM）Function Calling 和 RAG 技术的智能加密货币交易策略

🔐 重要安全提示

在使用本项目前，请务必配置您的敏感信息！

本代码库中的配置文件（user_data/config.json）已经过脱敏处理，所有 API 密钥、交易所密钥等敏感信息均已清空。在运行项目前，您需要：

填写您的 LLM API 密钥：在 user_data/config.json 的 llm_config 部分
填写交易所 API 密钥：在 user_data/config.json 的 exchange 部分
配置其他服务：Telegram、Discord、JWT 等（可选）

详细配置说明请参考：CONFIG_TEMPLATE.md

安全建议：

✅ 使用环境变量存储敏感信息（参考 .env.example）
✅ 不要将包含真实密钥的配置文件提交到版本控制
✅ 建议先使用 dry_run: true 模式测试
✅ 限制交易所 API 权限（不开启提现权限）

🎯 项目简介

这是一个创新的加密货币自动化交易策略，将 Freqtrade 交易框架与 大语言模型（LLM） 深度整合，通过 OpenAI Function Calling 和 RAG（检索增强生成）技术实现智能交易决策。

为什么选择 LLM 策略？

🧠 智能决策: LLM 可以理解复杂的市场情况，提供类人的交易判断
📚 经验学习: RAG 系统从历史交易中学习，不断优化决策质量
🎯 精准控制: Function Calling 提供 6 个核心交易函数，实现精细化交易管理
📊 多维度分析: 综合技术指标、账户状态、持仓情况进行全局决策

✨ 核心特性

1. OpenAI Function Calling 完整交易控制

LLM 通过 6 个核心函数完全控制交易流程：

函数名称	功能描述	主要参数
`signal_entry_long`	开多仓	挂单价、杠杆、止损、置信度、关键位
`signal_entry_short`	开空仓	挂单价、杠杆、止损、置信度、关键位
`signal_exit`	平仓	挂单价、置信度、RSI
`adjust_position`	加仓/减仓	调整百分比、挂单价、关键位
`signal_hold`	保持持仓	置信度、理由
`signal_wait`	空仓观望	置信度、理由

2. RAG 语义检索系统

向量数据库: ChromaDB
嵌入模型: text-embedding-bge-m3
功能:
- 检索相似的历史交易情况
- 从过往成功/失败案例中学习
- 提供上下文相关的交易建议

3. 期货交易完整支持

✅ 多空双向交易（做多/做空）
✅ 动态杠杆（1-100x，由 LLM 决定）
✅ 动态止损（基于账户百分比）
✅ 仓位调整（加仓/减仓）
✅ 挂单价格控制（入场/出场精确定价）

4. 多时间框架技术分析

支持 4 个时间框架同时分析：

15分钟（主时间框架）
1小时
4小时
日线

技术指标包括：

趋势：EMA(20/50/200)
动量：RSI、MACD
波动：布林带、ATR
强度：ADX、MFI、OBV

5. 经验学习与决策记录

📝 每笔交易决策自动记录
🔍 包含市场上下文、技术指标、推理过程
📊 支持事后分析和策略优化
🎓 RAG 系统持续从历史中学习

🏗️ 系统架构

ft-userdata-llm/
├── docker-compose.yml          # Docker 编排配置
├── Dockerfile.custom           # 自定义镜像（安装 ChromaDB）
├── manage.sh                   # 一键管理脚本
│
└── user_data/
    ├── config.json             # 核心配置文件
    │
    ├── strategies/
    │   ├── LLMFunctionStrategy.py    # 主策略文件
    │   │
    │   └── llm_modules/              # LLM 模块
    │       ├── llm/                  # LLM 客户端
    │       │   ├── llm_client.py         # OpenAI API 封装
    │       │   └── function_executor.py  # Function Calling 执行器
    │       │
    │       ├── rag/                  # RAG 系统
    │       │   ├── embedding_service.py  # 嵌入服务
    │       │   ├── vector_store.py       # ChromaDB 封装
    │       │   └── rag_manager.py        # RAG 管理器
    │       │
    │       ├── tools/                # 交易工具
    │       │   └── trading_tools.py      # 6个核心交易函数
    │       │
    │       ├── experience/           # 经验系统
    │       │   ├── trade_logger.py       # 交易日志
    │       │   └── experience_manager.py # 经验管理
    │       │
    │       └── utils/                # 工具类
    │           ├── config_loader.py      # 配置加载
    │           └── context_builder.py    # 上下文构建
    │
    ├── data/
    │   └── vector_store/         # ChromaDB 向量数据库
    │
    └── logs/
        ├── freqtrade.log         # 主日志
        ├── llm_decisions.jsonl   # LLM 决策日志
        └── trade_experience.jsonl # 交易经验日志

