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
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。
- 🧠 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 9 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、市场情绪进行全局决策
- 🔄 自我评价: 模型对每笔交易打分并反思，持续优化决策能力
LLM 通过 9 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 | 杠杆、置信度、关键位、投入金额 |
signal_entry_short |
开空仓 | 杠杆、置信度、关键位、投入金额 |
signal_exit |
平仓 + 自我评价 | 置信度、RSI、trade_score(0-100) |
adjust_position |
加仓/减仓 | 调整百分比、关键位、理由 |
signal_hold |
保持持仓 | 置信度、理由 |
signal_wait |
空仓观望 | 置信度、理由 |
| 函数名称 | 功能描述 | 用途 |
|---|---|---|
record_decision_to_rag |
记录决策到RAG | 盈利>5%时记录持仓决策，供未来学习 |
query_rag_stats |
查询RAG统计 | 查看历史记录数量、存储状态 |
cleanup_rag_history |
清理RAG历史 | 删除低质量或过时记录 |
RAG Learning System
├── 向量语义检索
│ ├── FAISS 向量存储（毫秒级检索）
│ ├── text-embedding-bge-m3 嵌入模型
│ └── 相似历史交易检索
│
├── 模型自我评价
│ ├── 平仓时对交易打分（0-100）
│ ├── 反思入场时机、持仓管理、风险控制
│ └── 评分自动记录到RAG系统
│
├── 交易评估器（TradeEvaluator）
│ ├── 盈利评分（profit_score）
│ ├── 风险管理评分（risk_score）
│ ├── 时机把握评分（timing_score）
│ ├── 资金效率评分（efficiency_score）
│ └── 综合评级（S/A/B/C/D/F）
│
└── 奖励学习系统（RewardLearning）
├── 基于评分构建奖励函数
├── 自动识别成功/失败模式
├── 生成学习指导和警告
└── 追踪累计奖励趋势
平仓时:
├─ 1. 模型调用 signal_exit，提供 trade_score(0-100)
├─ 2. TradeEvaluator 分析交易质量
│ ├─ 盈利评分（是否达到目标）
│ ├─ 风险评分（止损执行、杠杆使用）
│ ├─ 时机评分（入场/出场时机）
│ └─ 效率评分（收益/时间比）
├─ 3. 生成交易总结
│ ├─ 优点：做对了什么
│ ├─ 缺点：哪里可以改进
│ └─ 教训：未来如何避免
├─ 4. 向量化并存储到FAISS
│ └─ 使用 text-embedding-bge-m3 生成向量
├─ 5. 奖励学习
│ ├─ 计算奖励值（reward）
│ ├─ 记录奖励历史
│ └─ 更新学习曲线
└─ 6. 下次决策时
└─ 检索相似历史 → 提供给LLM参考
| 模块名称 | 功能描述 |
|---|---|
| PositionTracker | 持仓追踪：实时记录MFE/MAE、决策历史 |
| MarketStateComparator | 市场对比：对比开仓时和当前的市场变化 |
| DecisionChecker | 决策检查：验证开仓信号是否符合规则 |
| TradeReviewer | 交易复盘：生成详细的交易报告和教训 |
- ✅ 多空双向交易（做多/做空）
- ✅ 动态杠杆（1-100x，由 LLM 决定）
- ✅ 灵活投入（可指定具体USDT金额）
- ✅ 仓位调整（加仓/减仓）
- ✅ 多重风控（止损、最大回撤、仓位限制）
支持 4 个时间框架同时分析：
- 30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
- 结构：价格形态、支撑阻力
日志系统
├── freqtrade.log # 主日志：策略运行、交易执行
├── llm_decisions.jsonl # LLM决策日志：每次决策的上下文和结果
├── trade_experience.jsonl # 交易经验日志：完整的交易记录
└── rag/ # RAG存储
├── vector_store/ # FAISS向量索引
├── metadata.json # 交易元数据
└── rewards.jsonl # 奖励学习记录
ft-userdata-llm/
├── docker-compose.yml # Docker 编排配置
├── Dockerfile.custom # 自定义镜像（numpy + faiss-cpu）
├── manage.sh # 一键管理脚本
├── README.md # 本文档
├── README_RAG.md # RAG系统详细文档
│
└── 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 核心
│ │ ├── llm_client.py # OpenAI API 封装
│ │ └── function_executor.py # Function Calling 执行器
│ │
│ ├── learning/ # 学习系统 ⭐
│ │ ├── embedding_service.py # 嵌入服务（bge-m3）
│ │ ├── vector_store.py # FAISS 向量存储
│ │ ├── rag_manager.py # RAG 管理器
