Estratégia Multi-Timeframe
Timeframe
1m
Direction
Long Only
Stoploss
-6.0%
Trailing Stop
Yes
ROI
0m: 6.0%, 5m: 4.0%, 10m: 3.0%, 15m: 2.0%
Interface Version
3
Startup Candles
N/A
Indicators
4
freqtrade/freqtrade-strategies
Strategy 003 author@: Gerald Lonlas github@: https://github.com/freqtrade/freqtrade-strategies
# -*- coding: utf-8 -*-
"""
MultiTimeframeStrategy - Análise Multi-Timeframe
Analisa 1m, 5m, 15m, 1h simultaneamente para confirmação de sinais
"""
import logging
from datetime import datetime
import numpy as np
import pandas as pd
from freqtrade.strategy import (CategoricalParameter, DecimalParameter,
IntParameter, IStrategy, informative)
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)
class MultiTimeframeStrategy(IStrategy):
"""
Estratégia Multi-Timeframe
Timeframes analisados:
- 1m: Entrada precisa
- 5m: Confirmação de momentum
- 15m: Tendência de médio prazo
- 1h: Tendência de longo prazo
Lógica:
- Tendência 1h deve ser bullish
- Confirmação 15m deve estar alinhada
- Momentum 5m deve ser favorável
- Entrada precisa no 1m
"""
INTERFACE_VERSION = 3
# Configurações básicas
timeframe = '1m' # Timeframe principal para entrada
stoploss = -0.06
minimal_roi = {
"0": 0.06,
"5": 0.04,
"10": 0.03,
"15": 0.02,
"30": 0.01,
"60": 0.005
}
# Trailing stop
trailing_stop = True
trailing_stop_positive = 0.02
trailing_stop_positive_offset = 0.025
trailing_only_offset_is_reached = True
# Parâmetros otimizáveis
rsi_oversold = IntParameter(20, 35, default=30, space='buy')
rsi_overbought = IntParameter(65, 80, default=70, space='sell')
# Parâmetros de confirmação multi-timeframe
trend_strength_threshold = DecimalParameter(0.5, 0.9, default=0.7, space='buy')
volume_threshold = DecimalParameter(1.0, 2.0, default=1.5, space='buy')
# Proteções
cooldown_lookback = IntParameter(2, 48, default=15, space="protection")
stop_duration = IntParameter(12, 200, default=30, space="protection")
use_stop_protection = CategoricalParameter([True, False], default=True, space="protection")
def get_int_value(self, param):
"""Helper para converter parâmetros para int"""
return int(param.value)
@property
def protections(self):
if not self.use_stop_protection.value:
return []
return [
{
"method": "CooldownPeriod",
"stop_duration_candles": self.get_int_value(self.stop_duration)
},
{
"method": "StoplossGuard",
"lookback_period_candles": self.get_int_value(self.cooldown_lookback),
"trade_limit": 2,
"stop_duration_candles": self.get_int_value(self.stop_duration),
"only_per_pair": False
}
]
def rsi(self, series: pd.Series, period: int = 14) -> pd.Series:
"""Implementação nativa do RSI"""
delta = series.diff()
gain = (delta.where(delta > 0, 0)).rolling(window=period).mean()
loss = (-delta.where(delta < 0, 0)).rolling(window=period).mean()
rs = gain / loss
return 100 - (100 / (1 + rs))
def ema(self, series: pd.Series, period: int) -> pd.Series:
"""Implementação nativa da EMA"""
return series.ewm(span=period).mean()
def sma(self, series: pd.Series, period: int) -> pd.Series:
"""Implementação nativa da SMA"""
return series.rolling(window=period).mean()
def atr(self, high: pd.Series, low: pd.Series, close: pd.Series, period: int = 14):
"""Implementação nativa do ATR"""
tr1 = high - low
tr2 = abs(high - close.shift())
tr3 = abs(low - close.shift())
tr = pd.concat([tr1, tr2, tr3], axis=1).max(axis=1)