🚀 快速开始

前置要求

Docker 和 Docker Compose 已安装
LLM API: 支持 OpenAI Function Calling 的 API（如 OpenAI、OneAPI、本地 LLM）
币安账户（或其他支持的交易所）

1. 配置 LLM API

编辑 user_data/config.json：

"llm_config": {
    "api_base": "http://host.docker.internal:3120",
    "api_key": "your-api-key",
    "model": "qwen/qwen3-coder-30b",
    "embedding_model": "text-embedding-bge-m3",
    "temperature": 0.7,
    "max_tokens": 2000,
    "timeout": 60
}

支持的 LLM 提供商:

OpenAI GPT-4
OneAPI (兼容 OpenAI 格式)
Qwen3 Coder
DeepSeek
其他兼容 OpenAI Function Calling 的模型

2. 配置交易所

编辑 user_data/config.json 中的交易所配置：

"exchange": {
    "name": "binance",
    "key": "your-api-key",
    "secret": "your-api-secret",
    "ccxt_config": {
        "enableRateLimit": true,
        "options": {
            "defaultType": "future"
        }
    }
}

3. 启动策略

方式一：使用管理脚本（推荐）

一键管理脚本 manage.sh 提供完整的生命周期管理

# 首次使用：赋予执行权限
chmod +x manage.sh

# 命令行模式（快速操作）
./manage.sh start    # 快速启动 ⚡（推荐日常使用）
./manage.sh logs     # 查看实时日志
./manage.sh restart  # 重启服务
./manage.sh stop     # 停止服务
./manage.sh deploy   # 完整部署（检查更新+重新构建）
./manage.sh clean    # 清理所有数据（谨慎使用）

# 交互式菜单模式
./manage.sh          # 不带参数，显示交互式菜单

manage.sh 功能详解:

命令	说明	使用场景
`start`	快速启动 + 自动查看日志	⚡ 日常启动（最常用）
`restart`	重启容器 + 查看日志	修改配置后重启
`deploy`	检查版本 + 构建镜像 + 启动	首次部署或大版本更新
`logs`	只查看实时日志	监控运行状态
`stop`	停止服务	暂停交易
`clean`	清理所有数据	重置系统（会删除历史数据）

交互式菜单（运行 ./manage.sh）:

  Freqtrade LLM Strategy 管理工具
=================================================

  1) 快速启动 (直接启动 + 查看日志) ⚡
  2) 快速重启 (重启容器 + 查看日志)
  3) 完整部署 (检查版本 + 构建 + 启动)
  4) 只查看日志
  5) 清理所有数据
  6) 检查版本
  7) 停止服务
  0) 退出

方式二：直接使用 Docker Compose

# 构建镜像（首次或更新时）
docker-compose build

# 启动服务
docker-compose up -d

# 查看日志
docker logs -f freqtrade-llm

# 停止服务
docker-compose down

# 重启服务
docker-compose restart

首次启动流程示例

# 1. 克隆项目
git clone https://github.com/your-username/freqtrade-llm-strategy.git
cd freqtrade-llm-strategy

# 2. 配置 API 密钥（重要！）
nano user_data/config.json  # 填写 llm_config 和 exchange 配置

# 3. 赋予脚本执行权限
chmod +x manage.sh

# 4. 首次部署（会自动构建镜像）
./manage.sh deploy

# 5. 观察日志，确认运行正常
# 按 Ctrl+C 退出日志查看

日常使用流程

# 每天启动
./manage.sh start

# 修改配置后重启
nano user_data/config.json
./manage.sh restart

# 查看运行状态
./manage.sh logs

4. 监控运行

日志: ./manage.sh logs 或 docker logs -f freqtrade-llm
Web UI: http://localhost:8086 (用户名密码见 config.json)
REST API: http://localhost:8086/api/v1/

