arbitration-methodology

name	arbitration-methodology
description	开发2组仲裁方法论Skill。基于桥水经济机器模型的场景化专家权重体系，支持三种模式：(1)场景设计与权重配置迭代；(2)7专家Signal仲裁执行（含场景自动选择、评分制匹配、共识/分歧标注、贡献追踪）；(3)权重回测校准。当用户讨论仲裁权重、场景选择逻辑、match_signals规则、仓位公式设计、权重校准或标准化推理链时调用。
owner_group	开发2组（Orchestrator）
domain	orchestration
status	active
agent_created	true

仲裁方法论 Skill

1. 适用范围

适用任务

• 设计或迭代三个市场场景（牛市/熊市/震荡市）的专家权重配置
• 对 7 个专家组的 Signal 执行场景选择与加权仲裁
• 用历史信号数据校准权重数值（理论锚定 + 实证微调）
• 生成包含共识/分歧标注和贡献追踪的标准化推理链
• 维护场景识别规则（match_signals）和仓位公式

边界说明

• 本 Skill 负责场景规则定义和权重配置，不分析原始市场数据（CPI、K线、VIX 等）
• 权重数值为"研究驱动的理论值"，标注为占位初稿，后续需回测校准
• 不替代风控层——仓位上限仅为场景建议，最终决策权在用户
• 场景选择基于 7 个专家组的 Signal（方向 + 置信度），不读取原始行情
• 方法论理论依据详见 references/methodology.md

2. 模式判定

触发条件	模式	说明
用户讨论权重设计、场景规则、仓位公式	模式A：场景设计与权重配置	迭代场景参数
用户要求执行仲裁、分析信号、生成推理链	模式B：信号仲裁执行	运行仲裁引擎
用户提供历史信号数据、要求校准权重	模式C：权重校准	回测校准

3. 模式A：场景设计与权重配置

当用户需要新增场景、调整权重或修改仓位公式时执行。

3.1 加载当前配置

读取以下文件了解现状：

• agents/orchestrator/scenarios/bull_market.py
• agents/orchestrator/scenarios/bear_market.py
• agents/orchestrator/scenarios/range_market.py
• references/weights.md（权重设计速查表）

3.2 变更检查清单

每次修改权重或场景规则时，逐项确认：

• 权重方向（升/降/平）是否与桥水框架对该场景的定义一致
• 每个权重数值是否有可追溯的研究理由（标注于 _BASE_WEIGHTS 的 reason 字段）
• 仓位系数和上限是否符合该场景的风险特征
• match_signals 条件是否正确反映该场景的信号特征
• 场景风险提示是否覆盖该场景的典型风险
• scenario_profile.py 基类接口未被破坏
• scenario_selector.py 选择逻辑无需修改（新场景自动注册）

3.3 权重设计规则

权重方向由理论框架决定（详见 references/methodology.md）：

牛市（增长↑ + 通胀↓ + 风险压缩）:
  提权: 技术面、资金流、产业分析
  不变: 宏观面
  降权: 财务面、舆情组、风险面

熊市（风险溢价扩张）:
  提权: 风险面、财务面、产业分析、宏观面
  降权: 资金流、舆情组、技术面

震荡市（三维度均衡）:
  提权: 产业分析、风险面、资金流
  不变: 宏观面
  降权: 财务面、舆情组、技术面

具体数值见 references/weights.md。

3.4 新增场景模板

新增场景需继承 ScenarioProfile 并实现 6 个方法：

class NewScenario(ScenarioProfile):
    @property
    def name(self) -> str: ...
    @property
    def display_name(self) -> str: ...
    @property
    def description(self) -> str: ...
    
    _BASE_WEIGHTS: Dict[str, Tuple[float, str]] = {...}
    
    def get_weight(self, expert_type, market_data=None) -> Tuple[float, str]: ...
    def match_signals(self, signals) -> Tuple[float, str, Dict]: ...
    def get_position_ratio(self, confidence, direction) -> Tuple[float, str]: ...
    def get_scenario_risks(self) -> List[str]: ...
    def get_confidence_threshold(self) -> Optional[float]: ...

