Skip to content
BranchesTags

Repository files navigation

TraderBridge

原名 mytrader — 2026-05-31 改名

个人量化风险管理 + 决策辅助平台 — 数据管线 → 13 策略库 → 回测 + 实盘桥梁 → 22 个风险/业绩分析模块 → 风险告警 + Kill Switch + 周报。不替你下单，给你海图。

CI codecov

📐 完整架构与设计决策 → docs/architecture.md

规模

维度 数据
业务代码 ~19,000 行 Python
测试 1043 用例 / 49 文件 / 75.9% 覆盖率
Dashboard tab 11 个
数据源 6 个(sina_us / tencent / cboe / yahoo_chart / yahoo_realtime / futu)
策略库 13 个(9 active + 3 弃用 + 1 ensemble)
分析模块 22 个(VaR / EVT / Brinson / Drawdown / Marginal VaR ...)

核心功能

数据 + 策略 + 回测(基础设施)

模块 说明
数据管线 6 数据源 + SQLite 增量缓存 + 跨源校验 + 拆股统一(apply_us_splits)
策略库 13 策略,BaseStrategy + ChandelierTrailingExit Mixin + Ensemble 投票
MTF 框架 多时间框架接口 calculate_indicators(df, df_weekly)
策略门控 SignalGate:市场状态感知 + 风控暂停 + 敞口检查
回测引擎 含滑点佣金,有符号持仓(多空),单标 + 组合回测,Walk-forward 优化
仓位管理 fixed_capital / risk_budget 双模式,回测实盘共用 utils/sizing.py

风险管理 + 业绩分析(平台核心)

模块 说明
VaR / 期望损失 Historical / Parametric / Expected Shortfall,95% 99% 双置信度
EVT 尾部估计 GPD POT 拟合,99.5% / 99.9% 高分位 VaR 外推
历史压力测试 5 场景:2008 雷曼 / 2018 Q4 / 2020 COVID / 2022 加息 / 2015 8.11
Marginal / Component VaR Gaussian 解析分解,Risk Parity 权重求解
What-If 假设调仓 调仓前预演 VaR / HHI / 行业 / 集中度变化
Brinson 业绩归因 行业配置 / 选股 / 交互三效应分解
6 因子归因 Jensen α + Newey-West HAC,SPDR ETF 代理
集中度 HHI / Effective N / Sector HHI / Top-N 占比
相关性结构 层次聚类 + Effective Bets(PCA),最大对相关性
回撤分析 Underwater Curve + Drawdown Episodes + Time-to-Recover
风险调整收益 Sortino / Calmar / Omega / Pain Index / Information Ratio
盈亏分析 Realized(trade_pnl 表) + Unrealized(持仓浮动)拆分

实时告警 + 决策辅助

模块 说明
风险灯 SPY MA200 + ADX + VIX (实时,Yahoo spark) → 🟢/🟡/🔴
风险告警状态机 风险灯转 RED / VIX 突破 / 持仓临近止损,飞书推送 + 历史落盘
Kill Switch 一键紧急平仓,纯手动 + 双确认(VIX>50 实证是抄底信号,不自动触发)
风险报告 scripts/weekly_risk_report.py,9 section 综合周报 → Markdown + 飞书
CBOE VIX 官方 CSV 全量日线 + Yahoo 实时旁路覆盖

实盘桥梁

模块 说明
Broker 抽象 MockBroker(dry-run)+ FutuBroker(富途 OpenD)
风控 连续亏损熔断、波动率自适应仓位、单日上限、总敞口、行业权重、止损冷却期
风控持久化 risk_state + entry_prices 表,守护进程重启后恢复
订单管理 部分成交轮询、限价单超时撤单、滑点统计、批量等风险分配

运维 + 可观测

模块 说明
日志 结构化 JSON 日志,/health HTTP 端点,ops_log + alert_history 审计
Dashboard Streamlit Web UI,11 个 tab(见下)
CI GitHub Actions + Codecov + badge,push/PR 自动跑 1043 测试
Docker docker-compose.yml 一键部署 traderbridge + futu-opend + HEALTHCHECK