💡 常见使用场景

场景 1：首次使用（模拟交易测试）

# 1. 配置文件中确保开启模拟模式
# user_data/config.json 中设置：
#   "dry_run": true,
#   "dry_run_wallet": 1340

# 2. 启动系统
./manage.sh deploy

# 3. 观察 LLM 决策日志
tail -f user_data/logs/llm_decisions.jsonl | jq .

# 4. 查看 Web UI 的模拟交易结果
# 打开浏览器访问 http://localhost:8086

场景 2：从模拟切换到实盘

# 1. 停止服务
./manage.sh stop

# 2. 修改配置
nano user_data/config.json
# 设置 "dry_run": false
# 填写真实的交易所 API 密钥

# 3. 清理模拟交易数据（可选）
./manage.sh clean

# 4. 重新启动
./manage.sh deploy

# 5. 密切监控
./manage.sh logs

场景 3：更新配置后重启

# 修改了 config.json 中的任何配置
nano user_data/config.json

# 快速重启使配置生效
./manage.sh restart

场景 4：调试 LLM 决策

# 实时查看 LLM 的思考过程
tail -f user_data/logs/freqtrade.log | grep -i "llm\|function\|决策"

# 查看格式化的决策日志
tail -f user_data/logs/llm_decisions.jsonl | jq '{
  pair: .pair,
  action: .action,
  confidence: .confidence,
  reason: .reason
}'

场景 5：优化 RAG 性能

# 如果决策变慢，检查向量数据库大小
du -sh user_data/data/vector_store/

# 如果数据过多，可以清理旧数据
./manage.sh stop

# 只删除向量数据库（保留交易记录）
rm -rf user_data/data/vector_store/*

./manage.sh start

场景 6：更新到最新版本

# 使用 deploy 命令会自动检查更新
./manage.sh deploy

# 或者手动拉取最新镜像
docker pull freqtradeorg/freqtrade:stable
./manage.sh deploy

⚙️ 配置说明

配置文件位置

所有配置都在 user_data/config.json 文件中，这是 Freqtrade 的标准配置格式。

💡 提示:

首次使用请参考 CONFIG_TEMPLATE.md 完成配置
修改配置后需要重启服务：./manage.sh restart
可以使用 .env 文件管理敏感信息（参考 .env.example）

核心配置项

1. 交易配置

{
    "max_open_trades": 4,              // 最大持仓数（建议：2-5）
    "stake_currency": "USDT",          // 交易币种
    "stake_amount": "unlimited",       // 仓位大小（unlimited=动态分配）
    "tradable_balance_ratio": 0.99,    // 可用资金比例（保留1%缓冲）
    "trading_mode": "futures",         // 交易模式：futures/spot
    "margin_mode": "isolated",         // 保证金：isolated/cross
    "dry_run": true,                   // ⚠️ 模拟模式（上线前必须测试！）
    "dry_run_wallet": 1340             // 模拟资金（USDT）
}

配置建议:

新手建议 max_open_trades: 2-3，降低风险
tradable_balance_ratio: 0.99 保留 1% 作为交易费用缓冲
强烈建议先用 dry_run: true 测试至少一周
margin_mode: "isolated" 更安全，避免连锁清算

2. LLM 配置

"llm_config": {
    "api_base": "http://host.docker.internal:3120",  // 本地API用host.docker.internal
    "api_key": "sk-xxx",                              // 您的API密钥
    "model": "qwen/qwen3-coder-30b",                 // 模型名称
    "embedding_model": "text-embedding-bge-m3"       // 向量化模型
}