新增后注册到 scenarios/__init__.py 的 _SCENARIOS 列表。

4. 模式B：信号仲裁执行

当用户要求对 7 个专家 Signal 执行仲裁时，按以下步骤执行。

4.1 收集专家 Signal

调用 7 个专家 Agent 获取 Signal，每个 Signal 包含：

• direction: bullish/bearish/neutral
• confidence: 0.0-1.0
• signal_type: technical/fundflow/macro/financial/industry/news/risk

4.2 场景自动选择

调用 agents/orchestrator/scenario_selector.py 的 ScenarioSelector.select(signals)：

from agents.orchestrator.scenario_selector import ScenarioSelector
selector = ScenarioSelector()
selection = selector.select(signals)

选择逻辑：三个场景逐一调用 match_signals() 计算 0-1 匹配分，按分数排名，最高分 ≥ 0.5 的选中。

匹配置信度计算：

条件	公式
唯一高质量匹配（score≥0.6，与第二名差距≥0.15）	confidence = score × 0.8
弱匹配（0.5 ≤ score < 0.6）	confidence = score × 0.6
多场景竞争（两名分数差 < 0.15）	confidence = score × 0.6
无匹配（score < 0.5）	降级为默认等权

4.3 信号筛选与加权

使用选中场景的权重配置：

1. 按置信度阈值筛选 Signal（默认 0.6，震荡市覆盖为 0.45）
2. 每 Signal 综合权重 = confidence × signal.weight × expert_weight
3. 按方向汇总看多/看空加权得分
4. 判定方向：看多占比 > 60% → bullish，看空 > 60% → bearish，否则 neutral

4.4 生成标准化推理链

调用 agents/orchestrator/reasoning_chain.py 构建：

from agents.orchestrator.reasoning_chain import build_standardized_chain
chain = build_standardized_chain(signals, scenario, direction, confidence,
                                  position_ratio, position_formula, risks,
                                  weight_reasons, execution_trace,
                                  bullish_score, bearish_score)

输出包含共识分析、贡献追踪、风险分类的结构化链。

4.5 仓位计算

使用选中场景的仓位公式：position = min(confidence × COEFFICIENT, CAP)

5. 模式C：权重校准

当用户提供历史信号数据（Signal 预测 + 后续实际方向）时执行。

5.1 准备历史数据

每条记录包含：expert_type, scenario, predicted_direction, predicted_confidence, actual_direction, timeliness_days

5.2 执行校准

from agents.orchestrator.calibration import CalibrationEngine
engine = CalibrationEngine(alpha=0.3)  # 70% 理论 + 30% 数据
engine.load_anchor_weights()
engine.load_records(records)
report = engine.run_full_calibration()
print(engine.format_report(report))

5.3 审查与更新

校准引擎不自动覆盖场景文件。审查报告后：

1. 检查方向冲突标记（理论方向与实证方向不一致的）
2. 检查区间违规（融合值超出 ±30% 区间的）
3. 检查样本外验证（训练 vs 验证得分差距 > 0.15 的）
4. 手动将确认后的权重更新到对应场景文件

6. 核心规则速查

6.1 match_signals 评分规则

场景	条件数	聚合方式	阈值
牛市	3（宏观/风控/信号偏多）	(c1+c2+c3)/3	≥ 0.5
熊市	3（宏观/风控/信号偏空）	(c1+c2+c3)/3	≥ 0.5
震荡市	3（中性/均衡/冲突）	取 top-2 平均	≥ 2 条件 > 0.5

每条件评分逻辑：

• 方向匹配 + conf ≥ 0.5 → score = conf
• 方向匹配 + conf < 0.5 → score = conf × 0.6
• 不匹配或无信号 → 0
• 风控缺失 → 0.3（部分分）