Dashboard 11 个 Tab

Tab 功能
单标的回测 选标的/策略 → 权益曲线 + 买卖点 + 策略对比
组合回测 多标组合回测 → 风险看板 + PnL 归因 + 交易明细
因子归因 6 因子 OLS + Newey-West HAC,Jensen α + β 暴露
业绩归因 Brinson 行业配置 / 选股 / 交互三效应,vs SPDR Sector ETFs
盈亏分析 Realized(trade_pnl) + Unrealized(持仓浮动)拆分
信号有效性 Forward return 分布,信号预测力
风险量化 VaR + EVT + Stress + Concentration + Correlation + Marginal VaR + What-If
风险告警历史 三类告警时间线 + 按日柱状图 + 阈值验证
📑 风险报告 9 section 综合周报,Markdown + 推飞书
🚨 Kill Switch 紧急平仓,双确认 + Dry Run + Reset
配置管理 watchlist 编辑器

策略

策略 类型 方向 推荐度 描述
spy_ma_breakout 宏观 + 突破 纯多 ★★★ SPY MA200 宏观过滤 + MA200 趋势 + 20日新高突破 + ATR 动态止盈 + MA 止损（长线）
weekly_macd_kdj 周线趋势 纯多 ★★★ KDJ 金叉买入 + MACD 死叉卖出（主力）
trend_follower 短线趋势 纯多 ★★★ SMA5/20 + ADX + Chandelier 尾随止损（短线优化版）
turtle_trading 趋势 多空 ★★☆ 大哥2.2 递归 SMA + 唐奇安通道 + ATR 固定止损 + 趋势过滤
donchian_breakout 动量突破 多空 ★★ 唐奇安通道突破 + 移动止损
daily_macd_kdj 日线 KDJ 纯多 ★★ 日线 KDJ 金叉 + MACD 死叉 + ATR 止损
atr_breakout 波动率突破 纯多 ★★ MA + N×ATR 突破 + 移动止损
weekly_macd 周线趋势 纯多 ★ MACD 金叉死叉
macd_kdj 日/周 KDJ 纯多 ★ 统一 MACDKDJStrategy，freq="W"/"D" + use_atr_stop

推荐度基于 2026-05 全策略鲁棒性扫描 + 多标的 6 年回测

enhanced_macd bollinger_mean_reversion bollinger_squeeze — 已从活跃策略移除（过拟合/零交易），源文件保留于 strategy/ 供测试兼容

策略参数速查

策略 关键参数 入场条件 出场条件
spy_ma_breakout ma=200, high=20, tp_ATR=4.0 SPY>MA200 + Close>MA200 + 20日新高 止盈: entry+ATR×4 / 止损: Close<MA
trend_follower short=5, long=20, ADX_th=15, trail=2.5 SMA5>SMA20 + ADX>15 + +DI>-DI 尾随止损: Close<=最高价-ATR×2.5
turtle_trading short=20, long=50, channel=20, trail=3.0 递归SMA交叉 + 通道突破(前根) + 趋势过滤 入场ATR固定: Close<=最高High-ATR_entry×3.0
weekly_macd_kdj n=9, k=3, d=3 KDJ金叉(周线) MACD死叉(周线)
daily_macd_kdj n=9, k=3, d=3, trail=3.0 KDJ金叉(日线) MACD死叉 + ATR尾随止损

项目结构

严格分层,单向依赖,无循环引用。完整架构图见 docs/architecture.md。

traderbridge/
  data/              # 数据管线 (7 文件 / 2081 行)
  ├─ sources.py             #   6 数据源 + apply_us_splits 共享拆股调整
  ├─ provider.py            #   DataProvider 失败链 sina→tencent→yahoo
  ├─ cache.py               #   CacheManager (SQLite) + StateStore + OpsLogger
  ├─ realtime.py            #   实时 VIX 旁路 (Yahoo spark/chart,独立 session)
  ├─ quality.py             #   数据质量校验
  ├─ protocol.py            #   SOURCE_PRIORITY 路由
  └─ splits.json            #   美股拆股调整因子

  strategy/          # 策略库 (16 文件 / 2051 行)
  ├─ base.py                #   BaseStrategy + ChandelierTrailingExit Mixin
  ├─ 9 个 active 策略       #   spy_ma_breakout / weekly_macd_kdj / ...
  ├─ ensemble.py            #   StrategyEnsemble 加权投票
  └─ STRATEGY_GUIDE.md      #   策略使用指南

