trader-memory-core

Trader Memory Core

概述

持久化状态层，将筛选 → 分析 → 仓位规模 → 投资组合管理的输出整合为每个投资想法对应的单个“投资论点对象”。跨对话跟踪你的判断、实际情况以及所学到的经验。

第 1 阶段支持单标的投资论点：dividend_income、growth_momentum、mean_reversion、earnings_drift、pivot_breakout。

使用场景

• 筛选器（kanchi、earnings-trade-analyzer、vcp、pead、canslim、edge-candidate-agent）生成候选标的后
• 将投资论点从 IDEA → ENTRY_READY → ACTIVE → CLOSED 迁移时
• 将仓位计算器的输出附加到投资论点时
• 检查哪些投资论点需要复审时
• 平仓并生成包含经验总结的事后复盘时

先决条件

• Python 3.10+
• pyyaml（已包含在项目依赖项中）
• FMP API 密钥（可选，仅用于事后复盘中的 MAE/MFE 计算）

工作流

1. 注册 — 将筛选器输出导入为投资论点

读取筛选器的 JSON 输出，并使用相应的适配器将其转换为投资论点。

python3 skills/trader-memory-core/scripts/thesis_ingest.py \
  --source kanchi-dividend-sop \
  --input reports/kanchi_entry_signals_2026-03-14.json \
  --state-dir state/theses/

支持的来源：kanchi-dividend-sop、earnings-trade-analyzer、vcp-screener、pead-screener、canslim-screener、edge-candidate-agent。

每个投资论点的初始状态都是 IDEA。

2. 查询 — 搜索和列出投资论点

python3 skills/trader-memory-core/scripts/thesis_store.py \
  --state-dir state/theses/ list --ticker AAPL --status ACTIVE

按 --ticker、--status 或 --type 筛选。

3. 更新 — 迁移状态、附加仓位、关联报告

状态迁移（仅 IDEA → ENTRY_READY）：

在 Python 中使用 thesis_store.transition(state_dir, thesis_id, "ENTRY_READY", reason)。

建立仓位（ENTRY_READY → ACTIVE）：

使用 thesis_store.open_position(state_dir, thesis_id, actual_price, actual_date) — 这是进入 ACTIVE 状态的唯一途径。可选传入 shares 和 event_date（用于补录过去的交易）。

平仓或作废（→ CLOSED 或 INVALIDATED）：

使用 thesis_store.terminate(state_dir, thesis_id, terminal_status, exit_reason, actual_price, actual_date)。对于 CLOSED，会委托给 close() 计算盈亏。对于 INVALIDATED，如果入场价和出场价可用，也会计算盈亏。

记录复审（任何非终态）：

使用 thesis_store.mark_reviewed(state_dir, thesis_id, review_date=..., outcome="OK"|"WARN"|"REVIEW") 推进 next_review_date 并记录提醒。

附加仓位计算器输出：

使用 thesis_store.attach_position(state_dir, thesis_id, report_path) 关联仓位规模数据。该操作会验证报告模式为 “shares”（而不是 budget）。

关联相关报告：

使用 thesis_store.link_report(state_dir, thesis_id, skill, file, date) 交叉引用分析文档。

4. 复审 — 检查到期日期和监控状态

python3 skills/trader-memory-core/scripts/thesis_review.py \
  --state-dir state/theses/ review-due --as-of 2026-04-15

列出 next_review_date <= as_of 的投资论点。结合 kanchi-dividend-review-monitor 触发条件（T1-T5）进行系统化复审。

5. 事后复盘 — 平仓并总结

python3 skills/trader-memory-core/scripts/thesis_review.py \
  --state-dir state/theses/ postmortem th_aapl_div_20260314_a3f1

在 state/journal/ 中生成结构化的事后复盘。如果有 FMP API 密钥，还会包含 MAE/MFE（最大不利/有利波动）指标。

汇总统计：

python3 skills/trader-memory-core/scripts/thesis_review.py \
  --state-dir state/theses/ summary

显示所有已平仓投资论点的胜率、平均 P&L% 和按类型细分的数据。

输出格式

投资论点 YAML（state/theses/）

每个投资论点都是一个 YAML 文件，包含：

• 标识信息：thesis_id、ticker、created_at
• 分类：thesis_type、setup_type、catalyst
• 生命周期：status、status_history
• 入场/出场：目标价格、实际价格、条件
• 仓位：股数、价值、风险（从 position-sizer 附加）
• 监控：复审日期、触发条件、提醒
• 来源：来源技能、筛选评级、原始溯源信息
• 结果：P&L、持有天数、MAE/MFE、经验总结

索引（state/theses/_index.json）

轻量级索引，无需加载完整 YAML 文件即可快速查询。

日志（state/journal/）

事后复盘 Markdown 报告：pm_{thesis_id}.md。

核心原则

• 仅向前转换：IDEA → ENTRY_READY → ACTIVE → CLOSED（不可回退）
• 原始来源数据：所有原始筛选器数据均保存在 origin.raw_provenance 中
• 原子写入：所有文件操作均使用 tempfile + os.replace
• 由 Git 跟踪的状态：提交 state/ 目录，以提供审计跟踪
• 第一阶段范围：仅支持单一标的的投资论点（配对交易和期权将在第二阶段支持）

资源

• references/thesis_lifecycle.md — 状态及有效转换
• references/field_mapping.md — 源技能到规范字段的映射
• schemas/thesis.schema.json — 用于验证投资论点的 JSON Schema