配置说明:

配置项	说明	推荐值
`api_base`	API 服务地址	本地：`http://host.docker.internal:PORT` 远程：完整 HTTPS URL
`api_key`	API 密钥	从您的 LLM 提供商获取
`model`	LLM 模型	GPT-4、Qwen3、DeepSeek 等
`embedding_model`	向量化模型	`text-embedding-bge-m3` 或 OpenAI embeddings

支持的 LLM 提供商:

✅ OpenAI (GPT-4, GPT-3.5-turbo)
✅ 本地部署 (通过 LM Studio、Ollama + OneAPI)
✅ Qwen (Qwen3-Coder-30B 推荐)
✅ DeepSeek (DeepSeek-V2、DeepSeek-Coder)
✅ 任何兼容 OpenAI API 格式的服务

Docker 网络说明:

# 容器访问宿主机服务（本地 API）
api_base: "http://host.docker.internal:3120"

# 容器访问远程服务
api_base: "https://api.openai.com/v1"
api_base: "https://api.deepseek.com/v1"

💡 性能优化建议:

使用 30B+ 参数模型获得更好的决策质量
推荐 Qwen3-Coder-30B 或 DeepSeek-Coder-V2
本地部署建议至少 24GB VRAM (或使用量化模型)

3. RAG 配置

"rag_config": {
    "enable": true,                    // 是否启用 RAG（建议开启）
    "vector_db": "chromadb",          // 向量数据库类型
    "similarity_top_k": 5,            // 检索相似案例数量
    "min_similarity": 0.7,            // 最小相似度阈值 (0-1)
    "storage_path": "./user_data/data/vector_store",
    "max_history_size": 10000,        // 最大历史记录数
    "cleanup_days": 30                // 自动清理旧数据（天）
}

配置说明:

enable: true - 启用 RAG 让 LLM 从历史经验学习
similarity_top_k: 5 - 每次检索 5 个最相似的历史案例
min_similarity: 0.7 - 相似度阈值（0.7 = 70% 相似）
max_history_size: 10000 - 超过此数量会自动清理最旧的记录

💡 性能调优:

// 如果决策速度慢，可以减少检索数量
"similarity_top_k": 3,
"min_similarity": 0.75  // 提高阈值，只检索更相似的案例

4. 风险管理

"risk_management": {
    "max_leverage": 100,               // 最大杠杆倍数（硬限制）
    "default_leverage": 10,            // 默认杠杆（LLM未指定时使用）
    "max_position_pct": 50,            // 单仓位最大资金占比 (%)
    "max_open_trades": 4,              // 最大持仓数
    "allow_model_freedom": true,       // 允许 LLM 自由选择杠杆
    "emergency_stop_loss": -0.15       // 紧急止损：账户亏损15%时全平
}

风险配置建议:

风险偏好	max_leverage	default_leverage	max_open_trades	emergency_stop_loss
🟢 保守	10	3	2	-0.10 (10%)
🟡 平衡	20	10	3-4	-0.15 (15%)
🔴 激进	50	15	5-6	-0.20 (20%)

⚠️ 重要说明:

allow_model_freedom: true - LLM 可以根据市场情况自由选择杠杆（1x 到 max_leverage）
allow_model_freedom: false - 始终使用 default_leverage，更保守
emergency_stop_loss - 全局保护，当账户总亏损达到此比例时强制平掉所有仓位
max_position_pct: 50 - 单笔交易最多使用 50% 的可用资金

5. 经验配置

"experience_config": {
    "log_decisions": true,             // 记录决策日志
    "log_trades": true,                // 记录交易日志
    "decision_log_path": "./user_data/logs/llm_decisions.jsonl",
    "trade_log_path": "./user_data/logs/trade_experience.jsonl"
}

