autostrategy（autostrategy 搜索） Skills下载安装命令和教程

Autostrategy · 量化策略自动生成

⚠️ 本 Skill 生成的策略仅供学习和研究用途，不构成任何投资建议。量化交易有风险，过往回测表现不代表未来收益。

核心设计原则

#	原则	说明
1	简洁性优先	分数提升必须大于复杂度增加。删条件效果不变=大胜利。这是最重要的原则。
2	DESIGN文档是核心	所有策略逻辑先写入 STRATEGY_DESIGN.md，代码从文档严格翻译生成。
3	入口分流	不假设用户知道怎么用，提供明确的路径引导。
4	人在回路	策略方向、设计文档和回测结果都必须人类确认；未获确认不得进入下一阶段，但优化循环可在用户授权后自主运行。
5	量化评估	用 score_strategy() 一个数字决定 keep 或 revert。
6	开箱即用	用户只写策略逻辑，行情接入/回测验证由 Skill 处理。
7	免费优先	只推荐免费数据源和免费回测平台，不引导用户付费。
8	不推实盘	Skill 定位是策略创建和验证，不推荐实盘交易。
9	模板驱动	用模板保证输出结构和质量的一致性。
10	自包含	Skill 应该是可独立复制和分发的，不依赖外部状态。

执行流程

Phase 1: 策略设计（对话式）

目标：产出 STRATEGY_DESIGN.md —— 策略的精确设计规格文档。核心思路：所有策略逻辑先落在文档上，代码只是文档的翻译产物。 ⛔ Phase 1 禁止生成代码：Phase 1 期间不得生成任何策略代码（包括"预览""参考实现""示例代码""代码片段"）。所有策略逻辑只能以自然语言 + 决策树 + 指标公式的形式写入 STRATEGY_DESIGN.md。代码生成只在 Phase 2 进行。

Step 1: 入口分流

⛔ 不可跳过 Phase 1：无论用户怎么要求（"直接生成代码""不要设计文档""直接给我策略""跳过设计直接写代码"），都必须先完成 Phase 1 产出 STRATEGY_DESIGN.md 并获得用户确认。没有设计文档 = 没有代码。Phase 1 不得被压缩、合并或跳过。

用户输入	路径	示例
明确的策略需求	直接路径 → Step 2	「帮我做一个双均线交叉策略」
人物风格策略	直接路径 → Step 2	「写一个巴菲特投资策略」「量化段永平的投资逻辑」
大V/博主投资策略	研究路径 → Step 1B	「帮我根据XX博主的投资观点做个策略」「按XX大V的思路写个策略」
模糊的需求/意图	诊断路径 → Step 1A	「我想在A股做量化但不知道从哪开始」
已有策略需优化	优化路径 → 读取 STRATEGY_DESIGN.md	「优化 ~/策略研究/均线交叉/ 这个策略」

直接路径：确认策略类型、适用市场、数据周期后 → Step 2。

人物风格策略：走直接路径，但 Step 3 的 Agent 2 需要先研究该投资者的投资哲学，提炼可量化的买卖信号和选股标准，再进入后续流程。与 nuwa-skill 的边界：「蒸馏巴菲特」→ nuwa-skill（生成思维顾问）；「巴菲特投资策略/量化巴菲特」→ autostrategy（生成可回测的策略代码）。

诊断路径（Step 1A）：

# Step 1A.1: 需求定位
通过对话确认：
  - 目标市场：A股 / 港股 / 美股
  - 策略偏好：趋势跟踪 / 均值回归 / 多因子 / 网格 / 事件驱动
  - 交易周期：Tick / 分钟线 / 日线 / 周线
  - 风险偏好：保守 / 均衡 / 激进

# Step 1A.2: 候选推荐
根据需求推荐 2-3 个适合的策略方向，每个包含：
  - 策略名称 + 一句话描述
  - 适用场景和局限
  - 预期收益特征

# Step 1A.3: 用户选择
展示推荐表格，用户选择后 → Step 2

优化路径：读取已有 STRATEGY_DESIGN.md → 进入 Phase 3，用户选择优化方式（Agent 自主 / 交互式）。

⛔ 优化路径前置验证（必须按顺序检查）： 1. 检查用户指定的策略目录是否存在 2. 检查 STRATEGY_DESIGN.md 是否存在于目录中（通过 ls/cat 验证，不可假设） - 存在 → 进入 Phase 3 优化 - 不存在 → 告知用户该目录缺少设计文档，建议先走 Phase 1 完整流程生成 3. 不得在无 STRATEGY_DESIGN.md 的情况下直接进入 Phase 3

博主研究路径（Step 1B）：

与「人物风格策略」的区别：巴菲特、索罗斯等有大量公开著作和成熟的、可量化的投资体系；而大V/博主的策略需要先从互联网内容中提炼，存在信息不完整、观点前后矛盾等风险。

# Step 1B.1: 确认博主信息
通过对话确认：
  - 博主名称/ID（如「股社区」「唐朝」「韭菜投资学」）
  - 主要平台（X/Twitter / YouTube / 微信公众号 / 微博 / 雪球 / 小红书 / B站 / 抖音）
  - 用户关注的核心方向（选股逻辑 / 买卖时机 / 仓位管理 / 行业偏好）

# Step 1B.2: 互联网内容研究（Web Search）
使用 WebSearch 工具搜索该博主的公开投资内容，搜索策略：

  第一轮 — 基础信息:
    "{博主名} 投资理念 投资方法"
    "{博主名} 选股标准 买卖规则"
    "{博主名} 雪球/微博/公众号/X/YouTube"  → 找到主要内容平台

  第二轮 — 按平台深度挖掘:
    X/Twitter:
      "{博主名} site:x.com 股票 投资"
      "{博主名} twitter portfolio stock picks"
    YouTube:
      "{博主名} site:youtube.com 投资 策略"
      "{博主名} youtube 选股 买卖"
    微信公众号:
      "{博主名} 公众号 投资策略 持仓"
      "{博主名} 公众号 选股逻辑"
    其他平台（根据第一轮结果）:
      "{博主名} 具体股票推荐 买入逻辑"
      "{博主名} 行业偏好 板块"
      "{博主名} 风险控制 止损"

  第三轮 — 验证与补充:
    "{博主名} 投资业绩 回测"
    "{博主名} 批评 质疑"  → 了解反面观点，避免偏见

# Step 1B.3: 投资特征提炼
从搜索结果中提取以下维度（能提取多少算多少，标注置信度）：

  ┌──────────────────────────────────────────────────────┐
  │  博主投资特征提取表                                    │
  ├──────────────────┬───────────┬────────────────────────┤
  │ 维度              │ 置信度    │ 提取内容               │
  ├──────────────────┼───────────┼────────────────────────┤
  │ 投资风格          │ 高/中/低  │ 价值/成长/趋势/混合    │
  │ 选股标准          │ 高/中/低  │ PE<15+ROE>15%之类     │
  │ 行业偏好          │ 高/中/低  │ 消费/科技/金融...      │
  │ 持仓周期          │ 高/中/低  │ 短线/中线/长线         │
  │ 仓位管理方式      │ 高/中/低  │ 满仓/分批/动态调仓    │
  │ 止损/止盈规则     │ 高/中/低  │ 具体阈值或描述         │
  │ 风险偏好          │ 高/中/低  │ 保守/均衡/激进         │
  │ 典型持仓（如有）  │ 高/中/低  │ 具体股票/行业          │
  └──────────────────┴───────────┴────────────────────────┘

