trade-journal

交易日志

通过结构化交易日志实现系统性改进。记录每笔交易及其背景，按多个周期回顾表现，发现损害优势的行为模式，并将收益归因到具体策略。

为什么记录交易日志很重要

大多数交易者失败，不是因为策略不佳，而是因为行为不当。交易日志能将主观的“感觉”转化为客观数据：

• 策略归因：了解哪些形态真正赚钱，哪些只是感觉有利可图
• 行为检测：在报复性交易、FOMO 入场和过早离场造成更大影响之前及时发现
• 模式识别：发现自己周一早上的交易会亏钱，或是过早卖出 SOL 盈利仓位
• 问责：入场前写下理由，促使自己审慎决策
• 改进跟踪：衡量流程的改变是否真的改善了结果

没有日志，你只能根据噪声进行优化。有了日志，你才能根据有效信号进行优化。

交易记录结构

每条交易记录都会记录入场时的背景和离场时的结果。完整的 18 个字段结构请参阅 references/record_format.md。

最低必填字段

trade = {
    "id": "T-20250310-001",
    "token": "SOL",
    "direction": "long",
    "entry_date": "2025-03-10T14:30:00Z",
    "entry_price": 142.50,
    "size_sol": 5.0,
    "strategy": "momentum-breakout",
    "rationale": "Breaking above 4h resistance at 141.80 with volume confirmation",
    "exit_date": "2025-03-10T16:45:00Z",
    "exit_price": 146.20,
    "pnl_sol": 0.648,
    "outcome": "win",
    "lessons": "Held through initial pullback to 143.0, rewarded for patience"
}

策略标签

使用统一的标签来进行表现归因：

类别	标签
动量	momentum-breakout、trend-continuation、pullback-entry
均值回归	range-fade、oversold-bounce、deviation-snap
事件驱动	listing-play、catalyst-trade、news-reaction
链上	whale-follow、wallet-copy、flow-signal
DeFi	lp-entry、yield-farm、arb-capture

理由模板

入场前先写下理由。以下是按形态类型分类的模板：

Momentum: "[Token] breaking [level] on [timeframe] with [confirmation]. Target [price], stop [price]."
Mean Reversion: "[Token] at [X] std devs from [mean] on [timeframe]. Expecting reversion to [target]."
On-Chain: "[Signal type] detected — [wallet/flow description]. Historical hit rate [X]%."

存储格式

日志使用 JSON 进行结构化查询，并使用 CSV 兼容电子表格。

JSON 格式（主要）

{
  "journal_version": "1.0",
  "trader_id": "anon",
  "trades": [
    {
      "id": "T-20250310-001",
      "token": "SOL",
      "direction": "long",
      "entry_date": "2025-03-10T14:30:00Z",
      "entry_price": 142.50,
      "size_sol": 5.0,
      "size_usd": 712.50,
      "strategy": "momentum-breakout",
      "setup_quality": 8,
      "rationale": "Breaking above 4h resistance with volume",
      "exit_date": "2025-03-10T16:45:00Z",
      "exit_price": 146.20,
      "pnl_sol": 0.648,
      "pnl_pct": 2.60,
      "outcome": "win",
      "hold_time_minutes": 135,
      "emotional_state": "calm",
      "lessons": "Patience through pullback paid off",
      "tags": ["high-conviction", "clean-setup"]
    }
  ]
}

CSV 格式（导出）

id,token,direction,entry_date,entry_price,size_sol,strategy,exit_date,exit_price,pnl_sol,pnl_pct,outcome,lessons
T-20250310-001,SOL,long,2025-03-10T14:30:00Z,142.50,5.0,momentum-breakout,2025-03-10T16:45:00Z,146.20,0.648,2.60,win,"Patience paid off"

交易日志数据分析

按策略统计胜率

from collections import Counter

def win_rate_by_strategy(trades: list[dict]) -> dict[str, float]:
    """Compute win rate grouped by strategy tag."""
    strategy_outcomes: dict[str, list[str]] = {}
    for t in trades:
        strat = t["strategy"]
        strategy_outcomes.setdefault(strat, []).append(t["outcome"])

    return {
        strat: outcomes.count("win") / len(outcomes)
        for strat, outcomes in strategy_outcomes.items()
        if len(outcomes) >= 5  # minimum sample size
    }

按时段统计表现

from datetime import datetime

def pnl_by_hour(trades: list[dict]) -> dict[int, float]:
    """Aggregate P&L by entry hour (UTC)."""
    hourly: dict[int, float] = {}
    for t in trades:
        hour = datetime.fromisoformat(t["entry_date"].rstrip("Z")).hour
        hourly[hour] = hourly.get(hour, 0.0) + t.get("pnl_sol", 0.0)
    return dict(sorted(hourly.items()))

按代币类型统计盈利因子

def profit_factor(trades: list[dict], group_key: str = "token") -> dict[str, float]:
    """Compute profit factor (gross wins / gross losses) by grouping key."""
    groups: dict[str, dict[str, float]] = {}
    for t in trades:
        key = t.get(group_key, "unknown")
        groups.setdefault(key, {"wins": 0.0, "losses": 0.0})
        pnl = t.get("pnl_sol", 0.0)
        if pnl > 0:
            groups[key]["wins"] += pnl
        else:
            groups[key]["losses"] += abs(pnl)

    return {
        k: v["wins"] / v["losses"] if v["losses"] > 0 else float("inf")
        for k, v in groups.items()
    }