│ │ ├── trade_evaluator.py # 交易评估器
│ │ └── reward_learning.py # 奖励学习
│ │
│ ├── tools/ # 交易工具
│ │ └── trading_tools.py # 9个核心交易函数
│ │
│ ├── experience/ # 经验系统
│ │ ├── experience_manager.py # 经验管理
│ │ ├── trade_logger.py # 交易日志
│ │ ├── trade_reviewer.py # 交易复盘
│ │ ├── position_tracker.py # 持仓追踪
│ │ ├── market_comparator.py # 市场对比
│ │ ├── decision_checker.py # 决策检查
│ │ └── simple_historical_context.py
│ │
│ └── utils/ # 工具类
│ ├── config_loader.py # 配置加载
│ ├── context_builder.py # 上下文构建
│ ├── indicator_calculator.py
│ └── market_sentiment.py # 市场情绪
│
├── data/
│ └── rag/ # RAG 数据存储
│ ├── vector_store/ # FAISS 向量索引
│ └── metadata/ # 交易元数据
│
└── logs/
├── freqtrade.log # 主日志
├── llm_decisions.jsonl # LLM 决策日志
└── trade_experience.jsonl # 交易经验日志
- Docker 和 Docker Compose 已安装
- LLM API: 支持 OpenAI Function Calling 的 API
- Embedding API: 支持 text-embedding-bge-m3 的 API
- 币安账户（或其他支持的交易所）
编辑 user_data/config.json：
{
"llm_config": {
"api_base": "http://host.docker.internal:3120",
"api_key": "sk-your-api-key",
"model": "qwen/qwen3-30b-a3b-thinking-2507",
"temperature": 0.7,
"max_tokens": 2000,
"timeout": 60
},
"experience_config": {
"enable_rag": true,
"rag_config": {
"embedding": {
"model_name": "text-embedding-bge-m3",
"api_url": "http://host.docker.internal:3120",
"api_key": "sk-your-api-key",
"api_type": "openai",
"dimension": 1024
},
"vector_store": {
"index_type": "flat",
"storage_path": "./user_data/rag/vector_store"
},
"similarity_threshold": 0.7,
"top_k": 5
}
}
}支持的 API 类型:
openai: OpenAI 兼容 API（推荐）ollama: Ollama 本地部署local: sentence-transformers 本地模型
{
"exchange": {
"name": "binance",
"key": "your-api-key",
"secret": "your-api-secret",
"ccxt_config": {
"enableRateLimit": true,
"options": {
"defaultType": "future"
}
}
}
}# 赋予执行权限
chmod +x manage.sh
# 快速启动（推荐）
./manage.sh start
# 完整部署（首次启动或更新后）
./manage.sh deploymanage.sh 功能:
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 (构建镜像 + 启动 + 查看日志)
4) 只查看日志
5) 清理所有数据
6) 停止服务
- 日志:
./manage.sh logs或docker logs -f freqtrade-llm - Web UI: http://localhost:8086
- 用户名:
freqtrader - 密码: 见配置文件
- 用户名:
- API: http://localhost:8086/api/v1/
"llm_config": {
"api_base": "http://host.docker.internal:3120",
"api_key": "sk-xxx",
"model": "qwen/qwen3-30b-a3b-thinking-2507",
"temperature": 0.7, // 创造性 (0.0-1.0)
"max_tokens": 2000, // 最大输出长度
"timeout": 60, // 请求超时时间
"retry_times": 2 // 失败重试次数
}temperature 建议:
0.0-0.3: 保守稳健，严格遵循技术指标0.4-0.7: 平衡模式（推荐），结合技术和直觉0.8-1.0: 激进创新，可能产生意外决策
推荐模型:
- qwen/qwen3-30b-a3b-thinking-2507: 深度思考能力强（推荐）
- gpt-4-turbo: OpenAI 官方，稳定可靠
- deepseek-coder: 成本低，速度快
"experience_config": {