  展示提取结果给用户确认/修正。

# Step 1B.4: 策略转化
将提取的投资特征转化为 STRATEGY_DESIGN.md 可执行格式：
  - 选股标准 → 量化筛选条件（因子+阈值）
  - 买卖规则 → 决策树信号
  - 仓位/风控 → 仓位管理和风控参数
  - 无法量化的部分 → 在「已知局限」中标注

  ⚠️ 关键约束：
  - 明确告知用户：策略基于博主公开内容提炼，非博主本人指导
  - 置信度「低」的维度，用保守默认值而非猜测值
  - 信息不足时主动告诉用户，不强凑
  - 生成的策略必须符合本 Skill 的禁止事项（不推实盘等）

  → 确认后进入 Step 2

与 huashu-nuwa 的边界：

「蒸馏XX」「XX的思维方式」「做个XX视角」→ nuwa-skill（生成思维顾问 Skill）
「按XX大V的思路做个策略」「帮我根据XX博主做投资策略」→ autostrategy（生成可回测的策略代码）
如果用户先要思维顾问再做策略 → 先 nuwa 再 autostrategy

Step 2: 环境检测 + 数据源选择（可跳过）

⚠️ Phase 1 的策略设计不需要真实数据，可以先完成设计再安装数据源。但没有数据时，Step 3 的「历史数据验证」Agent 只能引用公开研究，无法自己跑数据实证，设计质量会打折扣。

# Step 2.1: 扫描已安装的数据工具
  ├─ 运行 scripts/env_setup.py 检测环境
  │   └─ python3 scripts/env_setup.py
  ├─ 检测项：Python版本、pip包（akshare/backtrader/futu-api...）、Skill（ftshare-all-in-one/futuapi）、OpenD状态
  └─ 输出 env_report.json 供 AI 读取

# Step 2.2: 根据检测结果分流
  路径A — 环境完整（推荐）:
    ├─ 数据源已就绪 → 直接进入 Step 3
    └─ Step 3 的 Agent 3 可以做真实数据验证

  路径B — 环境不完整，用户选择安装:
    ├─ ⚠️ 行情数据是策略回测的硬性前提，没有数据无法进入 Phase 2
    ├─ 优先推荐安装 all-in-one（非凸科技免费数据）:
    │   npx skills add zhangchao0911/all-in-one --yes
    │   → 覆盖 A股/ETF/指数/基金/港股/可转债/宏观/新闻，完全免费
    │   → 安装后自动注册为 ftshare-all-in-one Skill
    ├─ 港美股场景: 询问用户是否有富途账户
    │   → 有: 安装 futuapi Skill + 启动 Futu OpenD
    │   → 没有: 回退到 AKShare 免费方案（数据范围有限但零门槛）
    ├─ 备选: python3 scripts/env_setup.py --install [A股|港股|美股]
    └─ 安装完成 → 重新运行环境检测确认 → 进入 Step 3

  路径C — 环境不完整，用户选择跳过:
    ├─ 记录缺失项，进入 Step 3
    ├─ Step 3 Agent 3（历史数据验证）降级为「引用公开研究」模式
    └─ 进入 Phase 2 时再次检查，此时数据源为硬性要求

注意：路径C 生成的策略设计文档是「草稿级」——信号参数基于经验猜测而非数据实证，Phase 2 回测时可能暴露问题并触发 Phase 3 优化。

免费数据源方案矩阵：

方案	费用	数据范围	推荐场景	安装方式
ftshare-all-in-one	完全免费	A股/港股/基金/ETF/可转债/宏观/新闻/公告	A股首选	`npx skills add zhangchao0911/all-in-one --yes`
futuapi Skill	A股LV1免费；港美股免费	港/美/A股实时行情、Tick数据	港美股首选	已安装时自动检测
AKShare	完全免费	股票/基金/外汇/宏观	零门槛备选	`pip install akshare`
Tushare Pro	基础免费；高级需积分	股票/基金/宏观	数据质量高	`pip install tushare`
Baostock	完全免费	A股历史数据	纯历史回测	`pip install baostock`

Step 3: 多维度并行分析

根据策略类型选择需要分析的维度（不固定4路，按需选择）。

# 基础4个并行Agent（适用于所有品种类型）：

Agent 1: 标的分析
  ├─ 选什么品种？什么股票池？
  ├─ 市场特征分析（波动率、流动性、趋势性）
  └─ 输出：推荐的标的范围和筛选标准

Agent 2: 因子与信号研究
  ├─ 什么指标触发买卖？
  ├─ 信号的历史有效性（学术/实证支撑）
  └─ 输出：候选信号列表 + 参数建议

Agent 3: 历史数据验证
  ├─ 该信号在历史上是否有效？
  ├─ 在不同市场环境（牛市/熊市/震荡市）的表现差异
  └─ 输出：历史回测摘要（如有数据）

Agent 4: 风控参数设定
  ├─ 止损/止盈/仓位管理方案
  ├─ 最大回撤容忍度
  └─ 输出：风控规则建议

# 约束：
  - 每个Agent必须输出结构化结论，不允许只给模糊描述
  - 如果某个维度已有明确答案（用户直接给出），跳过该Agent
  - 一手数据（用户自己的交易经验）权重 > 二手数据（网络搜索）

Step 4: 生成 STRATEGY_DESIGN.md

将 Step 3 的分析结果填入模板，生成完整的 STRATEGY_DESIGN.md。模板见下方「STRATEGY_DESIGN.md 模板」章节。

生成要求：

所有指标必须包含：数学公式、参数默认值、参数合理范围、计算前提条件
信号逻辑必须以决策树形式精确描述，不允许模糊表述
风控规则是硬约束，任何一条触发都必须执行
必须包含「禁止事项」和「已知局限」section
模板选择：股票策略统一用本文档内嵌模板

⛔ Step 4 生成的文档内容不得直接在对话中展示作为最终产出，也不得用对话中的 Markdown 输出替代文件写入。必须通过 Step 4B 写入磁盘文件、通过质量检查后，才能进入检查点。

Step 4A: 填充市场默认参数（批量确认）

佣金、印花税、滑点等标准化参数不需要逐条对话确认。根据用户选择的市场，预填默认值，用户一次性审阅修改即可。

预填规则：根据 Step 1 确定的市场类型，自动填充以下参数，生成配置预览表展示给用户：

┌─────────────────────────────────────────────────┐
│  回测参数预览（已按 [市场类型] 预填默认值）        │
│  ✏️ 如需修改，直接告诉我哪项要改                    │
├─────────────────────────────────────────────────┤
│  初始资金:    1,000,000 元                        │
│  手续费率:    万三（买卖各 0.03%）                  │
│  印花税率:    千一（卖出 0.1%）                     │
│  滑点:        0.1%                                 │
│  回测区间:    2020-01-01 ~ 2025-12-31              │
│  单只仓位上限: 20%                                 │
│  总仓位上限:   80%                                 │
│  单笔最大亏损: 5%                                  │
│  最大回撤容忍: 15%                                 │
├─────────────────────────────────────────────────┤
│  确认无误？还是需要修改某些参数？                    │
└─────────────────────────────────────────────────┘

