paper-trading

# Paper Trading — AI投资竞赛 五位AI选手，五种投资流派，1000万本金实时对决。 ## 架构 ``` paper-trading/ ├── scripts/ │ ├── trading_engine.py # 核心交易引擎（下单/撮合/净值/排行榜） │ └── task_state.py # 任务状态管理（调度/断网恢复/补跑） └── references/ ├── player_quant.md # 因子猎人决策指南 ├── player_trader.md # 技术猎手决策指南 ├── player_value.md # 巴菲特门徒决策指南 ├── player_dwj.md # 趋势游侠决策指南 └── player_sentiment.md # 情绪战神决策指南 ``` ## 数据文件 工作目录：`alpha-factor-lab/` | 文件 | 用途 | |------|------| | `paper-trading-data.json` | 竞赛核心数据（五选手portfolio/trades/nav/decisions） | | `paper-trading-state.json` | 任务调度状态（last_run/pending队列） | ## 交易引擎 CLI ```bash cd alpha-factor-lab # 初始化竞赛 python3 skills/paper-trading/scripts/trading_engine.py init --start-date 2026-02-24 --cash 10000000 # 执行交易 python3 skills/paper-trading/scripts/trading_engine.py trade \ --player quant --code 000001 --name 平安银行 \ --price 12.5 --volume 10000 --direction buy \ --date 2026-02-24 --reason "Amihud因子排名第1" # 更新净值（需要价格JSON文件） python3 skills/paper-trading/scripts/trading_engine.py nav \ --prices-file /tmp/prices.json --benchmark-nav 1.002 --date 2026-02-24 # 查看竞赛摘要 python3 skills/paper-trading/scripts/trading_engine.py summary python3 skills/paper-trading/scripts/trading_engine.py summary --player quant # 记录决策 python3 skills/paper-trading/scripts/trading_engine.py decision \ --player trader --date 2026-02-24 --type technical_analysis \ --summary "MACD金叉+RSI超卖，买入信号" --action buy ``` ## 任务状态 CLI ```bash # 初始化 python3 skills/paper-trading/scripts/task_state.py init # 标记完成/失败 python3 skills/paper-trading/scripts/task_state.py done --task quant_factor_scan python3 skills/paper-trading/scripts/task_state.py fail --task nav_update --reason "断网" # 检查待补任务 python3 skills/paper-trading/scripts/task_state.py check # 查看完整状态 python3 skills/paper-trading/scripts/task_state.py status # 判断是否应该运行 python3 skills/paper-trading/scripts/task_state.py should-run --task quant_rebalance ``` ## 五位选手策略 ### 🔢 因子猎人（quant） - **股票池**：中证1000 - **选股**：Amihud非流动性因子排名选前20~30只 - **调仓**：每周一，等权配置 - **日常**：每天扫描研报/论文 → 构造新因子 → 回测 → 如果IC/Sharpe超过现有因子则替换 - **决策参考**：读 `references/player_quant.md` ### 📊 技术猎手（trader） - **标的**：自动筛选1只高波动+高换手标的 - **分析**：每天2次（早盘9:20、午盘13:30） - **指标**：MACD/KDJ/RSI/BOLL/量价关系/均线系统 - **仓位**：0%/50%/100% 三档 - **决策参考**：读 `references/player_trader.md` ### 🏛️ 巴菲特门徒（value） - **股票池**：全A（偏好龙头蓝筹） - **持仓**：5~10只，按conviction加权 - **日常**：每天读新闻，每周五深度分析 - **调仓**：月度或事件驱动 - **选股**：ROE>15%、PE合理、护城河深、管理层优 - **决策参考**：读 `references/player_value.md` ### 🏄 趋势游侠（dwj） - **股票池**：全A - **选股**：BBI+MA60趋势判断 + KDJ低位买入 + 板块轮动集中度 - **扫描**：每天收盘后跑 `skills/dwj-strategy/scripts/scanner.py` - **信号**：五级漏斗过滤（基础→趋势→KDJ→排序→板块聚类）+ 单针下30补充通道 - **仓位**：分散持仓，同板块≥3只信号加分 - **决策参考**：读 `references/player_dwj.md` - **⚠️ 策略保密**：具体参数和漏斗逻辑不对外公开 ### ⚡ 情绪战神（sentiment） - **信仰**：价格与流动性是唯一真相，屏蔽基本面和技术指标 - **核心**：情绪周期五阶段（冰点/启动/发酵/高潮/退潮）+ 龙头战法 - **标的**：全市场连板最高的1-2只绝对龙头 - **分析**：每天盘前扫描涨停/跌停/炸板数据 → 判断情绪温度 - **仓位**：极度集中（1-2只），冰点/退潮绝对空仓 - **风控**：次日未连板→无条件止损，退潮→清仓 - **决策参考**：读 `references/player_sentiment.md` ## Cron任务执行流程 每个cron任务的标准流程： 1. 检查网络：`timeout 5 curl -s ifconfig.me` 2. 检查是否应该运行：`task_state.py should-run --task <task_id>` 3. 如果有网且应该运行 → 执行任务 4. 完成 → `task_state.py done --task <task_id>` 5. 失败/断网 → `task_state.py fail --task <task_id> --reason "..."` ### 断网恢复 在 HEARTBEAT.md 中检查 `task_state.py check`： - 如果有pending任务 + 当前有网 → 补跑 - 补跑完成 → 飞书通知孙瑞 ## 前端数据 前端 `paper-trading.html` 读取 `paper-trading-data.json`（加cache-bust `?v=timestamp`）。 ⚠️ **每次写入 decision / trade / nav 后必须立刻 git push！** 不要等frontend-deploy cron。 ```bash cd alpha-factor-lab git add paper-trading-data.json git commit -m "data: 竞赛数据更新 <简短描述>" git push ``` GitHub Pages 一般1~2分钟内自动部署。不需要额外的deploy步骤。 ## 费率设置 - 佣金：万三（双向），最低¥5 - 印花税：万五（仅卖出） - 过户费：十万分之一 - 模拟滑点：千一 ## 依赖的其他Skill - **alpha-factor-lab**：因子猎人的因子挖掘和回测 - **technical-analysis**：技术猎手的K线图表和技术分析 - **buffett-analysis**：巴菲特门徒的基本面分析 - **dwj-strategy**：趋势游侠的全A股扫描和板块轮动 - **sentiment-strategy**：情绪战神的涨停复盘和龙头识别 - **us-market**：数据获取（如需美股标的对比）