Freqtrade项目中的杠杆层级缓存问题分析与解决方案
2025-05-03 03:50:18作者:范垣楠Rhoda
问题背景
在使用Freqtrade进行Bybit平台的期货回测时,用户遇到了"Coins got no leverage tiers available"的错误提示。这个问题特别出现在某些特定币种(如SUI)上,尽管这些币种在Bybit平台确实提供了杠杆层级信息。
问题原因分析
经过深入调查,发现这个问题源于两个层面的机制:
-
Freqtrade的杠杆层级缓存机制:Freqtrade为了提高效率,会对平台的杠杆层级信息进行缓存。默认情况下,这些数据会被保存在
user_data/data/bybit/futures/目录下的JSON文件中,缓存周期通常为数周。 -
CCXT库的API调用限制:底层使用的CCXT库在获取杠杆层级信息时,内部有一个硬编码的
maxCalls参数(默认值为20),限制了API调用的最大次数。对于Bybit这样提供大量交易对的平台,这个限制可能导致无法完整获取所有币种的杠杆信息。
解决方案
针对这个问题,我们提供两种解决方案:
方案一:清除Freqtrade缓存
- 定位并删除缓存文件:
user_data/data/bybit/futures/leverage_tiers_USDT.json - 重新启动回测,系统会自动重新获取最新的杠杆层级信息
方案二:修改CCXT库的调用参数
对于更复杂的情况,特别是当平台提供大量交易对时,可以修改CCXT库的fetch_paginated_call_cursor方法中的maxCalls参数:
- 将默认值从20增加到50或更高
- 这样能确保获取到所有币种的杠杆信息
- 修改后,SUI等币种的杠杆信息能够正确获取,回测可以正常进行
技术细节
Freqtrade在获取杠杆信息时的处理流程:
- 首先检查本地缓存
- 若无缓存或缓存过期,通过CCXT库从平台API获取
- 将获取的数据存入缓存供后续使用
CCXT库在处理分页API调用时,使用maxCalls参数来防止无限循环,但这个保守的设置可能导致数据获取不完整。
最佳实践建议
- 定期清理杠杆层级缓存,特别是在平台新增交易对后
- 对于大型平台,考虑适当增加CCXT的调用限制参数
- 在策略开发初期,使用较小的交易对列表进行测试
- 关注平台API的更新,及时调整相关参数
总结
Freqtrade与CCXT的集成提供了强大的交易功能,但在处理大量数据时可能会遇到此类边界条件问题。理解底层机制有助于开发者快速定位和解决问题,确保回测和实盘交易的顺利进行。通过适当的参数调整和缓存管理,可以有效避免杠杆信息获取不完整的问题。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
662
313
React Native鸿蒙化仓库
JavaScript
262
323
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218