return tr.rolling(window=period).mean()
def calculate_trend_strength(self, dataframe: pd.DataFrame) -> pd.Series:
"""
Calcular força da tendência baseada em múltiplos indicadores
Retorna valor entre 0 (bearish) e 1 (bullish)
"""
# EMA alignment
ema_8 = self.ema(dataframe['close'], 8)
ema_21 = self.ema(dataframe['close'], 21)
ema_50 = self.ema(dataframe['close'], 50)
ema_alignment = (
(ema_8 > ema_21).astype(int) * 0.4 +
(ema_21 > ema_50).astype(int) * 0.3 +
(dataframe['close'] > ema_8).astype(int) * 0.3
)
# RSI momentum
rsi = self.rsi(dataframe['close'])
rsi_momentum = ((rsi - 50) / 50).clip(-1, 1) * 0.5 + 0.5
# Price momentum
price_change_5 = dataframe['close'].pct_change(5)
price_momentum = (price_change_5 > 0).astype(int)
# Combine all factors
trend_strength = (
ema_alignment * 0.5 +
rsi_momentum * 0.3 +
price_momentum * 0.2
)
return trend_strength.clip(0, 1)
@informative('5m')
def populate_indicators_5m(self, dataframe: pd.DataFrame, metadata: dict) -> pd.DataFrame:
"""Indicadores para timeframe 5m"""
dataframe['rsi'] = self.rsi(dataframe['close'])
dataframe['ema_8'] = self.ema(dataframe['close'], 8)
dataframe['ema_21'] = self.ema(dataframe['close'], 21)
dataframe['ema_50'] = self.ema(dataframe['close'], 50)
dataframe['volume_sma'] = self.sma(dataframe['volume'], 20)
dataframe['volume_ratio'] = dataframe['volume'] / dataframe['volume_sma']
dataframe['trend_strength'] = self.calculate_trend_strength(dataframe)
return dataframe
@informative('15m')
def populate_indicators_15m(self, dataframe: pd.DataFrame, metadata: dict) -> pd.DataFrame:
"""Indicadores para timeframe 15m"""
dataframe['rsi'] = self.rsi(dataframe['close'])
dataframe['ema_8'] = self.ema(dataframe['close'], 8)
dataframe['ema_21'] = self.ema(dataframe['close'], 21)
dataframe['ema_50'] = self.ema(dataframe['close'], 50)
dataframe['sma_100'] = self.sma(dataframe['close'], 100)
dataframe['trend_strength'] = self.calculate_trend_strength(dataframe)
# Volatilidade
dataframe['atr'] = self.atr(dataframe['high'], dataframe['low'], dataframe['close'])
dataframe['volatility'] = dataframe['close'].rolling(20).std()
return dataframe
@informative('1h')
def populate_indicators_1h(self, dataframe: pd.DataFrame, metadata: dict) -> pd.DataFrame:
"""Indicadores para timeframe 1h - Tendência de longo prazo"""
dataframe['rsi'] = self.rsi(dataframe['close'])
dataframe['ema_8'] = self.ema(dataframe['close'], 8)
dataframe['ema_21'] = self.ema(dataframe['close'], 21)
dataframe['ema_50'] = self.ema(dataframe['close'], 50)
dataframe['sma_200'] = self.sma(dataframe['close'], 200)
dataframe['trend_strength'] = self.calculate_trend_strength(dataframe)
# Tendência de longo prazo
dataframe['long_trend'] = (
(dataframe['ema_8'] > dataframe['ema_21']) &
(dataframe['ema_21'] > dataframe['ema_50']) &
(dataframe['close'] > dataframe['sma_200'])
).astype(int)
return dataframe
def populate_indicators(self, dataframe, metadata):
"""
Indicadores para timeframe principal (1m)
"""
# Indicadores básicos 1m
dataframe['rsi'] = self.rsi(dataframe['close'])
dataframe['ema_8'] = self.ema(dataframe['close'], 8)
dataframe['ema_21'] = self.ema(dataframe['close'], 21)
dataframe['volume_sma'] = self.sma(dataframe['volume'], 20)
dataframe['volume_ratio'] = dataframe['volume'] / dataframe['volume_sma']
