Skip to content

订单流数据

本指南将引导您如何利用公共交易数据在 Freqtrade 中进行高级订单流分析。

实验性功能

订单流功能目前处于测试阶段，未来版本中可能会有变更。请在 Freqtrade GitHub 仓库 报告任何问题或反馈。 该功能目前尚未与 freqAI 进行过测试，将这两个功能结合使用目前不在考虑范围内。

性能提示

订单流需要原始交易数据。这些数据量相当大，可能导致初始启动缓慢，因为 freqtrade 需要下载最近 X 根 K 线的交易数据。此外，启用此功能会增加内存使用量。请确保拥有足够的可用资源。

快速开始

启用公共交易数据

在您的 config.json 文件中，将 exchange 部分下的 use_public_trades 选项设置为 true。

"exchange": {
   ...
   "use_public_trades": true,
}

配置订单流处理

在 config.json 的 orderflow 部分定义您所需的订单流处理设置。在此处，您可以调整以下因素：

  • cache_size: 缓存中保存多少个历史订单流蜡烛图数据，避免每次新蜡烛图时重新计算
  • max_candles: 筛选获取交易数据的蜡烛图数量
  • scale: 控制足迹图的价格分档大小
  • stacked_imbalance_range: 定义需要考虑的最小连续失衡价格级别数量
  • imbalance_volume: 过滤掉成交量低于此阈值的失衡情况
  • imbalance_ratio: 过滤掉比率（卖盘与买盘成交量之差）低于此值的失衡情况
"orderflow": {
    "cache_size": 1000, 
    "max_candles": 1500, 
    "scale": 0.5, 
    "stacked_imbalance_range": 3, //  needs at least this amount of imbalance next to each other
    "imbalance_volume": 1, //  filters out below
    "imbalance_ratio": 3 //  filters out ratio lower than
  },

下载回测用交易数据

要下载历史交易数据进行回测，请在 freqtrade download-data 命令中使用 --dl-trades 标志。

freqtrade download-data -p BTC/USDT:USDT --timerange 20230101- --trading-mode futures --timeframes 5m --dl-trades

数据可用性

并非所有交易所都提供公开交易数据。对于受支持的交易所，如果您使用 --dl-trades 标志开始下载数据，但公开交易数据不可用，freqtrade 会发出警告。

访问订单流数据

激活后，您的数据框中将新增多个列：

dataframe["trades"] # Contains information about each individual trade.
dataframe["orderflow"] # Represents a footprint chart dict (see below)
dataframe["imbalances"] # Contains information about imbalances in the order flow.
dataframe["bid"] # Total bid volume 
dataframe["ask"] # Total ask volume
dataframe["delta"] # Difference between ask and bid volume.
dataframe["min_delta"] # Minimum delta within the candle
dataframe["max_delta"] # Maximum delta within the candle
dataframe["total_trades"] # Total number of trades
dataframe["stacked_imbalances_bid"] # List of price levels of stacked bid imbalance range beginnings
dataframe["stacked_imbalances_ask"] # List of price levels of stacked ask imbalance range beginnings

您可以在策略代码中访问这些列进行进一步分析。以下是一个示例：

def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    # Calculating cumulative delta
    dataframe["cum_delta"] = cumulative_delta(dataframe["delta"])
    # Accessing total trades
    total_trades = dataframe["total_trades"]
    ...

def cumulative_delta(delta: Series):
    cumdelta = delta.cumsum()
    return cumdelta

足迹图 (dataframe["orderflow"])

该列提供了不同价格水平上买卖订单的详细分解，为订单流动态提供了宝贵的洞察。配置中的 scale 参数决定了此表示的价格区间大小

orderflow 列包含一个具有以下结构的字典：

{
    "price": {
        "bid_amount": 0.0,
        "ask_amount": 0.0,
        "bid": 0,
        "ask": 0,
        "delta": 0.0,
        "total_volume": 0.0,
        "total_trades": 0
    }
}

订单流列说明

  • key: 价格区间 - 按 scale 间隔进行分箱
  • bid_amount: 每个价格水平的总买入量
  • ask_amount: 每个价格水平的总卖出量
  • bid: 每个价格水平的买单数量
  • ask: 每个价格水平的卖单数量
  • delta: 每个价格水平上卖出量与买入量的差值
  • total_volume: 每个价格水平的总成交量（卖出量 + 买入量）
  • total_trades: 每个价格水平的总交易次数（卖单数 + 买单数）

通过利用这些特性，您可以基于订单流分析获得对市场情绪和潜在交易机会的宝贵洞察

原始交易数据 (dataframe["trades"])

包含蜡烛图期间发生的单笔交易的列表。此数据可用于更精细地分析订单流动态

每个单独条目包含一个具有以下键的字典：

  • timestamp: 交易时间戳。
  • date: 交易日期。
  • price: 交易价格。
  • amount: 交易量。
  • side: 买入或卖出。
  • id: 交易唯一标识符。
  • cost: 交易总成本（价格 * 数量）。

订单失衡 (dataframe["imbalances"])

该列提供一个字典，包含订单流失衡信息。当特定价格水平的卖单量和买单量出现显著差异时，就会发生失衡现象。

每行数据格式如下——以价格为索引，对应的买卖失衡值作为列

{
    "price": {
        "bid_imbalance": False,
        "ask_imbalance": False
    }
}