"enable_rag": true,
"log_decisions": true,
"log_trades": true,
"rag_config": {
"embedding": {
"model_name": "text-embedding-bge-m3",
"api_url": "http://host.docker.internal:3120",
"api_key": "sk-xxx",
"api_type": "openai",
"dimension": 1024,
"batch_size": 8
},
"vector_store": {
"index_type": "flat", // flat|hnsw|ivf
"storage_path": "./user_data/rag/vector_store"
},
"similarity_threshold": 0.7, // 相似度阈值
"top_k": 5, // 检索数量
"enable_reward_learning": true, // 启用奖励学习
"min_trades_for_learning": 10 // 最少交易数
}
}FAISS 索引类型:
flat: 精确搜索，适合 <10k 记录hnsw: HNSW 近似搜索，适合 10k-1M 记录ivf: IVF 索引，适合 >1M 记录
{
"max_open_trades": 5, // 最大持仓数
"stake_currency": "USDT",
"stake_amount": "unlimited", // unlimited = 动态分配
"tradable_balance_ratio": 0.99,
"trading_mode": "futures",
"margin_mode": "isolated",
"dry_run": true, // 模拟交易
"dry_run_wallet": 1340
}"risk_management": {
"max_leverage": 100, // LLM 最大可用杠杆
"default_leverage": 10,
"max_position_pct": 50, // 单仓位最大占用
"max_open_trades": 5,
"allow_model_freedom": true, // 允许 LLM 自由决策
"emergency_stop_loss": -0.15 // 账户紧急止损
}"context_config": {
"max_context_tokens": 6000,
"include_multi_timeframe_data": true,
"indicator_history_points": 20,
"multi_timeframe_history": {
"1h": {"candles": 200, "fields": [...]},
"4h": {"candles": 180, "fields": [...]},
"1d": {"candles": 150, "fields": [...]}
}
}平仓时，模型需要对自己的交易表现打分：
signal_exit(
pair="BTC/USDT:USDT",
confidence_score=85,
rsi_value=72,
trade_score=78, # 🌟 自我评分 0-100
reason="""
平仓理由：目标位已达，RSI超买
自我反思：
✓ 优点：入场时机准确，在支撑位附近开仓
✓ 优点：持仓过程中耐心等待，没有过早平仓
✗ 缺点：可以在75000附近部分获利了结
✗ 缺点：持仓时间略长，资金效率不够高
教训：下次在盈利超过8%时可考虑部分止盈
"""
)TradeEvaluator 会对每笔交易进行多维度评分：
| 维度 | 权重 | 评分标准 |
|---|---|---|
| 盈利评分 | 30% | 是否达到盈利目标，亏损控制 |
| 风险评分 | 25% | 止损执行、杠杆合理性、回撤控制 |
| 时机评分 | 25% | 入场位置、出场时机、是否接近峰值 |
| 效率评分 | 20% | 收益/时间比，资金利用率 |
最终评级:
- S级 (90-100): 完美交易
- A级 (80-89): 优秀交易
- B级 (70-79): 良好交易
- C级 (60-69): 及格交易
- D级 (50-59): 需改进
- F级 (<50): 失败交易
基于交易评分构建奖励函数：
奖励计算公式：
reward = (profit_pct / 100) * (score / 100) * leverage_factor
示例：
- 盈利 +8%, 评分 85, 杠杆 10x
→ reward = 0.08 * 0.85 * 1.0 = +0.068
- 亏损 -5%, 评分 60, 杠杆 15x
→ reward = -0.05 * 0.60 * 1.2 = -0.036决策时，系统会检索相似历史：
🔍 检索到 3 条相似历史交易：
[1] BTC/USDT 做多 (相似度: 0.89) | 评分: 82/100
入场: 支撑位反弹，RSI 45
持仓: 3.5小时
盈利: +12.3%
教训: 支撑位开仓成功率高，耐心持有是关键
[2] ETH/USDT 做多 (相似度: 0.83) | 评分: 75/100
入场: EMA20突破
持仓: 2.1小时
盈利: +6.8%
教训: 突破后应等待回踩确认
[3] SOL/USDT 做多 (相似度: 0.78) | 评分: 45/100
入场: 假突破
持仓: 1.8小时
亏损: -4.2%
教训: 量能不足的突破容易失败
详细说明请查看 README_RAG.md
signal_entry_long(
pair="BTC/USDT:USDT",
leverage=10, # 杠杆倍数
confidence_score=85, # 置信度 1-100
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