📖 使用指南

LLM 决策流程

graph TD
    A[新K线到来] --> B[构建市场上下文]
    B --> C[技术指标分析]
    B --> D[账户状态]
    B --> E[持仓情况]
    C --> F[RAG检索相似历史]
    D --> F
    E --> F
    F --> G[LLM分析决策]
    G --> H{选择Function}
    H -->|开仓| I[signal_entry_long/short]
    H -->|平仓| J[signal_exit]
    H -->|调整| K[adjust_position]
    H -->|观望| L[signal_hold/wait]
    I --> M[执行交易]
    J --> M
    K --> M
    L --> N[等待下一周期]
    M --> O[记录决策和结果]
    O --> P[更新RAG知识库]

交易函数详解

1. 开多仓 - signal_entry_long

signal_entry_long(
    pair="BTC/USDT:USDT",
    limit_price=95000.0,          # 挂单价格（略低于当前价）
    leverage=10,                  # 杠杆倍数
    stoploss_pct=-10,             # 止损：账户亏损10%
    confidence_score=85,          # 置信度：85/100
    key_support=94000.0,          # 关键支撑位
    key_resistance=96000.0,       # 关键阻力位
    rsi_value=45,                 # 当前RSI
    trend_strength="强势",        # 趋势强度
    reason="价格突破EMA20，RSI超卖反弹，日线趋势向上"
)

效果:

在 95000 USDT 挂限价单做多 BTC
使用 10x 杠杆
当账户亏损达到 10% 时自动止损
LLM 对此决策的置信度为 85%

2. 开空仓 - signal_entry_short

signal_entry_short(
    pair="ETH/USDT:USDT",
    limit_price=3500.0,           # 挂单价格（略高于当前价）
    leverage=15,
    stoploss_pct=-8,              # 止损：账户亏损8%
    confidence_score=75,
    key_support=3400.0,
    key_resistance=3550.0,
    rsi_value=72,                 # RSI超买
    trend_strength="中等",
    reason="RSI超买，价格接近阻力位，MACD死叉"
)

3. 平仓 - signal_exit

signal_exit(
    pair="BTC/USDT:USDT",
    limit_price=96500.0,          # 期望出场价格
    confidence_score=90,
    rsi_value=78,
    reason="达到目标利润，RSI超买，趋势减弱"
)

4. 加仓 - adjust_position

adjust_position(
    pair="BTC/USDT:USDT",
    adjustment_pct=50,            # 加仓50%
    limit_price=94500.0,
    confidence_score=80,
    key_support=94000.0,
    key_resistance=96000.0,
    reason="价格回调至支撑位，趋势依然向上"
)

效果: 在原有仓位基础上增加 50% 的仓位

5. 减仓 - adjust_position

adjust_position(
    pair="ETH/USDT:USDT",
    adjustment_pct=-30,           # 减仓30%（负数）
    limit_price=3480.0,
    confidence_score=70,
    key_support=3400.0,
    key_resistance=3500.0,
    reason="获利部分离场，降低风险"
)

止损机制详解

策略使用 账户百分比止损，而非价格百分比：

# 示例：10x杠杆做多BTC，止损设置为 -10%

开仓价: 95000 USDT
杠杆: 10x
账户止损: -10%

# 计算触发价格:
价格需要下跌 1% 才会触发止损（因为10x杠杆）
止损价 = 95000 * (1 - 10% / 10) = 94050 USDT

优势:

无论杠杆多少，账户风险固定
LLM 可以自由调整杠杆，止损保护始终有效
符合资金管理原则

🔧 故障排除

❓ 常见问题 FAQ

Q1: 如何确认 LLM API 是否正常连接？

# 从容器内测试
docker exec freqtrade-llm curl http://host.docker.internal:3120/v1/models

# 从宿主机测试
curl http://localhost:3120/v1/models

Q2: 如何查看 LLM 的决策理由？

# 查看格式化的决策日志
tail -f user_data/logs/llm_decisions.jsonl | jq '{
  时间: .timestamp,
  交易对: .pair,
  决策: .action,
  置信度: .confidence,
  理由: .reason
}'

Q3: 系统不交易，一直观望？

可能原因:

LLM 风格过于保守 - 市场波动小时会选择观望
RAG 检索到过多失败案例 - 导致 LLM 谨慎
技术指标不满足入场条件

解决方法:

