title: 金融专家团队自动化模拟交易方案
date: 2026-05-17T18:30:00+08:00
lastmod: 2026-05-17T18:30:00+08:00

金融专家团队自动化模拟交易方案

基于现状：已有 4 个金融专家（调研/策略/风控/短线）+ 真实数据接口（sina/tencent/akshare）+ 持仓管理（portfolio.json）+ SiYuan 落档

一、核心思路

不重写，只串联。

专家团队现有的能力完全够用——策略专家会算 MACD/RSI/布林带，风控管家管仓位，调研专家找新闻。缺的只是一个「调度层」，让这些专家从被动问答变成主动运转的模拟交易系统。

┌─────────────────────────────────────────────────────────────┐
│                        调度引擎                              │
│                （监控脚本 + cron 定时任务）                    │
│                   Token 消耗 ≈ 0                            │
└──────────────┬──────────────┬──────────────┬──────────────┘
               │              │              │
     ┌─────────▼──┐   ┌──────▼──────┐   ┌───▼─────────┐
     │ 回测引擎     │   │ 实时盯盘脚本   │   │ 绩效统计      │
     │ (一次性)      │   │ (cron 每分钟) │   │ (cron 每日)  │
     └─────────────┘   └──────┬──────┘   └─────────────┘
                              │ 命中条件时唤醒
                     ┌────────▼────────┐
                     │  策略专家（LLM）  │
                     │  Token ~2000/次  │
                     │（仅条件被触发时） │
                     └────────┬────────┘
                              │ 建议 → 登记
                     ┌────────▼────────┐
                     │  风控管家（LLM）  │
                     │  检查风险、登记    │
                     │  模拟持仓          │
                     └─────────────────┘

Token 成本： 盯盘脚本每分钟跑一次，零 LLM 调用。只有「策略条件被触发」时才调一次策略专家（约 2000 token/次）。如果一天触发 3-5 次，日 token 成本约 $0.05-0.10。

二、回测引擎（一次性搭建）

在实盘模拟跑之前，先用历史数据回滚验证专家策略的胜率。

2.1 怎么回测

策略专家的 prompt 里规定了技术分析流程：取 60-120 天历史 → 算 MACD/RSI/布林带/均线 → 给出方向判断和置信度。

回测就复现这个过程——但区别是：

不需要 LLM 参与。 策略专家做判断的核心逻辑其实是工具函数算出来的技术指标。一个 Python 脚本就能完成同样的事：

取过去两年的日线数据
在每个交易日，回头看前 120 天数据
算技术指标（MACD 金叉/死叉、RSI 超买超卖、均线排列、布林带位置）
根据策略专家 prompt 里的置信度规则（≥3 个同向指标→高置信度）算出「建议」
对比 5 天/10 天/20 天后实际涨跌
统计胜率、盈亏比、最大回撤

2.2 回测对象

选 3-5 只你常关注的股（东阿阿胶、茅台等），以及大盘 ETF（510300）。

2.3 回测产出

一份报告，包含：

每个策略信号的胜率（金叉买入 vs 死叉卖出 vs RSI 超卖买入）
高/中/低置信度判断的实际准确率——这个最有用，可以验证专家是不是真的有判断力
最佳参数：均线取多少天？RSI 阈值 70/30 还是 80/20？

2.4 存放位置

作为 Python 脚本放在 /opt/agent/financial-team/tools/backtest.py，单独运行，不依赖 LLM。

三、实时盯盘脚本（核心）

这是一个零 LLM 的轻量 Python 脚本，每分钟跑一轮，判断策略条件是否被触发。

3.1 触发条件设计

基于策略专家 prompt 里的技术指标体系，定义可量化的策略条件：

条件类型 A：技术信号

MACD 金叉/死叉 — 计算当前 DIFF 和 DEA 的交叉状态，相比上一个交易日是否变化
RSI 进入超买（>70）或超卖（<30）区间
价格突破布林带上轨/跌破下轨
均线多头排列/空头排列变化（MA5 > MA20 > MA60 或相反）
成交量突然放量（>20 日均量的 1.5 倍）

条件类型 B：价格触发

价格触及某个水平（支撑位/压力位）
单日涨跌幅 > 预设阈值（如涨超 5% 或跌超 4%）

条件类型 C：组合扫描（每日一次）

对持仓股全量扫描技术面变化
对比当前组合与 risk_limits 的偏离度

3.2 脚本流程

每分钟循环：
  1. 读取策略配置（哪些股票、哪些条件）
  2. 并行请求 sina spot 获取实时价量（2-3 个并发）
  3. 对每只股票判断：
     a. 是否触发价格类条件 → 触发 → 记录 trigger 事件
     b. 每 N 分钟（可配置）：拉一次历史数据，计算技术指标
     c. 指标是否触发策略条件 → 触发 → 记录 trigger 事件
  4. 如果有 trigger：
     - 写入 trigger 队列文件（`.triggers/YYYMMDD.jsonl`）
     - 触发策略专家分析（见第四节）
  5. 如果无 trigger：silent 循环（写一次 heartbeat，不输出任何东西）

