Crypto trading bot framework with FreqAI ML extension supporting multiple machine learning and deep learning models.
Die Modellpfade unten wurden anhand der Freqtrade-develop-Revision geprüft c0a991f (2026-09-24). Dies sind Beispielimplementierungen; Bewertungen für Tempo, Genauigkeit oder Handelsertrag wurden nicht gemessen.
Der offizielle FreqAI-Leitfaden beginnt mit FreqaiExampleStrategy, LightGBMRegressor und config_freqai.example.json. Die Beispielstrategie dient dem Lernen und Testen, nicht dem produktiven Handel. Siehe FreqAI.
freqtrade trade --config config_examples/config_freqai.example.json --strategy FreqaiExampleStrategy --freqaimodel LightGBMRegressor --strategy-path freqtrade/templatesZuerst FreqAI-Abhängigkeiten installieren und die Beispielkonfiguration prüfen. Prognosen vor dem Einsatz in Strategien mit zeitlich geordneten Daten und Handelskosten validieren.
FreqAI-Vorhersagemodelle für ML-basierte Preisprognose. Jedes Modell erfordert Feature Engineering über die Feature-Pipeline von Freqtrade.
Gradient boosting regression model for price movement prediction using LightGBM.
freqtrade/freqai/prediction_models/LightGBMRegressor.pyLightGBM classification model for user-defined discrete labels.
freqtrade/freqai/prediction_models/LightGBMClassifier.pyXGBoost-based regression model for continuous value prediction.
freqtrade/freqai/prediction_models/XGBoostRegressor.pyXGBoost classification model for user-defined discrete labels.
freqtrade/freqai/prediction_models/XGBoostClassifier.pyMulti-layer perceptron neural network for regression-based price prediction.
freqtrade/freqai/prediction_models/PyTorchMLPRegressor.pyReinforcement-Learning-Agenten auf Basis von Stable Baselines3. Der Agent lernt Handelsentscheidungen durch Umgebungsinteraktion statt durch gelabelte Daten.