# source: https://raw.githubusercontent.com/PabloM03/freqtrade/a604b29b7c4f06b8d981207d8a452179ca427465/user_data/strategies/FreqAIEnhanced15m.py # directory_url: https://github.com/PabloM03/freqtrade/blob/develop/user_data/strategies/ # User: PabloM03 # Repository: freqtrade # --------------------""" Github_PabloM03_freqtrade__FreqAIEnhanced15m__20260827_190157.py — Estrategia LightGBMClassifier (condición K) El modelo predice si el precio subirá >= 1.5% en las próximas 48 velas (12h). Condición K: FreqAI predice subida + RSI < 55 + zona de valor técnica. Backtest: freqtrade backtesting \ -c config.json -c config.backtest.json \ -c config.backtest.freqai.json -c config.freqai.json \ -s Github_PabloM03_freqtrade__FreqAIEnhanced15m__20260827_190157 --timerange 20240101-20241231 --cache none Nota: necesita datos 2023 para el primer entrenamiento (train_period_days=90). """ import freqtrade.vendor.qtpylib.indicators as qtpylib import talib.abstract as ta from freqtrade.strategy import IStrategy, DecimalParameter from pandas import DataFrame class Github_PabloM03_freqtrade__FreqAIEnhanced15m__20260827_190157(IStrategy): """ Clasificador LightGBM que aprende cuándo el mercado va a subir >= 1.5% en 12h. Se usa como condición K: señal additive (no filtro) sobre la estrategia base. """ INTERFACE_VERSION = 3 timeframe = "15m" startup_candle_count = 500 can_short = False # Stoploss amplio — calidad de entrada filtrada por ML, no por SL estrecho stoploss = -0.347 trailing_stop = True trailing_stop_positive = 0.03 trailing_stop_positive_offset = 0.05 trailing_only_offset_is_reached = True # HARD_TP 50% — igual que MyStrategy para comparativa justa minimal_roi = {"0": 0.50} process_only_new_candles = True use_exit_signal = False # Zona de valor (threshold BB percent) buy_bb_zone_ok = DecimalParameter(0.20, 0.80, default=0.68, space='buy') # ------------------------------------------------------------------------- # FreqAI — Feature Engineering # ------------------------------------------------------------------------- def feature_engineering_expand_all( self, dataframe: DataFrame, period: int, metadata: dict, **kwargs ) -> DataFrame: """ Features que se expanden para cada período en indicator_periods_candles. Con [8, 20, 40] → 3 versiones de cada feature (períodos corto/medio/largo). """ dataframe[f"%-rsi-{period}"] = ta.RSI(dataframe, timeperiod=period) dataframe[f"%-adx-{period}"] = ta.ADX(dataframe, timeperiod=period) dataframe[f"%-roc-{period}"] = ta.ROC(dataframe, timeperiod=period) dataframe[f"%-mfi-{period}"] = ta.MFI(dataframe, timeperiod=period) dataframe[f"%-cci-{period}"] = ta.CCI(dataframe, timeperiod=period) macd = ta.MACD(dataframe, fastperiod=12, slowperiod=26, signalperiod=9) dataframe[f"%-macdhist-{period}"] = macd["macdhist"] bb = qtpylib.bollinger_bands( qtpylib.typical_price(dataframe), window=period, stds=2 ) denom = bb["upper"] - bb["lower"] + 1e-9 dataframe[f"%-bb_pct-{period}"] = (dataframe["close"] - bb["lower"]) / denom dataframe[f"%-bb_width-{period}"] = (bb["upper"] - bb["lower"]) / (bb["mid"] + 1e-9) return dataframe def feature_engineering_expand_basic( self, dataframe: DataFrame, metadata: dict, **kwargs ) -> DataFrame: """ Features básicas de precio y volumen (una sola versión, sin expansión por período). """ dataframe["%-pct_1"] = dataframe["close"].pct_change(1) * 100 dataframe["%-pct_4"] = dataframe["close"].pct_change(4) * 100 dataframe["%-pct_16"] = dataframe["close"].pct_change(16) * 100 vol_ma = dataframe["volume"].rolling(20).mean() dataframe["%-vol_ratio"] = dataframe["volume"] / (vol_ma + 1e-9) dataframe["%-vol_pct"] = dataframe["volume"].pct_change(1) return dataframe def feature_engineering_standard( self, dataframe: DataFrame, metadata: dict, **kwargs ) -> DataFrame: """ Solo define el target. Las features estructurales ya están en expand_all/expand_basic. Nota: LightGBMClassifier es incompatible con pandas 3.0 en esta versión de freqtrade (el check `dtype == object` falla para strings en pandas 3.x, que los almacena como dtype='str'). Usamos LightGBMRegressor con target numérico. """ # ---- Target: % de retorno en las próximas 48 velas (12h) ---- # Regressor predice retorno futuro; entrada cuando predicción > 0.5% dataframe["&-s_target"] = ( dataframe["close"].shift(-48) / dataframe["close"] - 1 ) * 100 return dataframe # ------------------------------------------------------------------------- # Indicadores técnicos para los filtros de la condición K # ------------------------------------------------------------------------- def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame: """ 1. Llama a FreqAI para obtener la predicción del clasificador. 2. Calcula indicadores técnicos usados como filtros de la condición K. """ # --- FreqAI: entrena/carga el modelo y añade columnas de predicción --- dataframe = self.freqai.start(dataframe, metadata, self) # --- Indicadores técnicos para filtros --- dataframe["rsi"] = ta.RSI(dataframe, timeperiod=14) dataframe["ema80"] = ta.EMA(dataframe, timeperiod=80) dataframe["ema200"] = ta.EMA(dataframe, timeperiod=200) # BB80 (ventana ×4 para equivalencia 20h en 15m) bb80 = qtpylib.bollinger_bands( qtpylib.typical_price(dataframe), window=80, stds=2 ) dataframe["bb_middleband"] = bb80["mid"] dataframe["bb_upperband"] = bb80["upper"] dataframe["bb_lowerband"] = bb80["lower"] dataframe["bb_percent"] = ( (dataframe["close"] - bb80["lower"]) / (bb80["upper"] - bb80["lower"] + 1e-9) ) dataframe["vol_ma"] = dataframe["volume"].rolling(20).mean() # Pendiente EMA200 — no entrar si el mercado está en caída libre dataframe["ema200_slope_48"] = ( dataframe["ema200"] / (dataframe["ema200"].shift(192) + 1e-9) # 192 × 15m = 48h ) return dataframe # ------------------------------------------------------------------------- # Entry / Exit # ------------------------------------------------------------------------- def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame: """ Condición K: el regresor predice retorno > 0.5% en 12h + precio en zona de valor. Columnas que añade FreqAI (LightGBMRegressor): - &-s_target → retorno predicho (% en 12h) - do_predict → 1 si el modelo tiene confianza, 0 si outlier """ pred_col = "&-s_target" if pred_col not in dataframe.columns: # FreqAI no configurado o primer startup sin modelo aún dataframe["enter_long"] = 0 return dataframe # Filtro de confianza del modelo (do_predict = 1: in-distribution) model_confident = (dataframe["do_predict"] == 1) # Regresor predice retorno positivo > 0.5% en 12h # Threshold bajo (no filtro, señal additive) — umbral mínimo para no entrar en pérdida esperada freqai_bullish = (dataframe[pred_col] > 0.5) # Filtros técnicos (precio en zona de valor, no overbought, no en caída libre) in_value_zone = (dataframe["bb_percent"] <= self.buy_bb_zone_ok.value) rsi_ok = (dataframe["rsi"] < 55) & (dataframe["rsi"] > 20) trend_ok = (dataframe["ema200_slope_48"] >= 0.986) # EMA200 no cayendo >1.4% en 48h vol_ok = (dataframe["volume"] > dataframe["vol_ma"] * 0.5) price_not_extended = (dataframe["close"] < dataframe["bb_upperband"]) K = ( model_confident & freqai_bullish & in_value_zone & rsi_ok & trend_ok & vol_ok & price_not_extended ) dataframe.loc[K, "enter_long"] = 1 dataframe.loc[K, "enter_tag"] = "K_freqai" return dataframe def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame: """Las salidas las gestiona el trailing stop y minimal_roi.""" dataframe["exit_long"] = 0 return dataframe