algo-expert

OpenAlgo 执行专家

用于在 OpenAlgo 上构建生产级算法交易策略的知识库。每个策略都是一个 Python 文件，可通过一个 CLI 标志（--mode backtest|live）或环境变量（MODE=...），在**回测模式（VectorBT）与实时执行模式（OpenAlgo SDK + WebSocket）**之间切换。

策略也可直接上传到 OpenAlgo 的可自托管 /python 策略主机。

核心原则

1. 一个文件，两种模式。 同一个 signals(df) 函数同时用于 VectorBT（回测）和实时事件循环。两种模式都会遵循风险阈值和成本假设。
2. 所有经纪商端操作都通过 OpenAlgo 完成。 通过 client.history() 和 WebSocket 获取数据。通过 client.placeorder() / placesmartorder() / optionsmultiorder() 下单。实时模式还是沙盒模式由 OpenAlgo UI 分析器中的开关决定——策略代码对此一无所知。
3. 指标库由用户选择——openalgo.ta（默认）或 talib。专业指标（Supertrend、Donchian、Ichimoku、HMA、KAMA）始终来自 openalgo。参见 rules/indicator-libraries.md。
4. 三种执行类型——eoc（K 线结束时以 MARKET 执行）、limit（实时挂钩 LIMIT）、stop（经纪商端 SL-M 触发单）。用户在创建策略时选择。参见 rules/execution-types.md。
5. 每次回测都纳入真实世界的成本和滑点（与 vectorbt-backtesting-skills 的印度市场四段模型一致）。参见 rules/transaction-costs.md 和 rules/slippage-handling.md。
6. 兼容可自托管的 /python——每个策略都按规范优先级读取环境变量、捕获 SIGTERM，并将日志写入 stdout。参见 rules/self-hosted-strategies.md。

应阅读哪些规则

用户想了解……	加载这些规则文件
策略模板概览	unified-strategy-pattern.md、mode-toggle.md、execution-types.md
指标选择	indicator-libraries.md
仓位规模（最重要的修正）	position-sizing.md
启动时的预检	preflight-checks.md
单个仓位的风险	risk-management.md
投资组合级别的风险和每日上限	portfolio-risk.md
成本 / 滑点建模	transaction-costs.md、slippage-handling.md
数据来源（DuckDB、Historify、API）	duckdb-data.md
WebSocket 和 K 线收盘模式	websocket-feeds.md、event-loop.md
下单惯用模式	execution-patterns.md、order-constants.md
期权策略	options-execution.md
波动率策略	volatility-strategies.md
ML 策略	ml-strategies.md
重启之间的持久状态	state-persistence.md
日志记录和 Telegram 警报	logging-and-alerts.md
常见生产环境错误	pitfalls.md
策略目录 / 模板选择	strategy-catalog.md
OpenAlgo /python 自托管	self-hosted-strategies.md
符号格式和手数	symbol-format.md、lot-sizes.md、order-constants.md
完整 SDK 参考	sdk-reference.md

生产模式（摘自 OpenAlgo 示例）

• 双线程实时模型：信号轮询线程 + WS 回调线程（来自 examples/python/emacrossover_strategy_python.py）。WS 回调绝不直接下单——而是启动一个工作线程。
• 收盘逻辑使用 iloc[-2]，而不是 iloc[-1]——client.history() 中的最后一根 K 线仍在形成，可能导致重绘。
• 风险退出使用 client.placesmartorder(position_size=0)，以便干净地平仓（来自 examples/python/stoploss_target_example.py）。
• 多腿期权入场通过 client.optionsmultiorder() 实现——为提高保证金效率，先下 BUY 腿。每条腿的止损通过 client.placeorder(price_type="SL") 设置（来自 examples/python/straddle_with_stops.py）。
• 基于时间的入场通过 apscheduler.schedulers.background.BackgroundScheduler 和 IST cron 实现（来自 examples/python/straddle_scheduler.py）。
• 任何期权订单前，始终先获取现货报价——先调用 client.quotes()，再调用 client.optionsorder() 并设置 offset="ATM"。

反模式（务必避免）

• asyncio——OpenAlgo SDK 是同步的；改用 threading
• 在实时数据上使用 df.iloc[-1]——那是正在形成的 K 线；使用 iloc[-2]
• 调用 client.history(start_date=end_date)——只会返回 1 根 K 线；务必使用多日回溯
• 直接在 WS 回调中下退出订单——应启动一个工作线程
• 可自托管时将 exchange="NSE" 硬编码——应改为读取 OPENALGO_STRATEGY_EXCHANGE 环境变量
• 使用 fees=0 和 slippage=0 进行回测——结果不切实际；请使用适用于相应板块的常量
• 以快于 0.5s 的频率轮询 client.get_ltp()——实时数据请使用 WS 回调

参考文档（位于 OpenAlgo 仓库中）

• SDK：D:/openalgo-python/openalgo/docs/prompt/openalgo python sdk.md
• 服务：D:/openalgo-python/openalgo/docs/prompt/services_documentation.md
• WebSocket 协议：D:/openalgo-python/openalgo/docs/prompt/websockets-format.md
• 可自托管 /python：D:/openalgo-python/openalgo/strategies/README.md
• 生产示例：D:/openalgo-python/openalgo/examples/python/