// 方法1：调整 LLM temperature（在 llm_client.py 中）
"temperature": 0.8  // 增加创造性

// 方法2：清理 RAG 数据，重新学习
./manage.sh clean
./manage.sh start

Q4: 如何从模拟交易切换到实盘？

# 1. 停止服务
./manage.sh stop

# 2. 备份模拟数据（可选）
cp -r user_data/data user_data/data_backup_dry_run

# 3. 修改配置
nano user_data/config.json
# 设置 "dry_run": false
# 填写真实交易所 API 密钥

# 4. 清理模拟交易数据
rm -f user_data/tradesv3.sqlite*

# 5. 重新启动
./manage.sh start

# 6. 密切监控前几笔交易
./manage.sh logs

Q5: 如何备份和恢复数据？

# 备份（包括 RAG 向量库和交易数据）
tar -czf backup_$(date +%Y%m%d).tar.gz user_data/data user_data/logs user_data/*.sqlite*

# 恢复
tar -xzf backup_20241106.tar.gz
./manage.sh restart

Q6: LLM 决策质量不好怎么办？

优化方向:

更换更强的模型 - 使用 GPT-4 或 Qwen3-Coder-30B
调整 System Prompt - 修改策略文件中的 Prompt
积累更多数据 - RAG 需要时间学习
调整风险参数 - 降低 allow_model_freedom，使用固定杠杆

🐛 具体错误处理

1. 容器启动失败

# 检查Docker是否运行
docker info

# 查看详细错误
docker-compose logs

2. LLM API 连接失败

错误: Connection refused 或 Timeout

解决:

# 检查 API 地址
curl http://host.docker.internal:3120/v1/models

# 如果是本地API，确保使用 host.docker.internal
# 如果是远程API，使用完整URL

3. ChromaDB 初始化失败

错误: chromadb module not found

解决:

# 重新构建镜像
./manage.sh deploy

4. RAG 检索缓慢

优化:

"rag_config": {
    "similarity_top_k": 3,        // 减少检索数量
    "min_similarity": 0.75,       // 提高相似度阈值
    "max_history_size": 5000      // 减少历史记录
}

5. LLM 决策超时

错误: LLM timeout after 60s

解决:

"llm_config": {
    "timeout": 120,               // 增加超时时间
    "max_tokens": 1500            // 减少输出长度
}

6. 清理所有数据重新开始

./manage.sh clean

注意: 这会删除：

ChromaDB 向量数据库
交易数据库
所有日志文件

🔬 技术细节

LLM Function Calling 工作原理

上下文构建: 收集市场数据、技术指标、账户状态
RAG 检索: 从向量数据库检索相似的历史情况
LLM 推理: 综合分析当前情况，决定使用哪个函数
Function Call: LLM 返回函数名和参数
执行函数: FunctionExecutor 执行交易函数
结果反馈: 将执行结果反馈给 LLM（如有需要）
经验记录: 记录决策和结果到 RAG 系统

多时间框架整合

策略使用 @informative 装饰器实现多时间框架：

@informative('1h')
def populate_indicators_1h(self, dataframe, metadata):
    # 1小时指标
    dataframe['ema_20'] = ta.EMA(dataframe, timeperiod=20)
    return dataframe

在决策时，LLM 可以同时看到：

15分钟：短期趋势
1小时：中期趋势
4小时：主要趋势
日线：长期趋势

上下文Token管理

"context_config": {
    "max_context_tokens": 6000,       // 总Token限制
    "system_prompt_tokens": 500,      // 系统提示词
    "market_data_tokens": 800,        // 市场数据
    "rag_history_tokens": 1500,       // RAG历史
    "enable_context_compression": true
}

上下文优先级：

系统提示词（必需）
当前市场数据（必需）
账户和持仓信息（必需）
RAG 历史案例（可选）

📊 性能监控

查看实时日志

# 主日志
tail -f user_data/logs/freqtrade.log

# LLM决策日志
tail -f user_data/logs/llm_decisions.jsonl

# 交易经验日志
tail -f user_data/logs/trade_experience.jsonl

Web UI

访问 http://localhost:8086：

📈 实时持仓和收益
📊 交易历史
💹 性能统计
🔔 通知管理

Telegram Bot

配置 Telegram 通知：

"telegram": {
    "enabled": true,
    "token": "your-bot-token",
    "chat_id": "your-chat-id"
}