6.2 三场景权重速查

专家	牛市	熊市	震荡市
技术面	1.3 ↑	0.5 ↓↓	0.5 ↓↓
资金流	1.2 ↑	0.9 ↓	1.2 ↑
产业分析	1.05 ↑	1.10 ↑	1.20 ↑↑
宏观面	1.0 →	1.1 ↑	1.0 →
财务面	0.7 ↓	1.2 ↑	0.9 ↓
舆情组	0.7 ↓	0.65 ↓	0.75 ↓
风险面	0.5 ↓	1.6 ↑↑	1.2 ↑

权重理由详见 references/weights.md。

6.3 仓位公式速查

场景	系数	上限	公式
牛市	0.60	0.40	min(0.95×0.60=0.57, 0.40)
熊市	0.25	0.15	min(0.95×0.25=0.24, 0.15)
震荡市	0.35	0.20	min(0.44×0.35=0.15, 0.20)

6.4 风险分类规则

类型	标记	行为
阻塞性	🔒	强制 hold（信号不足、Agent 大规模失败）
信息性	🔴	供参考，不阻塞交易
提示性	⚠️	供参考，不阻塞交易
场景风险	无标记	场景固有风险（如牛市追高风险）

7. 标准输出

7.1 仲裁结果 JSON

{
  "decision": "buy",
  "direction": "bullish",
  "confidence": 0.95,
  "position_ratio": 0.40,
  "signals_summary": {"total": 7, "bullish": 6, "bearish": 0, "neutral": 1},
  "risks": ["🔴 风控信号: ...", "牛市追高风险"],
  "standardized_chain": {
    "scenario_info": {"name": "bull_market", "display_name": "牛市场景"},
    "consensus": {
      "consensus_direction": "bullish",
      "consensus_ratio": 0.86,
      "divergence_type": "none"
    },
    "contributions": [
      {"signal_type": "technical", "contribution_ratio": 0.24, "is_top_contributor": true}
    ],
    "direction_analysis": {"bullish_score": 4.27, "bearish_score": 0.0},
    "final_decision": {"action": "buy", "direction": "bullish", "confidence": 0.95}
  }
}

7.2 校准报告结构

{
  "meta": {"generated_at": "...", "alpha": 0.3, "total_records": 1260},
  "adjustments": {
    "bull_market": {
      "technical": {"anchor_weight": 1.3, "blended_weight": 1.32, "adjustment": 0.02}
    }
  },
  "constraints": {"direction_violations": [], "band_violations": [], "passed": true}
}

8. 质量检查

输出前逐项确认：

• 场景选择已完成——选中场景的非默认等权
• 权重已从场景对象加载（非硬编码）
• 每个权重附带可追溯理由
• 共识分析正确标注——共识方向、共识占比、分歧类型
• 贡献追踪完整——每专家一行，含贡献占比
• 方向判定规则明确——看多/看空占比与阈值逻辑
• 仓位计算触达上限时已标注（"触及上限 X"）
• 风险已按阻塞性/信息性/场景分类
• standardized_chain 可 JSON 序列化
• reasoning_chain（文本链）与 standardized_chain（结构化链）数据一致

文件索引

文件	用途
agents/orchestrator/scenario_profile.py	场景基类（6 问接口 + 评分辅助方法）
agents/orchestrator/scenario_selector.py	场景选择器（v2 评分制）
agents/orchestrator/arbitration.py	仲裁引擎（11 步流水线）
agents/orchestrator/agent.py	Orchestrator 入口
agents/orchestrator/calibration.py	权重校准引擎
agents/orchestrator/reasoning_chain.py	标准化推理链
scenarios/bull_market.py	牛市场景
scenarios/bear_market.py	熊市场景
scenarios/range_market.py	震荡市场景
references/methodology.md	方法论理论依据（桥水框架 + 研究来源）
references/weights.md	权重设计速查表（三场景权重 + 仓位公式）
tests/test_e2e_orchestrator.py	E2E 验证
tests/test_calibration.py	校准验证