strategy-framework

策略框架

用于定义、记录、测试和管理交易策略的标准化系统。此技能提供模板和工具，以规范交易纪律、确保可复现性，并使策略可供测试。

策略框架为何重要

没有书面的策略框架，交易会导致：

• 缺乏一致性：由情绪而非规则驱动的临时决策
• 无法测试：模糊的想法，无法回测或评估
• 范围蔓延：策略在缺少版本控制定义的情况下不断偏移
• 风险管理缺失：缺少止损、仓位限制或回撤暂停机制

策略框架要求你：

1. 针对市场低效提出可证伪的假设
2. 定义精确、可由机器测试的入场和出场规则
3. 在交易前明确仓位规模和风险参数
4. 设定继续执行或终止策略的最低绩效标准
5. 通过带版本号的策略文档跟踪变更

策略定义模板

每项策略都必须使用标准模板记录。完整的可复制粘贴模板见 references/strategy_template.md。

核心部分

标识

Name: SOL-EMA-Cross v1.0
Asset class: Solana tokens (top 50 by 24h volume)
Timeframe: Primary 1H, confirmation 4H
Style: Trend following

优势假设：说明你利用的市场低效，以及这种低效存在的原因。

Hypothesis: Solana mid-cap tokens exhibit momentum persistence
on the 1H timeframe due to retail herding behavior and low
institutional participation. EMA crossovers capture the
initiation of these trends.

入场规则：使用 AND/OR 逻辑组合的具体、可测试条件。

def entry_signal(data: pd.DataFrame) -> bool:
    """All conditions must be True (AND logic)."""
    ema_cross = data["ema_12"] > data["ema_26"]  # EMA 12 crossed above 26
    ema_rising = data["ema_26"].diff(3) > 0       # 26 EMA trending up
    volume_ok = data["volume"] > data["vol_sma_20"] * 1.5  # Volume confirmation
    regime_ok = data["adx"] > 20                  # Trending regime
    return ema_cross & ema_rising & volume_ok & regime_ok

出场规则：每项策略都需要多种出场机制。

出场类型	方法	参数
止损	基于 ATR	入场价下方 2.0 × ATR(14)
止盈	风险倍数	3.0 × 风险（3:1 R:R）
移动止损	Chandelier	最高价下方 3.0 × ATR(14)
时间止损	K 线数量	20 根 K 线后仍持平则平仓
信号出场	EMA 反转	EMA 12 下穿 EMA 26

仓位规模：方法和参数。详情请参阅 position-sizing 技能。

risk_per_trade = 0.02        # 2% of portfolio
stop_distance_pct = 0.05     # 5% from entry (ATR-derived)
position_size = (portfolio * risk_per_trade) / stop_distance_pct

风险参数：投资组合层面的防护限制。请参阅 risk-management 技能。

Max concurrent positions: 5
Risk per trade: 2% of portfolio
Daily loss limit: 5% of portfolio
Max drawdown halt: 15% — stop trading, review strategy
Correlated exposure limit: 10% (e.g., meme tokens combined)

过滤条件：即使信号触发，也会阻止入场的条件。

def filters_pass(token: dict, market: dict) -> bool:
    """All filters must pass before entry is allowed."""
    volume_ok = token["volume_24h"] > 500_000      # Min $500K volume
    liquidity_ok = token["liquidity"] > 100_000    # Min $100K liquidity
    age_ok = token["age_days"] > 7                 # Not brand new
    holders_ok = token["holder_count"] > 500       # Sufficient distribution
    regime_ok = market["regime"] != "crisis"       # No crisis regime
    return all([volume_ok, liquidity_ok, age_ok, holders_ok, regime_ok])

绩效标准：何时继续执行、复核或终止策略。

Continue: Sharpe > 1.0, PF > 1.5, Win Rate > 40%, MDD < 20%
Review:   Any metric degrades 25% from baseline
Retire:   Rolling 30-day Sharpe < 0, or 3 consecutive losing months

策略生命周期

1. 假设

识别市场低效，并解释其存在的原因，以及它可能持续存在的原因。

好的假设：“在 10 分钟内于联合曲线上达到 80+ SOL 的新 PumpFun 代币，有 65% 的概率会在 Raydium 上完成毕业，从而在毕业时产生可预测的价格飙升。”

不好的假设：“SOL 会上涨。”（不具体、不可测试，也未指出优势。）

2. 定义

使用 references/strategy_template.md 中的模板编写完整的策略文档。必须填写每个字段。如果某个字段无法填写，说明策略尚未准备就绪。

3. 回测

使用 vectorbt 或同等工具对历史数据进行测试。要求：

• 测试期内至少有 100 笔交易
• 使用滚动前向验证（70% 用于训练，30% 用于测试）
• 将滑点和费用纳入考量（请参阅 slippage-modeling 技能）
• 报告样本内和样本外的指标