行为模式检测

交易日志有助于发现破坏性的交易模式。完整框架请参阅 references/review_framework.md。

报复性交易

亏损后迅速重新入场，通常仓位更大：

def detect_revenge_trades(trades: list[dict], max_gap_minutes: int = 15) -> list[dict]:
    """Find trades entered within max_gap_minutes of a losing exit."""
    sorted_trades = sorted(trades, key=lambda t: t["entry_date"])
    revenge = []
    for i in range(1, len(sorted_trades)):
        prev, curr = sorted_trades[i - 1], sorted_trades[i]
        if prev["outcome"] == "loss":
            prev_exit = datetime.fromisoformat(prev["exit_date"].rstrip("Z"))
            curr_entry = datetime.fromisoformat(curr["entry_date"].rstrip("Z"))
            gap = (curr_entry - prev_exit).total_seconds() / 60
            if gap <= max_gap_minutes:
                revenge.append(curr)
    return revenge

FOMO 检测

在价格大幅波动后入场，却没有合适的形态：

• 入场理由含糊不清或缺失
• 形态质量自评低于 5/10
• 入场时的波动幅度已超过 1 ATR

过早止盈／持有亏损仓位

def winner_loser_hold_times(trades: list[dict]) -> dict[str, float]:
    """Compare average hold time for wins vs losses."""
    win_times = [t["hold_time_minutes"] for t in trades if t["outcome"] == "win"]
    loss_times = [t["hold_time_minutes"] for t in trades if t["outcome"] == "loss"]
    return {
        "avg_win_hold_min": sum(win_times) / len(win_times) if win_times else 0,
        "avg_loss_hold_min": sum(loss_times) / len(loss_times) if loss_times else 0,
    }
    # RED FLAG: if avg_loss_hold > avg_win_hold, you're cutting winners and riding losers

情绪失控检测

亏损后加大仓位表明交易受到情绪影响：

def detect_tilt(trades: list[dict], threshold: float = 1.5) -> list[dict]:
    """Flag trades where size increased >threshold after a loss."""
    tilt_trades = []
    for i in range(1, len(trades)):
        prev, curr = trades[i - 1], trades[i]
        if prev["outcome"] == "loss" and curr["size_sol"] > prev["size_sol"] * threshold:
            tilt_trades.append(curr)
    return tilt_trades

回顾频率

每日回顾（5 分钟）

• 今天进行了多少笔交易？盈亏如何？
• 每笔交易是否都遵守了规则？
• 是否做出了受情绪影响的决策？
• 一件做得好的事，以及一件需要改进的事

每周回顾（30 分钟）

• 按策略统计胜率和盈利因子
• 检查行为模式（报复性交易、情绪失控、FOMO）
• 本周最佳和最差的交易——它们有何不同？
• 策略表现与预期是否相符
• 如有需要，调整仓位规模

每月回顾（2 小时）

• 全面分析策略归因
• 回顾权益曲线——回撤阶段及恢复情况
• 比较每笔交易的实际风险与计划风险
• 按代币类型、时段和星期几分析表现
• 是否有策略持续亏损？考虑弃用
• 回顾并更新策略参数

详细的回顾清单和问题请参阅 references/review_framework.md。

部分离场和分批入场

实际交易涉及分批建仓和平仓。日志通过子记录处理这些情况：

# Parent trade with two scale-out exits
parent = {
    "id": "T-20250310-001",
    "token": "BONK",
    "direction": "long",
    "entry_date": "2025-03-10T14:30:00Z",
    "entry_price": 0.000023,
    "size_sol": 10.0,
    "strategy": "momentum-breakout",
    "exits": [
        {"date": "2025-03-10T15:00:00Z", "price": 0.000025, "size_pct": 50, "reason": "first-target"},
        {"date": "2025-03-10T16:30:00Z", "price": 0.000028, "size_pct": 50, "reason": "trailing-stop"},
    ]
}

部分离场处理的完整说明请参阅 references/record_format.md。

文件

参考资料

• references/record_format.md — 完整的 18 字段交易记录架构、字段说明、标签分类、CSV/JSON 示例、部分平仓处理
• references/review_framework.md — 每日／每周／每月复盘清单、行为预警信号、绩效衰退检测

脚本

• scripts/trade_logger.py — CLI 交易记录工具：添加、列出、更新、计算统计数据、筛选、演示模式（仅使用标准库）
• scripts/journal_analyzer.py — 交易日志分析：策略表现、行为模式、基于时间的分析、演示模式（仅使用标准库）

依赖项

两个脚本仅使用 Python 标准库（json、datetime、argparse、collections）。无需安装外部包。

# No installation needed — stdlib only
python scripts/trade_logger.py --demo
python scripts/journal_analyzer.py --demo

免责声明

此技能提供交易记录和绩效分析工具，不提供财务建议或交易推荐，也不保证任何交易结果。所有分析仅供参考，仅用于个人复盘。