# ATR para stop loss dinâmico
dataframe['atr'] = self.atr(dataframe['high'], dataframe['low'], dataframe['close'])
# Momentum de curto prazo
dataframe['price_change_3'] = dataframe['close'].pct_change(3)
dataframe['price_change_5'] = dataframe['close'].pct_change(5)
# Trend strength no timeframe principal
dataframe['trend_strength'] = self.calculate_trend_strength(dataframe)
return dataframe
def populate_entry_trend(self, dataframe, metadata):
"""
Sinais de entrada baseados em confirmação multi-timeframe
"""
# Condições do timeframe 1h (tendência de longo prazo)
long_trend_bullish = (
(dataframe['long_trend_1h'] == 1) &
(dataframe['trend_strength_1h'] > 0.6)
)
# Condições do timeframe 15m (tendência de médio prazo)
medium_trend_bullish = (
(dataframe['trend_strength_15m'] > self.trend_strength_threshold.value) &
(dataframe['rsi_15m'] < 65) &
(dataframe['ema_8_15m'] > dataframe['ema_21_15m'])
)
# Condições do timeframe 5m (momentum)
momentum_favorable = (
(dataframe['trend_strength_5m'] > 0.6) &
(dataframe['volume_ratio_5m'] > 1.2) &
(dataframe['rsi_5m'] < 60)
)
# Condições do timeframe 1m (entrada precisa)
entry_precise = (
(dataframe['rsi'] < self.rsi_oversold.value) &
(dataframe['ema_8'] > dataframe['ema_21']) &
(dataframe['volume_ratio'] > self.volume_threshold.value) &
(dataframe['price_change_3'] > -0.005) # Não em queda livre
)
# Confirmação adicional: preço não muito longe da EMA
price_not_extended = (
abs(dataframe['close'] - dataframe['ema_21']) / dataframe['ema_21'] < 0.02
)
# Sinal final: todas as condições devem ser verdadeiras
entry_signal = (
long_trend_bullish &
medium_trend_bullish &
momentum_favorable &
entry_precise &
price_not_extended
)
dataframe.loc[entry_signal, 'enter_long'] = 1
dataframe.loc[entry_signal, 'enter_tag'] = 'multi_tf_confirmed'
return dataframe
def populate_exit_trend(self, dataframe, metadata):
"""
Sinais de saída baseados em deterioração multi-timeframe
"""
# Saída por RSI overbought no 1m
rsi_exit = dataframe['rsi'] > self.rsi_overbought.value
# Saída por deterioração da tendência 5m
momentum_deterioration = (
(dataframe['trend_strength_5m'] < 0.4) |
(dataframe['rsi_5m'] > 75)
)
# Saída por deterioração da tendência 15m
medium_trend_deterioration = (
(dataframe['trend_strength_15m'] < 0.3) |
(dataframe['ema_8_15m'] < dataframe['ema_21_15m'])
)
# Saída por reversão da tendência 1h
long_trend_reversal = (
(dataframe['long_trend_1h'] == 0) &
(dataframe['trend_strength_1h'] < 0.4)
)
# Volume anômalo (possível dump)
volume_spike = dataframe['volume_ratio'] > 3.0
# Sinal de saída: qualquer condição crítica
exit_signal = (
rsi_exit |
momentum_deterioration |
medium_trend_deterioration |
long_trend_reversal |
volume_spike
)
dataframe.loc[exit_signal, 'exit_long'] = 1
return dataframe
def custom_stoploss(self, pair: str, trade: 'Trade', current_time: datetime,
current_rate: float, current_profit: float, **kwargs) -> float:
"""
Stop loss dinâmico baseado no ATR
"""
dataframe, _ = self.dp.get_analyzed_dataframe(pair, self.timeframe)
last_candle = dataframe.iloc[-1].squeeze()
if 'atr' in last_candle:
# Stop loss baseado em 2x ATR
atr_stop = 2.0 * last_candle['atr'] / current_rate
# Mínimo de 3%, máximo de 8%
dynamic_stop = max(0.03, min(0.08, atr_stop))
return -dynamic_stop
# Fallback para stop loss fixo
return self.stoploss