每日收盘后（一次）：
  1. 对持仓股做全量技术面扫描
  2. 生成每日行情简报

3.3 避免重复触发

同一个信号在 24 小时内只触发一次。比如今天 MACD 金叉了，触发一次分析后，24 小时内不再重复提醒同一只股票的同类型信号。

3.4 存放位置

/opt/agent/financial-team/tools/monitor.py，通过 cron 每分钟调动一次。

3.5 OpenClaw cron 配置

{
  "cron": [
    {
      "name": "金融监控-每日收盘扫描",
      "schedule": { "kind": "cron", "expr": "30 15 * * 1-5", "tz": "Asia/Shanghai" },
      "payload": {
        "kind": "systemEvent",
        "text": "每日收盘扫描：运行 monitor.py --daily-scan，检查持仓组合策略信号"
      }
    }
  ]
}

每分钟触发不适合用 OpenClaw cron（会产生大量 session 事件），应该用系统级别的 crontab 直接跑 Python 脚本，只有触发条件时才通知我。

# crontab
* * * * 1-5 /opt/agent/financial-team/tools/monitor.py --tick
30 15 * * 1-5 /opt/agent/financial-team/tools/monitor.py --daily-scan

四、专家介入层（LLM 触发）

当盯盘脚本检测到策略条件被触发时，才调用 LLM。

4.1 触发流程

盯盘脚本检测到条件命中
          │
          ▼
写入 .triggers/ 队列（含：股票代码、触发类型、当前技术指标快照、价格数据）
          │
          ▼
发送通知到 Matrix 房间：
「⚠️ 茅台触发 MACD 金叉信号，要分析一下吗？」
          │
          ▼
你回复「分析」或「看看」
          │
          ▼
策略专家以当前触发数据为输入：
- 不用重新取数据（monitor 已经提供了技术指标快照）
- 重点做带带逻辑判断和长篇分析
- 输出结构化报告
          │
          ▼
报告推送到你的 Matrix 并保存到 SiYuan

4.2 可选的「全自动模式」

如果你不想每次都被问，可以设置全自动模式——低风险信号（如 RSI 中性区间、均线缠绕）自动跳过；高置信度信号（如 MACD 金叉 + 放量 + 均线多头排列）自动调策略专家分析，结果自动推送。

4.3 调用哪个专家

触发类型	优先调用的专家	说明
技术信号（金叉/死叉/超买超卖/突破）	策略专家	做完整技术面分析+判断
价格大幅异动	调研专家 + 策略专家	先调研找原因，再做策略判断
组合扫描（集中度超限）	风控管家	风险审查
板块/热点异动	短线猎手	板块分析和机会捕捉
无明显触发（每日复盘）	策略专家	批量扫描持仓，出组合健康报告

五、模拟交易系统

5.1 模拟持仓 vs 真实持仓

新建一个模拟持仓文件 shared/portfolio_sim.json，结构跟现有的 portfolio.json 完全一样，但加几个额外字段：

{
  "mode": "simulation",
  "start_date": "2026-05-18",
  "initial_capital": 100000,
  "cash": 100000,
  "holdings": [],
  "risk_limits": { "max_single_position_pct": 0.3, "warn_single_position_pct": 0.25 },
  "transactions": [],
  "last_updated": "..."
}

初始资金：10 万元（可调）。

5.2 交易规则（重要——全自动执行，你提前确认规则即可）

规则就是策略专家 prompt 里的那套，加上你的确认：

买入规则：

策略专家给出「买入」建议，置信度为「高」
风控管家检查模拟组合，确认不超风险限制
自动执行买入：用建议价 × 建议仓位，减少 cash，增加 holdings
记录交易原因：直接引用策略专家报告的关键段落

卖出规则：

策略专家给出「卖出」建议，置信度为「高」
或盯盘脚本检测到止损/止盈条件（如持仓股价格跌破 MA60 或跌破买入价的 8%）
自动执行卖出：全部或按建议比例

不自动执行的情况（需要你确认）：

置信度为「中」或「低」的任何建议
仓位调整幅度 > 总资产的 20%
连续同一个方向被触发（买入信号后 3 天内又出现买入信号——避免追高）

5.3 交易计入方式

由风控管家执行 write_portfolio，但操作的是 portfolio_sim.json 而不是 portfolio.json。所有交易记录中 mode: "simulation"，方便区分。