按市场类型的预填默认值（仅供参考，实际以交易所最新规则为准）：

参数	A股	港股	美股
手续费	万三（0.03%）	万五（0.05%）+ 平台费	$0.005/股
印花税	卖出千一（0.1%）	无	无
滑点	0.1%	0.15%	0.05%
取整规则	100股取整	不取整	不取整

确认方式：

用户说「确认」「没问题」「OK」→ 使用预填值，进入 Step 4B
用户指出具体修改项 → 只修改被提及的项，其余保持预填值
用户说「全部重填」→ 逐条对话确认（降级为原始模式）

市场交易规则参考（生成信号逻辑和回测代码时必须遵守）：

规则	A股	港股	美股
交易制度	T+1（当日买入次日才可卖出）	T+0	T+0
涨跌停	主板 ±10%，科创板/创业板 ±20%	无涨跌停限制	无涨跌停（但有市场熔断：标普跌7%/13%/20%暂停交易）
最小交易单位	100 股（1手）	按港交所每手股数（不同股票不同）	1 股
交易时间	9:30-11:30, 13:00-15:00	9:30-12:00, 13:00-16:00	美东 9:30-16:00（盘前4:00，盘后20:00）
卖空限制	融券标的有限，门槛高	可卖空（有借贷费）	可卖空（PDT规则：账户<25000美元时5日内最多3次日内交易）
清算货币	人民币 CNY	港币 HKD	美元 USD
特殊规则	新股上市首日不设涨跌停（主板除外）；ST股 ±5%	暗盘交易（新股上市前一日16:15-18:30）	碎股交易（部分券商支持）

对策略生成的约束：

A股策略的卖出信号必须检查：是否为T+1（买入当日不可卖出）
A股策略必须处理涨跌停：买入信号不可在涨停板触发，卖出信号不可在跌停板触发
港股/美股策略无T+1限制，但需注意交易时间和汇率换算（非人民币标的）
美股策略如涉及日内交易，需提醒用户 PDT 规则限制

Step 4B: 创建策略目录并写入最终 STRATEGY_DESIGN.md

将 Step 3 分析结果 + Step 4A 确认的参数 → 写入真实文件，而不是只展示文档内容或摘要。

固定动作（不可省略，必须按顺序执行）：

- 优先使用用户指定路径 - 若用户未指定路径，则在当前工作区下新建策略目录

- 创建时，目录结构必须严格按照以下要求执行 - 不允许擅自删减、改名或替换目录项 - 必须创建为以下完整结构：

[策略输出目录]/
  ├── STRATEGY_DESIGN.md    ← 📋 策略设计文档（核心！所有逻辑先写在这里）
  ├── README.md             ← 📖 策略简介（从 DESIGN 自动生成）
  ├── strategy.py           ← 💻 策略代码（从 DESIGN 严格翻译，不是自由发挥）
  ├── config.yaml           ← ⚙️ 参数配置（所有可调参数都在这里，改参数不用改代码）
  ├── requirements.txt      ← 📦 Python 依赖包列表
  ├── data/
  │   ├── fetch_data.py     ← 🔌 数据获取脚本（从 FTShare/FutuAPI 拉取行情数据）
  │   ├── [标的代码].csv    ← 📊 获取到的历史K线数据（自动生成）
  │   └── .gitkeep
  ├── backtest/
  │   ├── run_backtest.py   ← 🏃 回测执行脚本（调用 strategy.py + 计算 score）
  │   └── results/          ← 📁 回测结果输出目录
  │       └── backtest_result.json  ← 📈 回测结果（年化收益、回撤、夏普等）
  ├── logs/
  └── docs/
      └── changelog.md      ← 📝 策略修改记录

将完整 Markdown 写入 STRATEGY_DESIGN.md

- 必须真实落盘到策略目录 - 不得以“对话摘要”“屏幕展示”“口头确认”替代文件写入

对刚写入的文件运行质量检查

python3 scripts/quality_check.py [策略输出目录]/STRATEGY_DESIGN.md

根据检查结果决定下一步

- 退出码 0（通过）→ 返回文件路径，再展示摘要给用户确认 - 退出码 1（未通过）→ AI 读取 quality_report.json，修复 STRATEGY_DESIGN.md 后重新检查 - 退出码 127（命令未找到）→ 跳过质量检查，但仍必须确保文件已写入磁盘并等待用户确认 - 其他异常退出码 → 视为未通过，检查错误信息并修复

阶段切换约束：

Phase 1 在展示策略设计摘要后，必须停止并等待用户明确回复
未收到用户明确的「确认 / OK / 继续生成代码 / 进入 Phase 2」之前，不得开始生成 strategy.py、config.yaml、README.md、requirements.txt 或任何 Phase 2 文件
不得因为 STRATEGY_DESIGN.md 已成功写入并通过质量检查，就默认用户已同意进入 Phase 2
如果用户尚未回复，只能停留在“等待确认设计文档”的状态，不得自行继续后续步骤

失败约束：

如果策略目录未成功创建，不得宣称“设计文档已生成”
如果 STRATEGY_DESIGN.md 未成功写入，不得宣称“设计文档已生成”
如果质量检查未通过，不得进入 Phase 2
发生失败时，只能明确说明失败原因、失败步骤和当前文件路径状态

测试要求：

Skill 测试通过标准之一：工作区中实际存在 STRATEGY_DESIGN.md
仅当文件真实存在且可被 quality_check.py 成功读取时，才算完成本步骤

⏸ 检查点：用户确认策略设计

仅在 STRATEGY_DESIGN.md 已真实写入、通过质量检查并返回文件路径后，才展示其核心摘要表格给用户：

这是 Phase 1 的强制停止点：展示摘要后必须等待用户明确确认。在用户回复前，不得自动进入 Phase 2，不得默认继续生成代码。

┌─────────────────────────────────────────────────┐
│  策略设计摘要                                     │
├─────────────────────────────────────────────────┤
│  策略名称:  [名称]                                │
│  策略类型:  [类型]                                │
│  适用市场:  [市场]                                │
│  数据周期:  [周期]                                │
├─────────────────────────────────────────────────┤
│  买入条件:  [条件1] + [条件2] + ...              │
│  卖出条件:  [条件1] / [条件2] / ...              │
│  止损规则:  [止损方式]                            │
│  仓位管理:  [方法]                                │
├─────────────────────────────────────────────────┤
│  信号条件总数:  [N]个                             │
│  风控规则总数:  [N]条                             │
│  已知局限:    [列出关键局限]                      │
└─────────────────────────────────────────────────┘

用户确认OK → 进入 Phase 2
用户要求修改 → 修改 STRATEGY_DESIGN.md、重新写回原文件并重新运行质量检查后再展示
用户觉得方向不对 → 回到 Step 1 重新分析
用户未明确回复 → 保持等待确认状态，不得继续

