Crypto trading bot framework with FreqAI ML extension supporting multiple machine learning and deep learning models.
Les chemins des modèles ci-dessous ont été vérifiés sur la révision develop de Freqtrade c0a991f (2026-09-24). Ce sont des exemples d’implémentation ; aucune note de vitesse, de précision ou de rendement n’a été mesurée.
Le guide officiel FreqAI commence par FreqaiExampleStrategy, LightGBMRegressor et config_freqai.example.json. La stratégie d’exemple sert à apprendre et tester, pas au trading en production. Voir FreqAI.
freqtrade trade --config config_examples/config_freqai.example.json --strategy FreqaiExampleStrategy --freqaimodel LightGBMRegressor --strategy-path freqtrade/templatesInstaller d’abord les dépendances FreqAI et examiner la configuration d’exemple. Valider avec des données chronologiques et les coûts de transaction avant d’utiliser les prédictions dans une stratégie.
Modèles de prédiction FreqAI pour la prédiction de prix basée sur l'apprentissage automatique. Chaque modèle nécessite un feature engineering via le pipeline de features de 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.pyAgents d'apprentissage par renforcement construits sur Stable Baselines3. L'agent apprend des décisions de trading par interaction avec l'environnement plutôt que par données étiquetées.