  broker/            # 券商抽象 (4 文件 / 960 行)
  ├─ base.py                #   Broker ABC + Order/Position/Account dataclass
  ├─ mock.py                #   MockBroker dry-run
  └─ futu.py                #   FutuBroker (富途 OpenD)

  engine/            # 回测引擎 (5 文件 / 2525 行)
  ├─ trader.py              #   BacktestEngine 单标回测,有符号持仓
  ├─ portfolio.py           #   PortfolioBacktest 组合回测
  ├─ execution.py           #   ExecutionModel 订单执行语义
  └─ optimize.py             #   grid_search + walk_forward

  analysis/          # 风险/业绩分析核心 ★ (22 文件 / 5299 行)
  ├─ risk_monitor.py        #   Risk Light (SPY MA200 + ADX + VIX)
  ├─ var.py                 #   Historical / Parametric VaR + ES
  ├─ evt.py                 #   GPD POT 尾部估计
  ├─ stress.py              #   5 历史场景压力测试
  ├─ concentration.py       #   HHI / Sector / Effective N
  ├─ correlation_analysis.py #  层次聚类 + PCA Effective Bets
  ├─ risk_decomposition.py  #   Marginal/Component VaR + Risk Parity
  ├─ what_if.py             #   假设调仓预览
  ├─ risk_metrics.py        #   Sortino/Calmar/Omega/Pain Index
  ├─ drawdown.py            #   Underwater + Episodes + Time-to-Recover
  ├─ brinson.py             #   Brinson 业绩归因(配置/选股/交互)
  ├─ factor_attribution.py  #   6 因子 OLS + Newey-West HAC
  ├─ pnl_breakdown.py       #   Realized + Unrealized 拆分
  ├─ risk_report.py         #   9 section 综合周报
  ├─ rolling_alpha.py       #   滚动 α 衰减
  ├─ forward_return.py      #   信号 forward return 分布
  ├─ cost_sensitivity.py    #   成本敏感性扫描
  ├─ param_robustness.py    #   参数鲁棒性
  ├─ monte_carlo.py         #   Monte Carlo 模拟
  └─ stress_test.py         #   (历史遗留,被 stress.py 取代中)

  live/              # 实盘桥梁 (6 文件 / 1146 行)
  ├─ risk_controller.py     #   风控检查 + 仓位 + 熔断持久化
  ├─ order_manager.py       #   信号→订单 4 路矩阵 + 批量等风险
  ├─ risk_alerts.py         #   三类告警状态机 + 飞书推送
  ├─ kill_switch.py         #   紧急平仓(纯手动 + 双确认)
  └─ position_stops.py      #   Chandelier 止损 + 假设持仓计算

  utils/             # 横切关注点 (12 文件 / 1787 行)
  ├─ notify.py              #   飞书通知 (Webhook/App 双模式 + 5 种卡片)
  ├─ signal_gate.py         #   策略门控(市场状态+风控+敞口)
  ├─ market_state.py        #   四象限市场状态分类
  ├─ signal_scanner.py      #   MTF 跨频率信号扫描
  ├─ logging.py             #   结构化 JSON 日志
  ├─ sizing.py              #   统一仓位计算(回测实盘共用)
  ├─ sectors.py             #   行业分类映射(DEFAULT_SECTORS)
  ├─ risk.py                #   RiskLimits 数据类
  ├─ metrics.py             #   回撤统计、敞口重构
  ├─ env.py                 #   TOML 读写 (load_toml/save_toml)
  └─ font.py                #   中文字体兼容

  dashboard/         # Streamlit UI (14 文件 / 3139 行)
  ├─ main.py                #   11 tab 编排
  ├─ signals.py             #   今日信号 + 风险灯 + 持仓监控
  ├─ single_backtest.py     #   单标回测 + 风险调整收益
  ├─ portfolio_backtest.py  #   组合回测 + Monte Carlo
  ├─ factor_attribution.py  #   因子归因 tab
  ├─ brinson_attribution.py #   Brinson 业绩归因 tab
  ├─ pnl_breakdown.py       #   盈亏分析 tab
  ├─ risk_analytics.py      #   风险量化 tab (VaR/Stress/Conc/Corr/MVaR)
  ├─ signal_effectiveness.py #  信号有效性 tab
  ├─ risk_report.py         #   📑 风险报告 tab
  ├─ kill_switch.py         #   🚨 Kill Switch tab
  ├─ config_editor.py       #   watchlist 配置编辑器
  └─ ops.py                 #   交易记录 + 行业分布

