wolf-howl

HOWL v2 — 狩猎、优化、取胜、学习

WOLF 整日狩猎。夜幕降临，它便发出 HOWL——复盘每一次击杀与失手，磨砺直觉，明天醒来时变得更敏锐。

为 WOLF 策略提供自动化的每日复盘和数据驱动的自我改进建议。

---

设置

运行设置脚本来配置夜间 HOWL：

python3 scripts/howl-setup.py --wallet {WALLET} --chat-id {CHAT_ID}

Agent 已经知道钱包和聊天 ID，只需创建 cron。也可以设置运行时间（默认：当地时间 23:55）和时区。

---

工作原理

cron 每天触发一次，并启动一个隔离的子 Agent，该子 Agent 会：

1. 收集数据

• 读取 memory/YYYY-MM-DD.md（今天和昨天）
• 读取 MEMORY.md 获取累积上下文
• 读取所有 dsl-state-WOLF-*.json 文件（活动文件 = 当前持仓，非活动文件 = 已平仓交易）
• 读取 wolf-strategy.json 获取当前配置
• 读取 wolf-trade-counter.json 获取 FDR 数据（v5.1+）
• 通过 mcporter 查询 Senpi 交易历史
• 读取扫描器脚本，获取当前过滤阈值

2. 分析每笔已平仓交易

对于每笔交易：资产、方向、入场/出场价格、PnL（毛额和净额）、ROE、已支付费用、持仓时长、最高 ROE（峰值）、达到的 DSL 层级、入场信号类型和质量（原因数量、排名跃升、贡献速度、交易者数量）、入场与出场时的 SM 信念度、平仓触发条件（DSL 越界/Phase 1 自动止损/停滞/信念崩塌/轮换/手动）。

3. 计算指标

核心指标：

• 胜率、平均盈利交易与平均亏损交易的 PnL、利润因子（毛额和净额）
• 已支付费用总额、费用拖累比率（费用/账户价值）
• 净 PnL 与毛 PnL——如果毛额为正但净额为负，问题就在费用

信号质量：

• 信号质量相关性（原因数量越多 → 结果是否越好？）
• FIRST_JUMP、IMMEDIATE_MOVER 与 DEEP_CLIMBER 的胜率
• 入场排名与结果——排名 #20-30 的入场是否优于 #10-20？

DSL 表现：

• 层级分布（多少笔交易达到 Tier 1/2/3/4，与 Phase 1 平仓相比如何？）
• Phase 1 自动止损次数及节省金额（如果没有止损，本会亏损多少？）

持仓时长分档（v2 — 关键）：

• < 30 min：数量、胜率、PnL、费用（预期：表现差——轮换和恐慌止损）
• 30-90 min：数量、胜率、PnL、费用（预期：最佳区间）
• 90+ min：数量、胜率、PnL、费用（预期：拖累表现）

方向分析（v2）：

• LONG 胜率、PnL、利润因子
• SHORT 胜率、PnL、利润因子
• 如果某一方向明显更差，则标记（与市场状态不匹配）

其他：

• 仓位利用率（仓位占用时间与空仓时间的百分比）
• 拖累仓位的持有时长（亏损仓位在止损前持续了多久）
• 错过的机会（我们没有交易的涨幅最大标的）
• 轮换次数和净成本（轮换交易支付的费用）

4. 识别规律

• 区分赢家与输家的入场模式
• DSL 效果（过严？过松？）
• 停滞阈值（是否足够快地止损了拖累仓位？）
• 扫描器过滤准确度（是否捕捉到正确的信号？）
• 仓位规模优化
• 时机模式
• 费用拖累模式（v2）：Agent 是否交易过于频繁？FDR 达到 10% 前进行了多少笔交易？
• 持仓时长模式（v2）：短持仓交易是否普遍表现更差？
• 方向偏差（v2）：Agent 是否在逆势交易？在抛售行情中做 LONG = 灾难。
• 大额交易（v2）：当天是否靠少数几笔大额盈利交易扭转局面？多少笔交易贡献了 80% 的 PnL？