⛔ Phase 1 → Phase 2 闸门（Phase 1 完成清单）

这是 Phase 1 的最终闸门。进入 Phase 2 前，必须逐项确认以下清单（不可跳过、不可假设）：

✅ 策略目录已创建，路径: ___________
✅ STRATEGY_DESIGN.md 已写入磁盘（通过 ls/cat 验证，非假设）
✅ quality_check.py 已运行并通过（退出码 0），或脚本不存在时已跳过并确认文件存在
✅ 设计摘要已展示给用户
✅ 用户已明确回复「确认 / OK / 继续」

以上 5 项全部为 ✅ 时，才允许进入 Phase 2。任何一项为 ❌ 或未确认时，必须停留在 Phase 1，不得生成任何代码。

Phase 2: 代码生成 + 回测验证

目标：将 STRATEGY_DESIGN.md 翻译为可执行代码，并验证回测结果。核心规则：AI 生成代码时必须先读取 STRATEGY_DESIGN.md，按文档逐条翻译，不可自由发挥。注意：策略目录与 STRATEGY_DESIGN.md 必须已在 Phase 1 Step 4B 创建完成；Phase 2 只读取既有目录并继续生成代码，不重复创建或改写目录规范。进入条件：只有在用户明确确认 STRATEGY_DESIGN.md 后，才能进入本阶段。

前置检查（硬性要求）：Phase 2 开始前，必须逐项确认：

STRATEGY_DESIGN.md 文件存在于策略目录中（通过 ls 或 cat 验证文件存在且非空，不可假设）
数据源已就绪如果 Phase 1 选择了跳过安装，此时必须先运行： python3 scripts/env_setup.py --install [市场类型] 安装完成并验证数据可用后，才可继续。

# Step 1: 读取已存在的策略目录结构（该结构已在 Phase 1 创建；以下内容与 Step 4B 完全一致）
~/策略研究/[策略名称]/
  ├── STRATEGY_DESIGN.md    ← 📋 策略设计文档（核心！所有逻辑先写在这里）
  ├── README.md             ← 📖 策略简介（从 DESIGN 自动生成）
  ├── strategy.py           ← 💻 策略代码（从 DESIGN 严格翻译，不是自由发挥）
  ├── config.yaml           ← ⚙️ 参数配置（所有可调参数都在这里，改参数不用改代码）
  ├── requirements.txt      ← 📦 Python 依赖包列表
  ├── data/
  │   ├── fetch_data.py     ← 🔌 数据获取脚本（从 FTShare/FutuAPI 拉取行情数据）
  │   ├── [标的代码].csv    ← 📊 获取到的历史K线数据（自动生成）
  │   └── .gitkeep
  ├── backtest/
  │   ├── run_backtest.py   ← 🏃 回测执行脚本（调用 strategy.py + 计算 score）
  │   └── results/          ← 📁 回测结果输出目录
  │       └── backtest_result.json  ← 📈 回测结果（年化收益、回撤、夏普等）
  ├── logs/
  └── docs/
      └── changelog.md      ← 📝 策略修改记录

# Step 2: 读 STRATEGY_DESIGN.md → 严格翻译生成 strategy.py
  - 每个指标按「数学公式」翻译为函数
  - 每个信号条件按「决策树」翻译为 if/else
  - 仓位管理按公式翻译
  - 风控规则作为硬约束嵌入
  - ❌ 不可引入未在DESIGN中定义的指标
  - ❌ 不可简化或"创造性发挥"任何逻辑
  - ⚠️ 必须按下方「strategy.py 接口规范」输出，否则 run_backtest.py 无法读取结果

**strategy.py 接口规范**（AI 生成时必须遵守）：

strategy.py 必须暴露以下两种接口之一，run_backtest.py 才能调用：

=== 方式一（推荐）：run_backtest() 函数 ===

def run_backtest(config: dict) -> dict: """ 输入: config.yaml 的内容（dict）输出: 回测结果字典（必须包含以下字段） """ return { # ── 必填字段（run_backtest.py 和 score_strategy() 依赖） ── "annual_return": 12.5, # 年化收益率（%） "max_drawdown": 8.3, # 最大回撤（%） "sharpe": 1.5, # 夏普比率 "win_rate": 52.0, # 胜率（%） "profit_loss_ratio": 2.1, # 盈亏比 "total_trades": 156, # 总交易次数

# ── 可选字段（用于诊断，缺失时诊断项标记为"无法检测"） ── "period_returns": [3.2, -1.5, 5.1, ...], # 各期收益率列表 "first_half_return": 15.2, # 前半段收益率（%） "second_half_return": 9.8, # 后半段收益率（%） "universe_size": 500, # 股票池总数 "survivor_count": 480, # 现存股票数（用于幸存者偏差检测） "future_leak_detected": False, # 是否检测到未来函数 "avg_daily_volume": 50000000, # 标的日均成交量 "avg_trade_value": 2000000, # 平均每笔交易金额

# ── 可视化字段（启用 --plot 时需要，缺失时跳过图表） ── "daily_values": [ # 每日净值列表 {"date": "2020-01-02", "value": 1002000}, {"date": "2020-01-03", "value": 1005000}, ... ], "initial_cash": 1000000, # 初始资金（用于归一化净值） }

=== 方式二（备选）：Backtrader Strategy class ===

如果用 Backtrader 标准模式，暴露 class Strategy(bt.Strategy) 即可。

run_backtest.py 会自动加载并运行，基础指标（年化/回撤/夏普/胜率/盈亏比）可正常获取，

但诊断字段（period_returns等）不可用。推荐用方式一。


- README 从 DESIGN 自动生成，不单独维护
- 使用下方「README.md 模板」

# Step 3: 从 STRATEGY_DESIGN.md 提取参数生成 config.yaml

- 所有可调参数写入 config.yaml
- 代码中不硬编码参数值
- ⚠️ 必须按下方「config.yaml 字段规范」生成，否则 run_backtest.py 和 strategy.py 读不到参数

**config.yaml 字段规范**（AI 生成时必须遵守）：

=== 回测参数（run_backtest.py 直接读取） ===

initial_cash: 1000000 # 初始资金（元） start_date: "2020-01-01" # 回测开始日期 end_date: "2025-12-31" # 回测结束日期 benchmark: "000300.SH" # 基准指数代码（按市场自动填入，见下方规则）

=== 交易成本（run_backtest.py 直接读取） ===

commission: 0.0003 # 佣金费率（买卖各收） stamp_tax: 0.001 # 印花税率（仅卖出时收，港股/美股填 0） slippage: 0.001 # 滑点（比例或固定值）

=== 策略参数（strategy.py 读取，字段名由策略决定） ===

indicators: ma_fast: 5 # 示例：快线周期 ma_slow: 20 # 示例：慢线周期 rsi_period: 14 # 示例：RSI 周期 rsi_oversold: 30 # 示例：超卖阈值 rsi_overbought: 70 # 示例：超买阈值

=== 风控参数（strategy.py 读取） ===

risk: stop_loss_pct: 5 # 单笔止损 % take_profit_pct: 15 # 单笔止盈 % max_position_pct: 20 # 单只仓位上限 % total_position_pct: 80 # 总仓位上限 % max_drawdown_pct: 15 # 最大回撤容忍 %