命令列表：

/status - 查看当前状态
/profit - 查看收益
/balance - 查看余额
/daily - 每日统计
/whitelist - 交易对列表

⚠️ 风险提示

加密货币交易存在高风险，可能导致本金损失
LLM 决策不保证盈利，需要持续监控和优化
建议先使用模拟交易（dry_run: true）测试
合理设置止损和仓位，控制单笔风险
定期检查日志，确保策略正常运行
高杠杆有爆仓风险，谨慎使用
不要投入超过你能承受损失的资金

💎 最佳实践

🎯 新手入门建议

第一周：模拟交易观察

# 使用默认配置，dry_run: true
./manage.sh start
# 每天查看决策日志，了解 LLM 的思考方式

第二周：调整参数测试

// 尝试不同的风险配置
"max_open_trades": 2,
"max_leverage": 10,
"allow_model_freedom": false  // 固定杠杆更稳定

第三周：小资金实盘

# 使用小额资金（如 100 USDT）
# 观察真实环境下的表现

一个月后：根据数据优化

# 分析历史交易
# 根据胜率、盈亏比调整配置

🔧 性能优化建议

1. 降低延迟

"rag_config": {
    "similarity_top_k": 3,  // 减少检索数量
    "enable": false          // 初期可以关闭 RAG
}

2. 提升决策质量

使用更强的模型（GPT-4、Claude、Qwen3-30B）
积累更多历史数据让 RAG 学习
调整 System Prompt 更符合你的交易风格

3. 资金管理

// 保守型配置
{
    "max_open_trades": 2,
    "tradable_balance_ratio": 0.90,  // 只用90%资金
    "max_leverage": 5,
    "emergency_stop_loss": -0.10
}

📊 监控和维护

每日检查清单

查看日志确认系统运行正常
检查 Web UI 的持仓和收益
查看 LLM 决策日志，了解推理过程
确认交易所 API 连接正常

每周维护

备份数据（RAG 向量库 + 交易数据库）
检查 Docker 日志是否有异常
评估策略表现，必要时调整参数
检查 ChromaDB 存储空间

每月优化

分析历史交易数据
优化风险参数
考虑更新 Freqtrade 版本
评估是否需要更换 LLM 模型

🎓 进阶玩法

1. 多策略并行

可以运行多个实例，使用不同的配置：

# 保守策略实例
cp -r ft-userdata-llm ft-userdata-llm-conservative
# 修改配置和容器名

# 激进策略实例
cp -r ft-userdata-llm ft-userdata-llm-aggressive
# 修改配置和容器名

2. 自定义 System Prompt

修改 user_data/strategies/LLMFunctionStrategy.py 中的 Prompt，让 LLM 更符合你的交易风格。

3. 集成自定义指标

在策略文件中添加自己的技术指标，LLM 会在决策时考虑这些指标。

4. Webhook 通知

配置 Discord/Telegram，实时接收交易通知。

📄 许可证

MIT License

🤝 贡献

欢迎提交 Issue 和 Pull Request！

📞 支持

GitHub Issues: 报告问题
文档: 查看 Freqtrade 官方文档
社区: 加入 Freqtrade Discord/Telegram

🎓 学习资源

祝交易顺利！🚀

Name		Name	Last commit message	Last commit date
Latest commit History 8 Commits
user_data		user_data
.env.example		.env.example
.gitignore		.gitignore
CONFIG_TEMPLATE.md		CONFIG_TEMPLATE.md
Dockerfile.custom		Dockerfile.custom
README.md		README.md
docker-compose.yml		docker-compose.yml
manage.sh		manage.sh

manwallet/ft-userdata-llm-share

Folders and files

Latest commit

History

Repository files navigation