stake_amount=500.0, # 🌟 投入500 USDT（可选）
reason="价格突破EMA20，RSI超卖反弹，日线趋势向上"
)signal_exit(
pair="BTC/USDT:USDT",
confidence_score=90,
rsi_value=78,
trade_score=85, # 🌟 自我评分 0-100
reason="""
平仓理由：达到目标利润，RSI超买
自我反思：
✓ 入场时机好，在支撑位开仓
✓ 持仓耐心，没有过早平仓
✗ 可以在中途部分止盈
教训：盈利>8%时考虑分批止盈
"""
)# 在盈利>5%且继续持有时记录
record_decision_to_rag(
pair="BTC/USDT:USDT",
decision_type="hold", # hold | exit
reason="趋势仍然强劲，ADX高位，继续持有",
confidence=0.85,
current_profit_pct=7.5
)query_rag_stats() # 返回当前RAG系统状态
# 返回示例:
{
"total_experiences": 156,
"reward_stats": {
"total_trades": 156,
"avg_score": 73.5,
"cumulative_reward": 12.34
}
}cleanup_rag_history(
strategy="low_quality", # low_quality | compress | old_records
reason="删除评分<50的低质量记录"
)1. 新K线到来（30分钟周期）
↓
2. 构建市场上下文
- 当前价格: 95,123 USDT
- RSI: 45 (主), 52 (1h), 58 (4h), 62 (1d)
- MACD: 转正
- EMA20: 突破
- 账户余额: 1,200 USDT
- 持仓数: 2/5
↓
3. RAG检索相似历史
- 找到3条相似的支撑位反弹案例
- 成功率: 2/3
- 平均盈利: +8.5%
↓
4. LLM分析决策
思考过程:
"价格在EMA20获得支撑并反弹
RSI在超卖区域
MACD即将金叉
类似历史案例成功率高
→ 决定开多仓"
↓
5. 调用 signal_entry_long
- 投入: 400 USDT
- 杠杆: 10x
- 置信度: 82
↓
6. 执行交易
- 策略接收信号
- 验证参数
- 发送订单
↓
7. 记录决策
- 保存到 llm_decisions.jsonl
- 记录上下文和推理过程
原因: RAG管理器未正确初始化或注册
解决:
# 检查配置文件
grep "enable_rag" user_data/config.json
# 重启容器
./manage.sh restart
# 查看日志确认
docker logs freqtrade-llm | grep "RAG"应该看到：
✓ RAG 学习系统已启用
✓ RAG 工具函数已注册
原因: Embedding API路径或返回格式错误
解决:
# 测试API
curl http://host.docker.internal:3120/v1/embeddings \
-H "Authorization: Bearer sk-your-key" \
-H "Content-Type: application/json" \
-d '{
"model": "text-embedding-bge-m3",
"input": ["test"]
}'修复后系统会自动尝试多个路径：
/v1/embeddings/embeddings
状态: ✅ 已修复
说明: datetime时区兼容性问题已在最新版本中解决
状态: ✅ 已修复
说明: 现在API失败时返回零向量而非随机向量，避免污染向量库
"llm_config": {
"timeout": 120, // 增加到120秒
"max_tokens": 1500, // 减少输出长度
"temperature": 0.5 // 降低创造性
}# 检查依赖
docker exec freqtrade-llm pip list | grep faiss
# 应该看到
faiss-cpu 1.7.0
# 如果没有，重新构建
./manage.sh deploy./manage.sh clean警告: 这会删除：
- FAISS 向量数据库
- RAG 元数据
- 交易数据库
- 所有日志文件
# 1. 交易完成时
trade_summary = """
BTC/USDT 做多
入场: 支撑位反弹 (95000)
持仓: 3.5小时
盈利: +12.3%
评分: 85/100
教训: 支撑位开仓成功率高
"""
# 2. 使用 bge-m3 生成向量
vector = embedding_service.embed(trade_summary)
# → [1024维向量]
# 3. 存储到 FAISS
vector_store.add(
vector=vector,
metadata={
"pair": "BTC/USDT:USDT",
"score": 85,
"profit_pct": 12.3,
"timestamp": "2025-01-15T10:30:00"
}
)
# 4. 下次决策时检索
current_context = "BTC价格在EMA20支撑位反弹"
query_vector = embedding_service.embed(current_context)
similar_trades = vector_store.search(
query_vector=query_vector,
top_k=5,
min_similarity=0.7
)
# 5. 返回相似历史
[
{"similarity": 0.89, "metadata": {...}},
{"similarity": 0.83, "metadata": {...}},
...