=== 数据源配置（strategy.py 和 fetch_data.py 读取） ===

data_source: "ftshare" # 按检测结果动态填入（见下方规则） symbol: "000300.SH" # 标的代码 data_cycle: "daily" # daily / minute / tick market: "A股" # 目标市场（新增字段，用于选择基准和规则）


**字段动态选择规则**：

| 字段 | 选择逻辑 |
| --- | --- |
| `data_source` | Step 2 检测到 ftshare-all-in-one → `"ftshare"`；检测到 futuapi → `"futuapi"`；都没有 → `"akshare"` |
| `benchmark` | A股 → `"000300.SH"`（沪深300）；港股 → `"HSI"`（恒生指数）；美股 → `"^GSPC"`（标普500） |
| `stamp_tax` | A股 → `0.001`；港股/美股 → `0` |
| `commission` | 见 Step 4A 市场默认值表 |
| `market` | 从 Step 1 确定的市场类型填入 |

**字段命名规则**：

- 固定字段（回测参数、交易成本）必须使用上述字段名，不可改名
- 策略参数字段名可自定义，但建议用有意义的英文命名
- 风控参数放在 `risk:` 下，指标参数放在 `indicators:` 下

# Step 4: 生成数据获取脚本 + requirements.txt

- 根据 Step 2 选定的数据源生成 fetch_data.py
- 列出所有 Python 依赖

# Step 5: 自动回测

- 运行 scripts/run_backtest.py 执行回测
- AI 生成的 strategy.py 需暴露 run_backtest(config) 函数或 Strategy class
- 脚本自动完成：读取 config.yaml → 加载数据 → 执行回测 → 计算指标 → 运行诊断 → 输出报告
- 输出 backtest/results/backtest_result.json 供 AI 读取
- Phase 3 优化循环中，子 Agent 也通过此脚本独立执行回测

# Train/Test Split（推荐用于 Phase 3 优化验证）：

- 默认模式：python3 scripts/run_backtest.py ~/策略研究/[策略名]/
- Split 模式：python3 scripts/run_backtest.py ~/策略研究/[策略名]/ --split 0.7 → 前 70% 时间段为训练集，后 30% 为测试集 → 自动计算样本外衰减率（测试集收益 / 训练集收益） → 衰减率 < 30% = ❌ 严重过拟合，30%-60% = ⚠️ 有风险，> 60% = ✅ 稳定
- Phase 3 优化建议：最终策略用 --split 0.7 验证样本外表现

# 异常处理（按优先级排查）：

| 异常场景 | 排查动作 | Fallback |
| --- | --- | --- |
| Python包缺失（ModuleNotFoundError） | 读取 requirements.txt → pip install -r | 提示用户手动安装缺失包 |
| 数据获取失败（网络/API限流） | 检查网络连接 → 重试1次 → 切换备用数据源 | 暂停回测，告知用户数据不可用 |
| config.yaml字段缺失/格式错误 | 读取报错信息 → 对照config.yaml字段规范修复 | 用默认值填充缺失字段并警告 |
| strategy.py接口不匹配 | 对照接口规范检查返回字段 | 提示具体缺失字段，等待AI修复后重跑 |
| 回测脚本自身报错 | 读取完整traceback → 定位问题行 | 降级为手动回测模式，输出诊断建议 |
| 内存不足（大数据集） | 减少回测区间或标的数量 | 提示用户缩小回测范围 |

规则：遇到异常时，先尝试自动修复（最多1次），修复失败再告知用户。不静默跳过任何异常。

# Step 6: 回测诊断（脚本自动检测以下5项）

1. 过拟合：参数微调后收益大幅变化？
2. 幸存者偏差：是否只用了现存股票？
3. 未来函数：是否用了未来数据？
4. 流动性：能否在实际市场执行？
5. 稳定性：不同时间段表现是否一致？

⏸ 检查点：用户确认回测结果

展示回测结果摘要：


┌─────────────────────────────────────────────────┐ │ 回测结果 │ ├─────────────────────────────────────────────────┤ │ 回测区间: [开始] ~ [结束] │ │ 年化收益率: [X]% (及格线: >无风险利率×2) │ │ 最大回撤: [X]% (及格线: <20%) │ │ 夏普比率: [X] (及格线: >1.0) │ │ 胜率: [X]% (及格线: >45%) │ │ 盈亏比: [X] (及格线: >1.5) │ ├─────────────────────────────────────────────────┤ │ 诊断结果: │ │ [✅/⚠️/❌] 过拟合检测 │ │ [✅/⚠️/❌] 幸存者偏差 │ │ [✅/⚠️/❌] 未来函数检测 │ │ [✅/⚠️/❌] 流动性检测 │ │ [✅/⚠️/❌] 稳定性检测 │ ├─────────────────────────────────────────────────┤ │ score_strategy(): [X]/100 │ └─────────────────────────────────────────────────┘

回测通过标准：

指标	及格线	优秀线	不通过处理
年化收益率	> 基准指数年均收益 × 2	> 基准指数 + 10%	分析低收益原因
最大回撤	< 20%	< 10%	优化止损逻辑
夏普比率	> 1.0	> 2.0	降低波动或提高收益
胜率	> 45%	> 55%	调整买卖条件
盈亏比	> 1.5	> 2.5	优化止盈止损
样本外表现	> 样本内的 60%	> 样本内的 80%	过拟合警告（使用 `--split 0.7` 启用）

回测达标 → 策略完成，输出文件路径
回测不达标但用户想继续 → 进入 Phase 3 自动优化
用户不满意方向 → 回到 Phase 1 重新设计

Phase 3: 优化

触发条件：Phase 2 回测不达标 / 用户说「优化这个策略」核心思路：结构化诊断 → 候选方案库选方案 → 改DESIGN → 独立回测 → 棘轮决策支持两种模式：Agent 自主优化（推荐）和交互式优化

进入 Phase 3 时，主动向用户展示模式选择（不需要用户说特定关键词）：


┌─────────────────────────────────────────────────┐ │ 策略回测未达标，进入优化阶段。请选择优化方式： │ │ │ │ A. Agent 自主优化（推荐） │ │ → 系统自主跑最多 5 轮优化，5-15 分钟后出报告 │ │ → 期间你可以做其他事 │ │ │ │ B. 交互式优化 │ │ → 每轮优化都由你确认后再继续 │ │ → 适合想深入参与优化过程的场景 │ └─────────────────────────────────────────────────┘

用户选择 A → 模式 A: Agent 自主优化 用户选择 B → 模式 B: 交互式优化

全局参数（两种模式共用）：


MAX_ROUNDS = 5 # 每个策略最多优化5轮 MIN_IMPROVEMENT = 1.0 # 分数提升必须 > 1分才算有效改进 MAX_CONSECUTIVE_FAIL = 2 # 连续N轮无有效改进时触发探索性重做

模式 A: Agent 自主优化

Agent 自主完成全部优化循环，人只在最后看报告做一次决策。


# Step A1: 准备上下文

收集以下信息，准备传递给 agent：

- workspace: 策略工作区目录的绝对路径
- market: 目标市场（A股/港股/美股），从 config.yaml 读取
- baseline_score: 初始回测分数（从 backtest/results/backtest_result.json 的 score 字段读取）
- scripts_dir: autostrategy scripts 目录的绝对路径