  scripts/           # 命令入口 (4 文件 / 364 行)
  └─ weekly_risk_report.py  #   cron 入口,周报推飞书

  tests/             # 1043 测试 (49 文件 / 11890 行)
  docs/              # 架构文档
  └─ architecture.md
  reports/           # 自动生成的 CSV + PNG
  logs/              # JSON 结构化日志 + 周报 markdown

  live_trader.py     # 实盘信号执行 + 风控 + HTTP /health
  daily.py           # 每日回溯 + --optimize 滚动优化
  dashboard.py       # Streamlit 入口
  config.py          # 统一运行时配置
  watchlist.toml     # 标的 + 策略 + 风控 + 告警阈值
  docker-compose.yml # 一键部署 (traderbridge + futu-opend)
  .coveragerc        # 覆盖率配置
  .codecov.yml       # codecov 阈值

快速开始

# Python 3.10+
pip install pipenv
pipenv install --dev
pipenv run pytest -q   # 1043 tests / 0 failures

国内必须配置代理(Yahoo / GitHub 直连不通)。在 .env 写:

HTTPS_PROXY=http://127.0.0.1:7897
HTTP_PROXY=http://127.0.0.1:7897
NO_PROXY=localhost,127.0.0.1

Pipenv 会自动加载 .env,所有 Python 进程都会用上代理。

核心流程（30 分钟上手）

1. 数据获取 + 回测（5 min）

pipenv run python -c "
from engine.trader import run_backtest, print_result
from strategy import WeeklyMACD_KDJ
r, _ = run_backtest('AAPL', '2020-01-01', strategy_cls=WeeklyMACD_KDJ)
print_result(r)
"

2. Dashboard（5 min）

pipenv run streamlit run dashboard.py --server.port 8501 --server.headless true  # http://localhost:8501
  • 单标 Tab：选标的/策略 → 权益曲线 + 买卖点 + 策略对比
  • 组合 Tab：多标组合回测 → 风险看板 + PnL 归因 + 交易明细筛选导出

3. 组合回测（5 min）

pipenv run python engine/portfolio.py

4. 策略分析（10 min）

# 成本敏感性：策略在不同费率下的表现
pipenv run python analysis/cost_sensitivity.py -s weekly_macd_kdj --symbol AAPL

# 参数鲁棒性：参数是否稳定（核心诊断工具）
pipenv run python analysis/param_robustness.py -s weekly_macd_kdj --symbol AAPL
pipenv run python analysis/param_robustness.py -s weekly_macd_kdj --symbol AAPL --sizing-mode risk_budget

5. 每日扫描（5 min）

pipenv run python daily.py              # 今日信号
pipenv run python daily.py --history    # 近 7 天历史
pipenv run python daily.py --optimize   # 扫描 + 滚动优化

6. 周报推送

# 手动生成 + 推飞书
pipenv run python scripts/weekly_risk_report.py

# Dry-run（只生成 Markdown，不推飞书）
pipenv run python scripts/weekly_risk_report.py --dry-run

# 挂 cron（每周一上午 9 点推送）
# 0 9 * * 1 cd /path/to/traderbridge && pipenv run python scripts/weekly_risk_report.py

报告涵盖 9 个 section:风险灯 / VaR + ES + EVT / 5 场景压力测试 / 集中度 / 相关性 / Marginal VaR / Brinson 业绩归因 / Realized+Unrealized PnL / 回撤分析。

7. 紧急停机(实盘)

Dashboard 打开 🚨 Kill Switch tab:

  1. 输入 CONFIRM 解锁按钮
  2. 填触发原因(必填,审计用)
  3. 点 🚨 紧急平仓全部 或 Dry Run 预演

会自动:

  • 对每个非零持仓下市价 opposite 单
  • 设 risk_ctrl.trading_paused = True(daemon 不再开新仓)
  • 写 alert_history 审计
  • 推飞书 RED 卡

