V5.2 策略进化路线图

优先级：P0（最高） | 负责人：露露 | 创建：2026-02-28

一、核心思路 ⭐⭐⭐

信号源 = 特征（Feature）

每一个数据源都是模型的一个输入特征。特征越多、越有效，模型的预测能力越强。

当前V5.1的5层评分体系，本质上就是一个手动设计的线性模型：

总分 = W1×方向层 + W2×拥挤层 + W3×环境层 + W4×确认层 + W5×辅助层

权重 = 模型参数（Parameter）

当前权重是人工拍的（45/20/15/15/5），不一定是最优的。

目标：用真实交易数据（模拟盘+实盘），自动学习每个特征的最优权重。

迭代循环（正向飞轮）

┌─────────────────────────────────────────────┐
│                                             │
│  ① 加入新信号源（特征）                      │
│       ↓                                     │
│  ② 模拟盘跑数据（每笔记录5层分数+盈亏）       │
│       ↓                                     │
│  ③ 分析数据（哪些特征有效、最优权重）          │
│       ↓                                     │
│  ④ 调整权重 / 加减特征                       │
│       ↓                                     │
│  ⑤ 实盘验证                                 │
│       ↓                                     │
│  ⑥ 数据反馈 → 回到①                         │
│                                             │
│  数据越多 → 模型越准 → 赚越多 → 数据越多      │
│                                             │
└─────────────────────────────────────────────┘

这就是量化交易的核心方法论，和大模型训练思路一样：

• 大模型：数据 → 特征提取 → 权重训练 → 验证 → 迭代
• 信号引擎：行情数据 → 信号源/指标 → 评分权重 → 模拟盘验证 → 调参迭代

护城河：积累的数据和调优后的参数，是别人无法复制的。

二、当前架构（V5.1）

已有信号源（特征）

每笔交易记录的数据

{
  "score": 85,
  "score_factors": {
    "direction": {"score": 45, "cvd_fast": 15, "cvd_mid": 15, "p99_flow": 15, "accel_bonus": 5},
    "crowding": {"score": 15, "long_short_ratio": 10, "top_trader_position": 5},
    "environment": {"score": 10, "open_interest_hist": 0.02},
    "confirmation": {"score": 15},
    "auxiliary": {"score": 5, "coinbase_premium": 0.0012}
  },
  "pnl_r": 2.25,
  "status": "tp"
}

三、V5.2 待加入信号源（按优先级）

第一批（数据容易获取）

第二批（需要爬取/计算）

第三批（高级）

四、权重优化方法（数据足够后实施）

Phase 1：统计分析（200+笔交易后）

# 按各层分数分桶，看胜率
# 例如：方向层>=40分时胜率65%，<30分时胜率45%
# → 说明方向层有效，保持高权重

# 按拥挤层分桶
# 例如：拥挤层>=15分时胜率60%，<10分时胜率58%
# → 说明拥挤层区分度低，可以降权重

Phase 2：回归分析（500+笔交易后）

# 逻辑回归：各层分数 → 是否盈利
# 输出：每个特征的系数 = 最优权重
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X_factors, y_win)  # X=5层分数, y=盈利/亏损
optimal_weights = model.coef_

Phase 3：机器学习（1000+笔交易后）

# XGBoost/随机森林：自动发现非线性关系
# 例如：方向层高+拥挤层低 = 最佳组合（简单线性模型发现不了）
from xgboost import XGBClassifier
model = XGBClassifier()
model.fit(X_factors, y_win)
# 特征重要性排序 → 指导信号源增减

五、2026-02-28 开发记录

V5.1完善

• 5层评分真实数据修复：signal_engine之前没正确解析market_indicators的JSONB，拥挤/环境/辅助层全是默认中间分。修了fetch_market_indicators正确解析JSONB → commit 317031a
• 前端UI全面压缩：标题改"⚡ 信号引擎 V5.1"，所有面板字体/间距/padding缩小 → commits 9382d35, 271658c

模拟盘上线（Paper Trading）

• paper_trades表 + signal_engine集成 + 5个API → commit e054db1
• 开关机制：默认关闭，前端按钮控制，API热更新 → commit 282aed1
• 手续费：Taker 0.05%×2=0.1%来回 → commit 47004ec
• 反向信号翻转：持多仓来空信号→先平后开 → commit 6681070
• WebSocket实时TP/SL：独立paper_monitor.py进程，毫秒级平仓 → commit 7b901a2
• 前端aggTrade实时价格：逐笔成交推送 → commit 1d23042
• 当前资金显示 → commit d0e626a
• 冷启动保护：重启后跳过前3轮防重复开仓 → commit 95b45d0
• 5层评分明细记录：score_factors JSONB字段 → commit 022ead6

Bug修复

• arb-api缩进错误 → commit cd17c76
• Request未导入 → commit b232270
• useAuth登录检测 → commit 59910fe
• 现价不准改币安API → commit d177d28
• 最新信号symbol参数修复 → commit 404cc68
• 资金字体超框 → commit 95fec35
• gitignore pycache → commit 961cbc6

六、下一步行动

七、行业竞品与信号源调研（2026-02-28）

与我们思路相似的项目

1. Hyper-Alpha-Arena（GitHub开源）— 相似度85%

• 地址：https://github.com/HammerGPT/Hyper-Alpha-Arena
• 核心：监控Order Flow + OI变化 + Funding Rate极端值，触发自动交易
• 支持币安合约+Hyperliquid，用LLM（GPT-5/Claude/DeepSeek）做策略决策
• 区别：他们用LLM自然语言描述策略做决策，我们用评分模型
• 我们的优势：5层评分+权重训练更可量化、可回测、可优化

2. FinRL-AlphaSeek（哥伦比亚大学，ACM竞赛）— 相似度80%

• 地址：https://github.com/Open-Finance-Lab/FinRL_Contest_2025
• 论文：https://arxiv.org/html/2504.02281v4
• 核心：因子挖掘(Factor Mining) + 集成学习(Ensemble Learning)
• 两阶段：① 特征工程+因子选择 ② 多模型集成
• 映射关系：他们的"因子"=我们的"信号源"，他们的"集成权重"=我们的"评分权重"
• 区别：他们用强化学习(RL)训练Agent，我们用统计回归优化权重
• 可借鉴：遗传算法优化权重（比逻辑回归更强）

3. ACM论文：ML驱动多因子量化模型（ETH市场）— 相似度75%

• 地址：https://dl.acm.org/doi/10.1145/3766918.3766922
• 核心：把交易因子分三类 — 传统技术因子 + 链上因子 + ML生成因子
• 用IC值（信息系数）衡量每个因子的预测力
• 用遗传算法自动优化因子权重
• 信号用Z-score阈值触发（>1买入，<-1卖出）
• 启发：我们也可以用IC值来量化每个信号源的贡献

4. CoinGlass CDRI（衍生品风险指数）— 相似度70%

• 地址：https://www.coinglass.com/pro/i/CDRI
• 核心：综合OI/FR/清算/CVD等多指标打分，评分>80或<20触发信号
• 区别：他们只做风险预警展示，不做自动交易

行业信号源使用频率排名

关键结论

1. 没有人做得和我们完全一样 — 大多数用传统技术指标或纯ML黑箱，用CVD+多空比+OI做多层评分的几乎没有
2. 行业趋势明确 — 多因子 + ML权重优化，和范总定的方向完全一致
3. Funding Rate是最高优先级 — 行业使用率最高、免费获取、我们还没加
4. 权重优化可升级 — 从逻辑回归→IC值+遗传算法，参考ACM论文方法

数据供应商参考