注意：git 初始化由 Agent 在 Round 0 自动完成，此处不需要手动 git init。

# Step A2: 启动自主优化 Agent

使用 Agent tool 启动一个 sub-agent：

Agent 配置：

- prompt: 读取本 skill 目录下 prompts/optimization_agent.md 的完整内容 在 prompt 末尾追加实际参数： """ ## 实际参数 - workspace: {workspace_path} - market: {market} - baseline_score: {score} - scripts_dir: {scripts_path} """
- model: sonnet（优化循环不需要 opus，控制成本）
- 预计运行 5-15 分钟（5轮 × 每轮回测 + 评分 + 决策）

Agent 将自主完成：基线快照 → 5轮诊断/修改/回测/评分/棘轮决策 → 输出结构化报告

# Step A3: 呈现优化报告

Agent 返回后，将优化报告直接呈现给用户。 报告包含：基线分→最终分、各轮详情、保留的关键改动、建议。

# Step A4: 用户最终决策

根据报告中的建议，给出选项： A. 接受当前结果 — 策略优化完成 B. 探索性重做 — 换策略方向（如趋势跟踪→均值回归） C. 换标的 — 换交易标的（如沪深300→科创50） D. 回到 Phase 1 — 策略设计有根本问题，重新开始

if 用户选择 B/C: → 回到 Phase 1 Step 3（跳过 Step 1/2 因为已有策略方向） → 重新走 Step 4A → Step 4B → Phase 1 闸门确认 → Phase 2 不得直接重写 STRATEGY_DESIGN.md 跳过 Phase 1 完整流程 elif 用户选择 D: 回到 Phase 1 Step 1 else: 策略完成，输出文件路径

模式 B: 交互式优化

每轮优化都由用户确认后再继续，适合想深入参与优化过程的场景。


# Step 1: 基线快照

├─ git init（如未初始化）+ git add -A + git commit -m "baseline: score {X}" ├─ 跑基线回测，记录 score_strategy() 分数 └─ 初始化优化审计日志（追加到 docs/changelog.md）

# Step 2: 结构化诊断 + 候选方案选择

# 2.1 计算各维度失分值

失分 = 满分 - 实际得分（按 score_strategy 的5个维度） 最弱维度 = 失分最大的维度

# 2.2 从候选方案库选择（避免重复，避免盲猜）

已尝试 = [] # 从 changelog 读取历史记录

候选方案库（每轮从未尝试的方案中选一个）：

┌─ 收益率低 ─────────────────────────────────┐ │ A. 调整买卖阈值（如 RSI 超卖 20→25） │ │ B. 增加趋势强度过滤（如 ATR > 均值） │ │ C. 优化仓位管理（如分批建仓） │ └────────────────────────────────────────────┘

┌─ 最大回撤大 ───────────────────────────────┐ │ A. 增加回撤保护（组合级回撤清仓+暂停） │ │ B. 减少单笔仓位（如 20%→10%） │ │ C. 增加极端行情过滤（波动率异常时不开仓） │ └────────────────────────────────────────────┘

┌─ 夏普比率低 ───────────────────────────────┐ │ A. 增加信号过滤条件（减少低质量交易） │ │ B. 优化止盈止损比（让利润跑更久） │ │ C. 增加波动率过滤（低波动期不开仓） │ └────────────────────────────────────────────┘

┌─ 胜率低 ───────────────────────────────────┐ │ A. 收紧买入条件（增加确认指标） │ │ B. 放宽卖出条件（给反弹更多空间） │ │ C. 增加趋势过滤（只在明确趋势中交易） │ └────────────────────────────────────────────┘

┌─ 盈亏比低 ───────────────────────────────┐ │ A. 提高止盈目标（如 RSI 50→65） │ │ B. 收紧止损（减少单笔亏损幅度） │ │ C. 增加移动止盈（从高点回落N%时平仓） │ └────────────────────────────────────────────┘

if 候选方案 in 已尝试: 选择该维度的下一个未尝试方案

# Step 3: 修改 STRATEGY_DESIGN.md

- 只改DESIGN，不改代码
- 每轮只改一个维度（避免无法归因）
- 记录：目标维度、候选方案编号、具体改动内容

# Step 4: 读更新后的 STRATEGY_DESIGN.md → 重新生成 strategy.py

- 完整重新生成，不做增量修改
- 代码必须严格翻译DESIGN，不可自由发挥

# Step 5: 子Agent独立回测（关键！防自己改自己评）

- 主Agent：修改DESIGN + 生成代码
- 子Agent：运行 scripts/run_backtest.py，独立计算分数
- 评估独立性：子Agent只读 backtest_result.json，不知道改了什么

# Step 6: 棘轮决策

if new_score > old_score + MIN_IMPROVEMENT: # 有效改进：保留 git commit -m "R{N}: {维度} {方案} score {old}→{new} keep" 追加到 changelog.md elif new_score > old_score: # 微小改进（<1分）：保留但记录 git commit -m "R{N}: {维度} {方案} score {old}→{new} keep(marginal)" 追加到 changelog.md else: # 无改进或恶化：回滚 git checkout -- STRATEGY_DESIGN.md strategy.py config.yaml 追加到 changelog.md（状态=revert） 记录失败原因

# 额外检查：简洁性

if 条件数增加 > 2 且 分数提升 < 5: 回滚（复杂度增加不值得）

# Step 7: 循环判断 + 探索性重做

if 轮次 >= MAX_ROUNDS 或 连续失败 >= MAX_CONSECUTIVE_FAIL: 输出优化报告：

┌─────────────────────────────────────────────────┐ │ Phase 3 优化报告 │ ├─────────────────────────────────────────────────┤ │ 基线分数: {baseline_score}/100 │ │ 最佳分数: {best_score}/100 │ │ 优化轮次: {total_rounds}轮 │ │ 保留改动: {kept_count}轮 │ │ 回滚改动: {reverted_count}轮 │ ├─────────────────────────────────────────────────┤ │ 各轮记录（详见 docs/changelog.md） │ │ 建议: [探索性重做 / 换标的 / 接受当前结果] │ └─────────────────────────────────────────────────┘

# 向用户提议探索性重做（必须征得用户同意）选项: A. 换策略方向（如趋势跟踪→均值回归） B. 换标的（如沪深300→科创50） C. 增加策略复杂度（加多因子） D. 停止优化，接受当前结果

if 用户选择 A/B/C: → 回到 Phase 1 Step 3（跳过 Step 1/2 因为已有策略方向） → 重新走 Step 4A → Step 4B → Phase 1 闸门确认 → Phase 2 不得直接重写 STRATEGY_DESIGN.md 跳过 Phase 1 完整流程 else: 优化结束


else: 回到 Step 2，继续下一轮

优化审计日志（每轮自动追加到 docs/changelog.md）：

## 优化历史

| 轮次 | 目标维度 | 候选方案 | 改动内容 | 基线分 | 新分数 | 状态 | 备注 |
|------|---------|---------|---------|--------|--------|------|------|
| R1   | 盈亏比   | A.提高止盈 | RSI止盈 50→70 | 0.0   | 0.0   | revert | 回撤恶化 |
| R2   | 盈亏比   | B.收紧止损 | 止损 5%→3%   | 0.0   | 0.0   | revert | 盈亏比下降 |