完全手动触发,无任何自动阈值绑定。基于实证:CBOE VIX 36 年史中 VIX > 50 共 5 次,之后 SPY 250 日平均涨 +44.6%(是抄底信号而非清仓信号)。 任何基于 VIX/回撤的自动平仓都会反向伤害。

推荐参数模板

主力：spy_ma_breakout（长线）

from engine.trader import run_backtest
from strategy.spy_ma_breakout import SPYMABreakout

result, df = run_backtest(
    "QQQ", "2020-01-01",
    strategy_cls=SPYMABreakout,
    sizing_mode="risk_budget",
    risk_per_trade=0.02,
    ma_period=200, high_period=20, take_profit_atr_mult=4.0,
)
标的 MA OOS 收益 Sharpe 评级
NVDA 200 +66% 1.37 STABLE
QQQ 200 +37% 0.74 STABLE
SPY 200 +25% 0.60 STABLE

短线：trend_follower

from strategy import TrendFollower

result, df = run_backtest(
    "QQQ", "2020-01-01",
    strategy_cls=TrendFollower,
    sizing_mode="risk_budget",
    risk_per_trade=0.02,
    short_ma=5, long_ma=20,
    adx_threshold=15.0, trail_atr_mult=2.5,
)
标的 OOS 收益 Sharpe 交易
NVDA +53% 1.26 32
TSLA +33% 1.01 30
QQQ +27% 1.08 27

备选策略

策略 适用场景 推荐标的
turtle_trading 多空双向，趋势+震荡 SPY / QQQ / PFE
weekly_macd_kdj 周线低频，低回撤 AAPL / NVDA
daily_macd_kdj 日线高频，分散风险 AAPL / TSLA
donchian_breakout 多空双向，波动率敏感 QQQ

仓位管理

两种仓位模式，通过 sizing_mode 切换。回测与实盘共用同一仓位计算函数（utils/sizing.py），确保参数优化结果可直接迁移到实盘。

fixed_capital（默认）

策略自行决定仓位大小（通常为可用资金的 95%）：

result, _ = run_backtest("AAPL", "2020-01-01", strategy_cls=WeeklyMACD_KDJ)

risk_budget（风险预算，推荐实盘使用）

引擎统一按 风险金额 / 止损距离 计算仓位。公式与 RiskController 共用 calc_risk_budget_qty()：

qty = capital × risk_pct / (ATR × stop_atr_mult) × vol_scalar

其中 vol_scalar 实盘启用（根据 vol_sensitivity 自适应缩放），回测默认关闭。

result, _ = run_backtest(
    "TSLA", "2020-01-01", strategy_cls=WeeklyMACD_KDJ,
    sizing_mode="risk_budget",
    risk_per_trade=0.02,   # 单笔风险 2%
    risk_atr_mult=2.0,     # 止损 = 2×ATR
)
模式 收益特征 回撤特征 适用场景
fixed_capital 高（满仓复利） 高 回测研究，了解策略上限
risk_budget 2% 中 可控（<10%） 实盘稳健执行

风控

组合回测支持完整的风控层级，所有被拦截信号记录 rejections：

from engine.portfolio import PortfolioBacktest, Leg
from utils.sectors import DEFAULT_SECTORS

bt = PortfolioBacktest(
    legs=[Leg("AAPL", "weekly_macd_kdj"), Leg("NVDA", "weekly_macd_kdj"),
          Leg("TSLA", "weekly_macd_kdj"), Leg("SPY", "turtle_trading")],
    initial_capital=100000,
    allocation="dynamic_equal",
    # --- 仓位 ---
    sizing_mode="risk_budget", risk_per_trade=0.02,
    # --- 组合风控 ---
    max_symbol_weight=0.25,           # 单标的上限 25%
    max_sector_weight=0.30,           # 单行业上限 30%
    max_gross_exposure=0.80,          # 总敞口 ≤ 80%
    max_daily_new_positions=3,        # 单日最大新开仓
    cooldown_after_stop_days=10,      # 止损后 10 天内禁止重入
    sector_map=DEFAULT_SECTORS,
)
result = bt.run(start="2020-01-01")
result.summary()

