weekly-performance-digest

每周绩效摘要

概述

每周绩效摘要会将你一周内平仓的交易汇总为一份绩效报告。它会读取由 trader-memory-core 跟踪的已平仓交易假设（state/theses/th_*.yaml），计算关键指标（胜率、期望值、盈利因子、R 倍数、MAE/MFE），按多个模式维度（来源技能、退出原因、交易假设类型、行业、机制标签、筛选评级）拆分结果，并展示本周表现最佳和最差的交易及经验教训。输出包括一条 JSON 记录和一份易读的 Markdown 报告。纯计算，无需 API 密钥。

适用场景

• 在交易周结束时，回顾汇总后的已实现绩效
• 衡量所有已平仓仓位的胜率和期望值
• 查看哪些来源技能、退出原因、行业或机制带来了盈利或亏损
• 为月末回顾（合并四份每周摘要）或事后复盘提供数据
• 基于真实的已平仓交易，快速了解“哪些做得好／哪些做得不好”

不适用场景

• 深入复盘单笔交易——请使用 trade-performance-coach
• 对信号进行真阳性／假阳性分类——请使用 signal-postmortem
• 提供买入／卖出建议或仓位规模建议——此技能仅用于描述分析

前提条件

• Python 3.9+ 和 PyYAML（已是仓库依赖项）
• 包含交易假设 YAML 文件的 trader-memory-core 状态目录（state/theses/）
• 无需 API 密钥

工作流

第 1 步：生成一周的摘要

python3 skills/weekly-performance-digest/scripts/generate_weekly_digest.py \
  --state-dir state/theses \
  --from-date 2026-06-13 --to-date 2026-06-20 \
  --output-dir reports/ -v

默认值：--state-dir state/theses，--from-date 为 --to-date 前 7 天， --to-date 为今天，--output-dir reports/。不指定日期标志时，将汇总 最近 7 天的数据。

第 2 步：阅读报告

运行后会生成 reports/weekly_digest_<to-date>.json 和 reports/weekly_digest_<to-date>.md。查看 Markdown 报告中的执行摘要、 指标表、模式分析，以及表现最佳和最差的交易；后续处理则使用 JSON。

第 3 步（可选）：供下游流程使用

合并多份每周 JSON 摘要，用于月度回顾；或者将 JSON 传递给 事后复盘／教练流程。此技能仅用于描述分析——请通过常规 回顾流程，根据分析结果采取行动。

工作原理

• 交易筛选。 如果交易的 exit.actual_date 位于 [from-date, to-date] 范围内，且 status == CLOSED，则计入该周。
• 盈利／亏损。 outcome.pnl_dollars > 0 表示盈利，< 0 表示亏损，== 0 表示盈亏平衡； win_rate = winners / total_trades。
• R 倍数。 pnl_dollars / ((entry.actual_price − exit.stop_loss) × position.shares)。 （根据实际交易假设架构，从 exit.stop_loss 读取止损价。）
• 避免重复计数。 已平仓交易假设的 outcome.pnl_dollars 是所有减仓操作加上最终仓位的 累计 已实现盈亏。关键指标只使用已平仓交易假设的累计值。单独的 partial_trims 区块会 扫描仅部分平仓的交易假设（仍处于持仓状态）的 status_history[]，并仅供参考——它 绝不会计入关键指标总额或胜率。因此，某个仓位若在第 1 周部分减仓、第 2 周平仓，就会在第 1 周显示为部分减仓，并计入第 2 周已平仓交易的关键指标；这是预期行为，并非重复计数。

输出格式

JSON（weekly_digest_<to-date>.json）

{
  "schema_version": "1.0",
  "report_type": "weekly_performance_digest",
  "period": {"from": "2026-06-13", "to": "2026-06-20"},
  "generated_at": "2026-06-20T21:39:07Z",
  "summary": {
    "total_trades": 2, "winners": 1, "losers": 1, "breakeven": 0,
    "win_rate": 0.5, "expectancy": 25.0, "profit_factor": 2.0,
    "total_realized_pnl": 50.0, "total_realized_pnl_pct": 4.17
  },
  "metrics": {
    "avg_winner": 100.0, "avg_loser": -50.0,
    "largest_winner": 100.0, "largest_loser": -50.0,
    "avg_holding_days_winners": 9.0, "avg_holding_days_losers": 6.0,
    "r_multiple_avg": 0.25, "r_multiple_stdev": 1.06,
    "avg_mae_pct": -3.75, "avg_mfe_pct": 4.5
  },
  "pattern_analysis": {
    "by_source_skill": {"...": {"wins": 1, "losses": 0, "total": 1, "win_rate": 1.0}},
    "by_exit_reason": {}, "by_thesis_type": {}, "by_sector": {},
    "by_mechanism_tag": {}, "by_screening_grade": {}
  },
  "partial_trims": {"count": 0, "total_realized_pnl": 0.0, "trims": []},
  "lessons": {"top_wins": [], "top_losses": [], "process_improvements": []}
}

Markdown（weekly_digest_<to-date>.md）

各部分包括：# Weekly Performance Digest、## Executive Summary、 ## Performance Metrics、## Pattern Analysis、## Lessons Learned （### Top Winners／### Top Losers／### Process Improvements）。

即使当周没有交易，也会生成有效报告，指标均为零（退出代码为 0）。

资源

• scripts/generate_weekly_digest.py — 摘要生成器（JSON + Markdown）
• references/weekly-digest-metrics.md — 指标公式和解读

核心原则

1. 关键数据仅统计已平仓交易 — 累计 outcome.*，按平仓日期归类。
2. 不重复计数 — 部分减仓仅供参考，不计入总数。
3. 归因分析 — 每笔盈利或亏损都会从多个维度进行归因。
4. 描述而非指导 — 摘要负责报告，由你做决定。