5. 生成报告

将完整报告保存到 memory/howl-YYYY-MM-DD.md，包含：

• 汇总统计（交易笔数、胜率、毛 PnL、净 PnL、费用、FDR、毛额/净额利润因子）
• 交易记录表
• 持仓时长分档明细
• 方向明细（LONG 与 SHORT）
• 哪些做得好 / 哪些不理想（有数据支持）
• 规律洞察
• 改进建议（高/中/低置信度）
• 配置更改建议

6. 更新记忆并发送报告

• 将提炼后的摘要追加到 MEMORY.md
• 向用户发送简明的 Telegram 摘要
• 偏移检查（v2）：如果连续 3 次以上 HOWL 都建议进行同一项更改，则在报告中提高其紧急程度

---

报告格式

确切的输出格式请参阅 references/report-template.md。

---

v2 分析新增内容

通过在真实的 WOLF v5 交易数据上运行 HOWL v1 并发现盲点，得出了以下结论：

费用拖累比率分析

HOWL 的首要发现是：手续费吞噬了整整一天的盈利。 32 笔交易 × 平均 $32 = $1,034 手续费（占账户的 18.3%）。毛利 PnL 为 +$888，但净额为 -$146。HOWL 必须计算 FDR，并与 PnL 一同醒目展示。如果毛利 PF > 1.0，但净 PF < 1.0，建议应是减少交易次数、只做高质量交易，而不是改善入场点。

持仓时间区间

按持仓时间对交易分组后发现，持仓时间 < 30 分钟的交易整体表现极差（合计 -$705），而持仓 60-90 分钟的交易表现最佳（+ $704，57% WR）。HOWL 必须对每笔交易进行区间分组，并在持仓时间 < 30 分钟的交易造成负面影响时发出标记。

方向行情识别

LONG 交易为 4W/12L（25% WR，PF 0.05），而 SHORT 交易盈利。HOWL 必须按方向拆分指标，并在某一方向表现明显不佳时发出标记——这表明行情状态与交易方向不匹配（在下跌行情中做 LONG）。

巨额交易依赖度

3 笔 Tier 4 交易带来 +$1,443，而其余交易合计为 -$556。HOWL 必须识别 PnL 中来自排名前 N 笔交易的百分比，以及策略在没有这些交易时能否维持。

轮换成本跟踪

每次轮换的成本约为 $65（平仓费 + 开仓费）。HOWL 必须跟踪轮换次数、轮换总成本，以及轮换是否产生了正净收益。

---

规则

• 每条建议都必须有过去 24 小时的数据支持
• 不要改动有效的做法——如果胜率很高，就不要修复没有问题的部分
• 小幅渐进式改进优于大幅改造
• 如果过去 24 小时的交易少于 3 笔，仍要分析“为什么这么少？”——不要直接跳过。FDR 门槛是否锁定？市场是否沉寂？信号筛选是否过于严格？
• 将今天的数据与累计统计数据比较，以发现趋势
• 坦诚直言——不要粉饰亏损
• 始终区分毛额与净额。 扣除手续费后亏损的“盈利”策略并不盈利。
• 尽早标记行情状态不匹配。 如果 LONG 交易 5 笔全亏，就说明“停止做 LONG”——不要等到 12 笔全亏才指出。

---

自定义

编辑 references/analysis-prompt.md，调整子 Agent 的分析内容。子 Agent 会在运行时读取提示词，因此更改会在下一次 HOWL 运行时生效，无需重启 crons。

---

文件

文件	用途
scripts/howl-setup.py	设置向导——创建夜间 HOWL cron
references/analysis-prompt.md	完整的子 Agent 分析提示词（可编辑）
references/report-template.md	输出报告格式

许可证

MIT — 由 Senpi 构建（https://senpi.ai）。 来源：https://github.com/Senpi-ai/senpi-skills