实盘前检查清单

在启动 live_trader.py 实盘前，逐项确认：

  • 637 测试全部通过 pytest tests/ -q
  • 黄金样本无漂移 — CI 绿标
  • param_robustness 评级 ROBUST 或 STABLE，非 OVERFIT
  • cost_sensitivity 评级 A 或 B（10bp/3bp 佣金下仍盈利）
  • risk_budget 模式 MaxDD < 15%（扛得住）
  • daily.py 能正常输出今日信号，无数据缺失告警
  • FutuOpenD 已启动（如用富途）— ps aux | grep FutuOpenD
  • 飞书 Webhook 已配置（如用通知）— echo $FEISHU_WEBHOOK
  • MockBroker dry-run 先跑一周，确认无异常
  • 初始资金 ≤ 可承受全部亏损的金额
  • active 策略对 P2-1 不敏感（见下方 Known Issues）

因子归因（解构组合收益）

回测出的 Sharpe / CAGR 不直接说明策略好坏——可能只是市场 Beta + 因子暴露的杠杆叠加。 analysis/factor_attribution.py 用 ETF 代理因子做 OLS 回归（Newey-West HAC 修正）， 告诉你"组合收益里 α 占多少、各因子占多少、α 是否统计显著"。

因子集

因子 代理 ETF 含义 起始
MKT SPY − SHV 市场超额 2007
SMB IWM − SPY 小盘溢价 2000
HML IVE − IVW 价值 vs 成长 2000
MOM MTUM − SPY 动量溢价 2013-08
QMJ QUAL − SPY 质量溢价 2013-07
BAB USMV − SPY 低波动溢价 2011-10

mode="full" 用 6 因子（数据需 ≥ 2013-08）；mode="ff3" 用 MKT/SMB/HML 三因子（可回溯到 2000）。

用法

from engine.portfolio import Leg, PortfolioBacktest
from analysis.factor_returns import FactorReturns
from analysis.factor_attribution import FactorAttribution

bt = PortfolioBacktest(
    legs=[Leg("AAPL", "weekly_macd_kdj"), Leg("NVDA", "weekly_macd_kdj"), ...],
    initial_capital=100000,
)
result = bt.run(start="2018-01-01", end="2024-12-31")

factors = FactorReturns(mode="full").load("2018-01-01", "2024-12-31")
attr = FactorAttribution(result.equity_curve, factors)
print(attr.regress().summary())

或者直接在 dashboard 里点 "因子归因" tab。

判读规则

α t-stat R² 结论
> 2.0 < 0.7 真 alpha — 值得放大 / 加杠杆
> 2.0 > 0.85 可疑 — alpha 显著但 R² 极高，可能是因子组合
< 1.5 > 0.85 基本无 alpha — 收益基本被因子暴露解释，简化为 ETF 组合
< 1.5 < 0.7 信号弱 — alpha 不显著且 R² 偏低，样本不足或策略不稳

滚动 α — 检查 alpha 是否退化

rolling = attr.rolling_alpha(window_days=252)  # 1 年滚动窗口
# rolling['alpha_tstat'] 持续 > 2 → α 稳定
# 趋势下行 → α 退化中, 策略需要重新拟合或退役

或运行 pipenv run python analysis/rolling_alpha.py 输出到 reports/rolling_alpha.png。

信号有效性（Forward Return）

回答跟回测不同的问题：不是"策略整体能否赚钱"，而是"信号本身有没有预测力"。

策略整体不赚钱有 N 种原因（出场太早、止损太紧、sizing 不当），但信号本身可能是真有效的。analysis/forward_return.py 把这两件事解耦：对每个 Signal == 1 的 bar，计算后 30/90/180 个交易日的实际收益分布。

用法

from analysis.forward_return import compute_forward_returns, summarise

# df 是策略 calculate_indicators 之后的 DataFrame, 含 Signal 列
fr = compute_forward_returns(df, horizons=[30, 90, 180], direction=1)
stats = summarise(fr, direction=1)
print(stats.summary())

或 dashboard 的"信号有效性" tab，选标的 + 策略 + 方向 + horizons → 直接看分布直方图。

判读

Sharpe win_rate 含义
> 0.5 > 55% 信号有效 — 入场时机有预测力，若策略不赚钱大概率是出场逻辑问题
< 0.5 > 55% 边际有效 — win_rate 还行但收益分布平
< 0.5 < 55% 信号无预测力 — 改入场逻辑或换标的
n < 10 — 样本不足，结论不可靠