5.4 触发失败处理

数据源不可用 → 跳过该轮，记录到 .triggers/errors.jsonl
专家调用超时 → 标记为「分析超时」，不执行交易
非交易日 → 脚本自动跳过（用 get_trade_calendar 判断）

六、绩效统计

6.1 每日统计（自动，零 LLM）

每天收盘后，一个 Python 脚本读取 portfolio_sim.json + 所有交易记录 + 实时行情，计算：

当日模拟组合总市值
日收益率
累计收益率（vs 开始时的 10 万）
同期大盘（沪深 300）涨幅对比
持仓明细 + 每只股的浮盈/浮亏
最大回撤（running 计算）

6.2 每只交易的绩效归因

每笔模拟交易关闭（卖出）后，计算：

该笔盈亏（元/%）
持仓天数
信号来源（MACD金叉/RSI超卖/突破/新闻驱动等）
策略专家随附的置信度
实际结果 vs 当时判断（方向正确/错误）

6.3 定期报告

日报：推送到 Matrix，简短的三句话
周报：存到 SiYuan，含完整的收益曲线和交易清单
月报：全套归因分析——哪个专家表现最好、哪种策略信号最赚钱

6.4 存放位置

日报脚本：/opt/agent/financial-team/tools/daily_performance.py
周报/月报：通过策略专家调用 save_to_siyuan

七、需要新建的文件清单

/opt/agent/financial-team/
├── tools/
│   ├── backtest.py              # 回测引擎（新）
│   ├── monitor.py               # 实时盯盘脚本（新）
│   ├── performance.py           # 绩效统计（新）
│   └── strategy_config.json     # 策略条件配置（新）
├── shared/
│   ├── portfolio_sim.json       # 模拟持仓（新）
│   ├── portfolio.json           # 真实持仓（已有，不受影响）
│   └── .triggers/               # 信号队列目录（新）
│       ├── 2026-05-17.jsonl
│       └── errors.jsonl
│   users/
│       └── ywz/
│           └── portfolio.json   # 已有
├── agents/                      # 已有，不动
└── prompts/                     # 已有，不动

不改任何现有代码。 所有新功能都是新增文件，跟现有系统并存。

八、实施步骤

阶段	工作	工期	依赖
Phase 1	写回测脚本 backtest.py，对东阿阿胶/茅台/沪深 300 跑历史回测	1-2 天	无
Phase 2	建模拟持仓 portfolio_sim.json，设初始资金 10 万	5 分钟	Phase 1
Phase 3	写盯盘脚本 monitor.py，先在非交易时段空跑验证	1-2 天	Phase 1
Phase 4	写策略条件配置 strategy_config.json，定义你关心的信号阈值	30 分钟	Phase 3
Phase 5	联调：monitor 触发 → 通知 Matrix → 手动调专家分析 → 模拟交易登记	半天	Phase 3-4
Phase 6	写绩效统计 performance.py + cron 日报	半天	Phase 5
Phase 7	实盘模拟跑（至少 1 个月），观察收益	持续	Phase 6
Phase 8	月结：出完整归因报告，决定是否优化或调参数	Phase 7 后	Phase 7

九、风险和限制

数据时延：sina/tencent 实时行情有 3-5 秒延迟，对高频策略不够。不过我们的策略都是日线级别的（MACD 金叉、均线排列），3-5 秒完全不是问题。
非交易日：脚本必须在 get_trade_calendar 判断为非交易日时自动静默，不要浪费资源。
信号滞后：技术指标是滞后指标——金叉出现时往往已经涨了一段了。这是所有量化系统都面临的问题，回测阶段应该能发现。
模拟偏差：模拟交易以收盘价或触发时刻的实时价为成交价，实际交易会有滑点。保守估计在回测结果上打 0.5%-1% 的折损比较合理。
过拟合：回测表现好不代表实盘好。避免在回测上反复调参数追求最好看的数字。

十、跟你确认的问题

模拟初始资金定多少？ 建议 10 万
盯盘范围是哪些股？ 建议先选 3-5 只你常关注的（东阿阿胶、茅台等）+ 大盘 ETF
触发后要不要你先确认再分析？ 选项 A：每次都问你 → 选项 B：低置信度跳过，高置信度自动分析
模拟交易的仓位规则： 每次买入仓位上限 20%？25%？
止损规则： 每只模拟持仓亏损超过多少自动卖出？建议 8-10%

金融专家团队模拟交易方案