]TradeEvaluator 评分逻辑:
1. 盈利评分 (30%)
- profit > 10%: 满分 30
- profit 5-10%: 20-30分
- profit 0-5%: 10-20分
- loss < -5%: 0-10分
2. 风险评分 (25%)
- 止损执行: ±10分
- 杠杆合理性: ±10分
- 回撤控制: ±5分
3. 时机评分 (25%)
- 入场位置 (MAE): ±12分
- 出场时机 (接近MFE): ±13分
4. 效率评分 (20%)
- profit/hour > 1%: 满分 20
- profit/hour 0.5-1%: 15分
- profit/hour 0.1-0.5%: 10分
- profit/hour < 0.1%: 0-10分
最终得分 = 盈利 + 风险 + 时机 + 效率def calculate_reward(trade):
"""
奖励 = 盈利% * (评分/100) * 杠杆系数
杠杆系数:
- 1-5x: 1.0
- 6-10x: 1.1
- 11-20x: 1.2
- >20x: 1.3
"""
base_reward = trade.profit_pct / 100
score_factor = trade.score / 100
leverage_factor = calculate_leverage_factor(trade.leverage)
reward = base_reward * score_factor * leverage_factor
return reward
# 示例
trade_1 = {
"profit_pct": 12.5,
"score": 85,
"leverage": 10
}
reward_1 = 0.125 * 0.85 * 1.1 = 0.117 # 优秀交易
trade_2 = {
"profit_pct": -5.0,
"score": 55,
"leverage": 15
}
reward_2 = -0.05 * 0.55 * 1.2 = -0.033 # 失败交易{
"context_config": {
"max_context_tokens": 6000,
"allocation": {
"system_prompt": 500, // 系统指令
"current_market": 800, // 当前市场数据
"account_info": 200, // 账户余额、持仓
"technical_indicators": 1000, // 技术指标历史
"rag_similar_trades": 1500, // RAG检索结果
"multi_timeframe": 2000 // 多时间框架
}
}
}| 页面 | 功能 |
|---|---|
| Dashboard | 实时持仓、收益曲线、账户余额 |
| Trades | 交易历史、盈亏统计、持仓分析 |
| Performance | 回撤分析、夏普比率、胜率 |
| Logs | 策略日志、错误日志 |
# 主日志（包含LLM决策推理）
tail -f user_data/logs/freqtrade.log
# LLM决策详细日志
tail -f user_data/logs/llm_decisions.jsonl | jq .
# 交易经验日志
tail -f user_data/logs/trade_experience.jsonl | jq .# 在策略中查看
docker exec freqtrade-llm python3 << 'EOF'
from strategies.llm_modules.learning.rag_manager import RAGManager
from strategies.llm_modules.utils.config_loader import load_config
config = load_config("user_data/config.json")
rag_config = config["experience_config"]["rag_config"]
rag = RAGManager(rag_config)
print(f"总交易数: {len(rag.vector_store.metadata)}")
print(f"平均评分: {rag.reward_learner.get_learning_stats()['avg_score']:.1f}")
print(f"累计奖励: {rag.reward_learner.get_learning_stats()['cumulative_reward']:.2f}")
EOF-
✅ RAG学习系统
- FAISS向量存储（替换ChromaDB）
- text-embedding-bge-m3嵌入模型
- 模型自我评价机制（trade_score）
- 交易评估器（4维度评分）
- 奖励学习系统
-
✅ 3个RAG函数
record_decision_to_rag: 记录决策到RAGquery_rag_stats: 查询RAG统计cleanup_rag_history: 清理RAG历史
-
✅ 增强模块
- PositionTracker: 持仓追踪
- MarketStateComparator: 市场对比
- DecisionChecker: 决策检查
- TradeReviewer: 交易复盘
- ✅ 修复 datetime 时区兼容性问题
- ✅ 修复 embedding API 路径兼容性
- ✅ 修复 trade_evaluator 评分计算错误
- ✅ 修复 embedding 降级方案（零向量而非随机）
- ✅ 修复 dataframe 空检查
- ⚡ 降低向量检索延迟（FAISS）
- 📝 完善日志系统
- 🛡️ 增强错误处理和重试机制
- 📊 改进上下文构建和Token管理
- 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）充分测试 - 合理设置止损和仓位，单笔风险控制在5%以内
- 定期检查日志和RAG质量，确保系统健康运行
- 高杠杆有爆仓风险，建议杠杆≤10x
- RAG系统需要积累，前20笔交易效果可能不明显
MIT License
欢迎提交 Issue 和 Pull Request！
特别感谢：
- Freqtrade 社区
- OpenAI Function Calling
- FAISS 向量检索库
- BGE 嵌入模型
- GitHub Issues: 报告问题和建议
- Freqtrade Discord: 交流策略
- Freqtrade Telegram: 实时讨论
祝交易顺利！🚀
"The best time to plant a tree was 20 years ago. The second best time is now." — 最好的交易时机是20年前开始学习，次好的时机是现在开始优化。