示例发现

跑 weekly_macd_kdj 买入信号在当前 watchlist (2018-2026) 上：

horizon    n   median    win%   sharpe
  30d    370  +11.05%   70%    +0.43
  90d    299  +37.44%   77%    +0.41
 180d    208  +52.59%   84%    +0.51   ← 信号有效

Forward return 看上去高（+52.6% median）远超策略整体 CAGR (+19%)，第一直觉会想"出场逻辑太严苛，吞掉了 alpha"。但用 scripts/exit_experiment.py 实验对比四种出场规则（默认 MACD 死叉 / 加 ATR 止损 / 慢 MACD / 完全不出场 / B&H）后真相相反：

策略 CAGR Sharpe MaxDD
默认 (MACD 死叉) +19.0% 1.49 -43%
不主动出场（alpha 上限） +32.5% 1.26 -72%
等权 B&H +54.5% 0.98 -47%

MACD 死叉出场少赚 13.5%/年但救回 29% 回撤，Sharpe 反而是四个里最高的。Forward return 信号确实有效，出场逻辑是把"好信号"转成"好策略"的关键机制，不是 alpha 杀手。结论：默认参数已是风险调整最优。Forward return 在这里的价值是验证现状是对的，不是发现要改什么。

Known Issues

P2-1：实盘 daemon 用未完成 bar 算信号

现状：live_trader.py --daemon 每 5 分钟轮询，扫描时用的是"当日未收盘 bar" （Close = 当前 last_price，盘后会被真实收盘价覆盖）。

影响因策略而异：

策略 实盘安全等级 原因
weekly_macd_kdj ✓ 安全 周线信号本就稀疏（≤1 次/周），日内闪烁概率极低
turtle_trading ⚠ 中 突破点附近徘徊时偶有日内闪烁
daily_macd_kdj ⚠ 高 日内 close 波动直接驱动 K/D，假入场风险大
rsi2_mean_reversion ⚠ 高 依赖"3 连阴"+当日 close 方向，反复触发
spy_ma_breakout ⚠ 极高 Close == N_day_high 盘中创新高就触发

当前主力 weekly_macd_kdj 实盘行为是安全的，因此 P2-1 暂时未修。

触发修复的场景（任一即应先做 P2-1）：

  • 把任何 ⚠ 标记的策略设为 watchlist 的 active
  • 启动多因子模型 / Ensemble 实盘下单
  • 接入日内策略
  • 想让回测优化的参数可严格迁移到实盘

修复方向（已立项，不在当前 ROADMAP）：

  • 入场延次日开盘提交（次日 MARKET 单，与回测 next_open 对齐）
  • 出场保持即时响应（紧急止损 / 跳空保护）
  • 新增 pending_orders 表 + post-close / pre-market 双时点

运维特性

日志

三类日志隔离 + 文件 JSON 格式输出：

日志文件 写入者 格式
logs/live.log live_trader.py JSON 行（Loki/ELK 可解析）
logs/daily.log daily.py JSON 行
logs/traderbridge.log 全部模块 JSON 行

Docker 部署

docker compose up -d

市场状态配置

watchlist.toml:

[market_state]
enabled = true
proxy_symbol = "SPY"

添加新策略

from strategy.base import BaseStrategy, StrategyParams

class MyParams(StrategyParams):
    ma_period: int = 20

class MyStrategy(BaseStrategy):
    params: MyParams

    def calculate_indicators(self, df):
        df["Signal"] = 0
        df.loc[..., "Signal"] = 1
        return df

    @property
    def min_bars(self) -> int:
        return 20

需要同步修改 3 处：

  1. strategy/__init__.py — 添加到 STRATEGY_MAP
  2. 策略类定义 grid 属性（优化器自动发现）
  3. watchlist.toml — 添加 [strategy.xxx] 参数段

接入券商

from broker.futu import FutuBroker
trader = LiveTrader(broker=FutuBroker(host="127.0.0.1", port=11111))
trader.run()

实现 Broker 抽象接口即可接入任意券商。

About

A trading system of risk

Resources

Readme
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

Packages

Contributors

Languages