STRATEGY_DESIGN.md 模板

这是整个设计的核心创新点：将「策略意图」和「代码实现」之间插入一层机器可读的精确设计文档。 AI 生成 strategy.py 时，必须先读取此文档，按文档中的规则逐条翻译为代码。类比 autoresearch：STRATEGY_DESIGN.md 就像 program.md，strategy.py 就像 train.py。

生成策略时，将以下模板填充为实际的 STRATEGY_DESIGN.md 文件：

# [策略名称] — 策略设计文档

> 本文档是策略的精确设计规格，供 AI 生成代码时读取。
> 所有规则必须被严格翻译为代码，不可遗漏、不可简化、不可"创造性发挥"。

## 0. 项目文件说明

> 策略由以下文件组成，每个文件各司其职：

策略目录/ ├── STRATEGY_DESIGN.md ← 📋 你正在看的这个文件（策略的施工图纸） ├── README.md ← 📖 策略简介（看一眼就知道这策略做什么） ├── strategy.py ← 💻 策略代码（根据本文件自动生成，不要手动改） ├── config.yaml ← ⚙️ 参数配置（想调参数？改这里，不用动代码） ├── requirements.txt ← 📦 需要安装的 Python 包 ├── data/ │ ├── fetch_data.py ← 🔌 获取行情数据的脚本 │ └── *.csv ← 📊 下载好的历史K线数据 └── backtest/ └── results/ └── *.json ← 📈 回测结果（自动生成）

**新手提示**：
- 想了解策略逻辑 → 看 `STRATEGY_DESIGN.md`（本文件）
- 想调整参数（如止损比例、仓位大小）→ 改 `config.yaml`
- 想看回测赚了多少钱 → 看 `backtest/results/` 下的 JSON 文件
- `strategy.py` 是自动生成的，一般不需要手动修改

## 1. 策略元信息

| 字段 | 值 |
|------|---|
| 策略名称 | [名称] |
| 策略类型 | [趋势跟踪 / 均值回归 / 多因子 / 统计套利 / 网格 / 事件驱动] |
| 适用市场 | [A股 / 港股 / 美股] |
| 适用品种 | [具体股票池] |
| 数据周期 | [Tick / 分钟线 / 日线 / 周线] |

## 2. 指标定义

> 每个指标必须包含：数学公式、参数默认值、参数合理范围、计算前提条件。

### 指标 1: [指标名称]

- **用途**：[此指标在策略中的作用]
- **数学公式**：[精确公式，如 SMA(CLOSE, N) = sum(CLOSE[i-N+1:i+1]) / N]
- **参数**：[参数名]：默认值 [X]，合理范围 [A, B]
- **计算前提**：[需要多少根K线才开始有效]
- **输出值域**：[如 [0, 100]]

## 3. 信号逻辑

> 必须以**决策树**形式精确描述，不允许使用模糊表述。

### 3.1 买入信号（BUY）

**触发条件**（所有条件必须同时满足）：

    条件1: [指标A] [运算符] [阈值]    例: RSI(14) < 30
    条件2: [指标B] [运算符] [指标C]   例: MA(5) > MA(20)
    条件3: [过滤条件]                  例: 成交量 > MA(成交量, 20) * 1.5

    附加约束:
    - 持仓为0时才触发
    - 不在涨跌停板时触发
    - A股: 买入当日不可卖出（T+1规则）

### 3.2 卖出信号（SELL）

**触发条件**（满足任一即触发）：

    条件1: [止损/止盈条件]
    条件2: [反向信号条件]
    条件3: [时间止损：持有超过N根K线且收益 < X%]

### 3.3 信号优先级

    1. 止损信号 > 其他卖出信号（保命优先）
    2. 买入 vs 卖出冲突时：先执行卖出，清仓后再判断买入
    3. 同一K线内只允许一次交易动作

## 4. 仓位管理

    方法: [固定金额 / 固定比例 / 凯利公式 / ATR动态]
    买入金额 = 总可用资金 * [仓位比例，默认20%]
    买入数量 = floor(买入金额 / 当前价格 / 取整单位) * 取整单位  # A股=100股，港股/美股=不取整

    约束:
    - 单只标的仓位上限: 总资金的 [默认20%]
    - 总仓位上限: 总资金的 [默认80%]

## 5. 风控规则

> 风控规则是硬约束，任何一条触发都必须执行。
> 默认值已在 Step 4A 中预填，用户可在此基础上修改。

| 规则 | 默认阈值 | 触发动作 |
|------|---------|---------|
| 单笔最大仓位 | 总资金的 20% | 限制买入数量 |
| 单笔最大亏损 | 买入金额的 5% | 触发止损卖出 |
| 总仓位上限 | 总资金的 80% | 不再开新仓 |
| 最大回撤容忍 | 15% | 全部清仓，暂停交易 5 日 |
| 连续亏损次数 | 3 次 | 降低仓位至 50% |
| 极端行情 | 指数单日跌幅 > 7% | 暂停所有交易 |

## 6. 回测参数

> 默认值已在 Step 4A 中按市场类型预填，用户一次性确认。

| 参数 | 默认值 | 说明 |
|------|--------|------|
| 初始资金 | 1,000,000 元 | 回测起始资金 |
| 手续费率 | 见 Step 4A 市场默认值表 | 买卖各收 |
| 印花税率 | 见 Step 4A 市场默认值表 | 卖出时收取 |
| 滑点 | 见 Step 4A 市场默认值表 | 买入价+滑点，卖出价-滑点 |
| 回测区间 | 2020-01-01 ~ 2025-12-31 | 至少覆盖一个牛熊周期 |

## 7. 禁止事项

> AI 生成代码时**绝对不可**执行以下操作：

1. ❌ 不可使用未来数据（如用当天收盘价做当天交易决策）
2. ❌ 不可忽略手续费和滑点
3. ❌ 不可在信号中引入未在本文档定义的指标
4. ❌ 不可修改信号优先级规则
5. ❌ 不可将风控阈值设为比本文档更宽松的值

## 8. 已知局限

- [局限1，如"在震荡市中可能频繁止损"]
- [局限2，如"对小盘股流动性假设可能过于理想"]

README.md 模板

README.md 从 STRATEGY_DESIGN.md 自动摘要生成，不单独维护。

# [策略名称]

> 一句话描述策略核心逻辑

## 策略概述
- **策略类型**：[趋势跟踪 / 均值回归 / 多因子 / 统计套利 / ...]
- **适用市场**：[A股 / 港股 / 美股]
- **适用周期**：[Tick / 分钟线 / 日线 / 周线 / ...]
- **资金要求**：[最低资金量]

## 核心逻辑
[用3-5句话讲清楚策略的买卖逻辑，让不懂代码的人也能理解]

## 买卖规则
| 条件 | 动作 | 说明 |
|------|------|------|
| [买入条件1] | 买入 | [触发理由] |
| [卖出条件1] | 卖出 | [触发理由] |
| [止损条件] | 卖出 | [风控规则] |

## 关键参数
| 参数 | 默认值 | 含义 | 调参建议 |
|------|--------|------|---------|
| [参数名] | [值] | [说明] | [调整范围] |

## 回测结果摘要
- **回测区间**：[开始日期] ~ [结束日期]
- **年化收益率**：[X]%
- **最大回撤**：[X]%
- **夏普比率**：[X]
- **胜率**：[X]%

## 风险提示
- [策略局限1]
- [不适用场景]

策略评分函数 score_strategy()