4. 模拟交易

在模拟环境中运行策略至少 2 周（或 30 笔交易，以较长者为准）。

• 将模拟交易结果与回测预期进行比较
• 如果结果相差超过 25%，须在继续之前调查原因

5. 小规模实盘

以最小可行规模进行交易（足以覆盖费用，同时金额小到不会造成实质影响）。

• 至少进行 30 笔交易
• 将结果与模拟交易进行比较

6. 扩大规模

如果小规模实盘指标符合预期（与回测结果相差不超过 25%）：

• 逐步增加仓位规模（每周增加 25%）
• 持续监控指标

7. 监控

持续跟踪绩效：

• 每日：盈亏、交易笔数、胜率
• 每周：夏普比率、盈利因子、回撤
• 每月：根据绩效标准全面复核策略

8. 退役

出现以下情况时停止使用该策略：

• 滚动 30 天夏普比率低于 0
• 连续三个月亏损
• 市场状态发生永久性变化（例如，监管变化）
• 同一优势已有更好的策略取而代之

策略评估标准

策略投入实盘交易前的最低门槛：

指标	趋势跟踪	均值回归	剥头皮
最少交易次数	100	100	500
夏普比率（样本外）	> 1.0	> 1.0	> 1.5
盈利因子	> 1.5	> 1.5	> 1.3
最大回撤	< 20%	< 15%	< 10%
胜率	> 35%	> 55%	> 55%
平均盈利/平均亏损	> 2.0	> 1.0	> 1.0

加密货币策略类型

每种策略类型的详细说明见 references/strategy_types.md。

动量 / 趋势跟踪

• 优势：由于行为偏差和信息不对称，价格趋势会持续
• 指标：EMA 交叉、SuperTrend、ADX、MACD
• 胜率：35-45%，依赖大额盈利
• 最佳市场状态：波动性适中的趋势市场

均值回归

• 优势：由于过度反应，价格会围绕均衡水平波动
• 指标：RSI、布林带、z-score、VWAP 偏差
• 胜率：55-65%，依赖较高胜率和较小收益
• 最佳市场状态：波动性低至中等的震荡市场

突破

• 优势：波动率收窄会带来方向性扩张
• 指标：布林带收缩、Donchian 通道、成交量突破
• 胜率：30-40%，依赖捕捉大幅行情
• 最佳市场状态：波动率从低位转向高位

跟单 / 钱包跟踪

• 优势：优秀的钱包拥有信息或分析优势
• 指标：钱包 PnL 历史、交易频率、代币选择
• 胜率：取决于所跟踪钱包的质量
• 最佳市场状态：任何状态（取决于所跟踪钱包的策略）

PumpFun 狙击

• 优势：代币创建和毕业期间的价格动态具有可预测性
• 策略：创建狙击、成交量确认、毕业操作
• 胜率：变化很大（根据方法不同，为 20-60%）
• 最佳市场状态：散户活跃度较高的时期

套利

• 优势：利用不同 DEX 之间或现货与永续合约之间的价格差异
• 指标：来自多个交易场所的价格数据、资金费率
• 胜率：正确执行时 > 80%
• 最佳市场状态：高波动、流动性分散的市场

做市

• 优势：在管理库存风险的同时赚取买卖价差
• 指标：订单簿深度、波动率、库存头寸
• 胜率：> 60%，依赖成交量和价差收益
• 最佳市场状态：成交量稳定的平稳市场

常见策略错误

1. 没有书面规则：凭直觉交易，无法回测或复现
2. 曲线拟合：不断优化参数，直到回测结果完美，但实盘表现不佳
3. 缺少止损：“感觉合适时我就退出”会导致灾难性亏损
4. 忽略市场状态：在震荡市场使用趋势策略（或反之）
5. 幸存者偏差：只对仍然存在的代币进行回测
6. 前视偏差：在回测信号中使用未来信息
7. 忽略成本：未将滑点、手续费和市场冲击纳入考量
8. 过度交易：为了“保持活跃”而根据边缘信号入场
9. 频繁更换策略：在正常的连败后放弃策略
10. 没有退役计划：因不舍而继续交易已经失效的策略

与其他技能的集成

技能	集成方式
vectorbt	以编程方式回测策略定义
pandas-ta	计算用于入场／出场信号的技术指标
regime-detection	用于激活策略的市场状态筛选条件
exit-strategies	详细的出场规则实现
position-sizing	仓位大小计算方法
risk-management	执行投资组合级别的风险参数
slippage-modeling	估算真实的执行成本
feature-engineering	根据策略信号计算 ML 特征

文件

参考资料

• references/strategy_template.md — 完整的策略定义模板，可直接复制粘贴
• references/strategy_types.md — 各类策略的详细指南，包含参数和示例

脚本

• scripts/define_strategy.py — 交互式策略定义工具，支持 --demo 模式
• scripts/strategy_scorecard.py — 策略评估评分卡，可提供 GO／REVIEW／NO-GO 建议