权威实现见 scripts/run_backtest.py，此处伪代码仅供参考。将回测结果 + 复杂度映射为 0-100 分。这是 Phase 3 棘轮决策的唯一依据。

# 市场基准指数默认值（与 config.yaml benchmark 字段对应）
MARKET_BENCHMARKS = {
    "A股": {"index": "000300.SH", "avg_annual_return": 8.0},   # 沪深300 近10年均值
    "港股": {"index": "HSI",      "avg_annual_return": 5.0},   # 恒生指数 近10年均值
    "美股": {"index": "^GSPC",    "avg_annual_return": 10.0},  # 标普500 近10年均值
}

def _resolve_baseline_return(market: str, config: dict = None) -> float:
    """解析基准收益率。支持"多市场"——按标的数量加权平均。"""
    if market in MARKET_BENCHMARKS:
        return MARKET_BENCHMARKS[market]["avg_annual_return"]
    # 多市场：按 symbols 中各标的的实际市场加权
    if config and "symbols" in config:
        market_counts = {}
        for sym in config["symbols"]:
            m = sym.get("market", "A股")
            market_counts[m] = market_counts.get(m, 0) + 1
        total = sum(market_counts.values())
        weighted = sum(
            MARKET_BENCHMARKS.get(m, MARKET_BENCHMARKS["A股"])["avg_annual_return"] * cnt
            for m, cnt in market_counts.items()
        ) / total
        return weighted
    return MARKET_BENCHMARKS["A股"]["avg_annual_return"]

def score_strategy(backtest_result: dict, design_doc: dict, market: str = "A股",
                   config: dict = None) -> float:
    """将回测结果 + 复杂度 映射为0-100分

    设计原则（借鉴 autoresearch 简洁性准则）：
    - 分数提升必须大于复杂度增加 × 惩罚系数
    - 删条件效果不变 = 大胜利
    - 加条件只提升0.001 = 不值得
    """
    baseline_return = _resolve_baseline_return(market, config)

    score = 0
    # 收益率（满分25，超越基准2倍=满分）
    score += min(backtest_result['annual_return'] / (baseline_return * 2), 1.0) * 25
    # 回撤控制（满分20，回撤<10%=满分）
    score += max(1 - backtest_result['max_drawdown'] / 30, 0) * 20
    # 风险调整收益（满分25，夏普>2.0=满分）
    score += min(backtest_result['sharpe'] / 2.0, 1.0) * 25
    # 胜率（满分15，>60%=满分）
    score += min(backtest_result['win_rate'] / 60.0, 1.0) * 15
    # 盈亏比（满分15，>2.5=满分）
    score += min(backtest_result['profit_loss_ratio'] / 2.5, 1.0) * 15

    # ★ 简洁性惩罚（借鉴 autoresearch）
    # 条件数 = 买入条件 + 卖出条件 + 过滤条件 + 风控条件
    condition_count = design_doc['num_buy_conditions'] + \
                      design_doc['num_sell_conditions'] + \
                      design_doc['num_filters'] + \
                      design_doc['num_risk_rules']
    # 超过10个条件开始惩罚，每个额外条件扣1.5分
    complexity_penalty = max(0, (condition_count - 10) * 1.5)

    return max(0, score - complexity_penalty)

简洁性准则

借鉴 autoresearch 的核心设计规则，直接嵌入优化决策。

场景	判断	处理
加了2个过滤条件，score提升0.5分	复杂度增加不值得	回滚
删了1个过滤条件，score不变	简化胜利	保留
加了1个过滤条件，score提升5分	值得	保留
条件总数超过10个	过度复杂	惩罚扣分

这条规则直接嵌入 score_strategy() 的复杂度惩罚项中，不需要人工判断。

策略类型参考

类型	触发示例	数据需求	回测复杂度
趋势跟踪	「均线交叉」「突破策略」	日线K线	低
均值回归	「超跌反弹」「RSI策略」	日线K线 + 技术指标	低
多因子选股	「财务因子」「价值投资」	基本面数据 + K线	中
统计套利	「配对交易」「协整」	多只股票K线	高
事件驱动	「财报后走势」「公告策略」	新闻/公告数据	高
网格交易	「定投网格」「震荡网格」	分钟线/K线	低
T0策略	「日内回转」「底仓增强」	分钟线/Tick数据	高

在 Phase 1 确认策略类型后，根据类型自动选择对应的数据维度和回测引擎。

品种类型与模板对应关系：

品种类型	STRATEGY_DESIGN.md 模板	状态
股票（A股/港股/美股）	本文档内嵌模板（默认）	✅ 可用

Skill 协作关系

Autostrategy 不重复造轮子，调度已有的 Skill。

已有 Skill	协作方式	调用场景
futuapi	数据获取 + 模拟交易（股票）	港美股策略
ftshare-all-in-one	A股全品类数据获取（非凸科技 FTShare 免费数据）	A股策略（Phase 1 首选推荐）安装: `npx skills add zhangchao0911/all-in-one --yes`
securities-app-radar	竞品/行业动态扫描	策略背景分析
install-futu-opend	环境安装	用户选择 futuapi 但未安装时

调用方式：Phase 1 环境检测时，主动扫描 .claude/skills/ 目录，仅将确认已安装的 Skill 告知 agent。

约束规则

不改变策略的核心逻辑方向 — 优化只调整参数和条件，不改变策略类型
每次只改一个变量 — 避免多个变更导致无法归因
git 版本控制 — 所有改动在分支上，可随时回滚
评估独立性 — 效果评估必须用独立子Agent，避免「自己改自己评」
MAX_ROUNDS 限制 — 连续2轮无提升时停止，防止无效循环
不推实盘 — 所有策略仅供学习研究，不推荐实盘交易
免费优先 — 只推荐免费数据源，不引导用户付费购买数据

禁止事项

❌ 不可使用未来数据（如用当天收盘价做当天交易决策）
❌ 不可忽略手续费、滑点、印花税
❌ 不可在信号中引入未在 STRATEGY_DESIGN.md 中定义的指标
❌ 不可将风控阈值设为比 STRATEGY_DESIGN.md 更宽松的值
❌ 不可在 Phase 3 优化中修改策略类型（如把趋势跟踪改成均值回归）
❌ 不可推荐实盘交易或提供投资建议
❌ 不可引导用户购买付费数据服务

进化日志

每次优化记录写入策略目录的 docs/changelog.md：

## 优化历史

| 日期 | 版本 | 触发原因 | 改动内容 | 基线分 | 优化分 | 状态 |
|------|------|---------|---------|--------|--------|------|
| 2026-04-18 | v1.1 | 夏普比率<1.0 | 增加RSI过滤条件 | 52 | 68 | keep |
| 2026-04-18 | v1.2 | 胜率<45% | 调整止盈比例 | 68 | 71 | keep |
| 2026-04-18 | v1.3 | 收益率下降 | 增加成交量过滤 | 71 | 69 | revert |

autostrategy（autostrategy 搜索）

安装方式

简介

SKILL.md