quant-trading-cn

量化交易专家

基于 1780 行印度股市实战经验的量化交易系统。

功能

🎯 交互式机器人生成向导

# 启动向导
./scripts/wizard.sh

# 选择：
# 1. 从头生成交易机器人
# 2. 增强现有代码（修复问题、优化）
# 3. 从实时指数数据创建股票池
# 4. 运行回测对比
# 5. 分析表现

📊 16 个知识领域

1. Zerodha 集成 - Tick size 四舍五入、仓位对账、止损生命周期
2. 回测-实盘一致性 - 数据缓存、T vs T-1 对齐、VWAP 重置
3. 信号生成 - Fortress 信号（65% 胜率）、多因子确认
4. 调仓逻辑 - 周频 vs 日频、交易成本建模
5. 股票池选择 - 流动性过滤、动量评分
6. 性能优化 - Parquet（28x）、Polars 向量化（37x）
7. 印度市场特性 - 交易时段、熔断机制、T+1 结算
8. 失败模式 - 5 个生产问题 + 修复
9. 指标公式 - RSI、MACD、ATR、ADX、VWAP、EMA
10. 多时间框架 - 日内 vs 波段、MTF 对齐
11. 日志可观测 - 结构化日志、实时监控
12. 交易后分析 - P&L 分解、夏普比率、回撤分析
13. 信号归因 - 追踪哪个指标触发
14. 退出策略 - 时间衰减、追踪止损、部分退出
15. 风险管理 - Kelly Criterion、组合热度
16. 资金复利 - 市场状态检测、牛市放大

⚠️ 30+ 常见陷阱

使用方法

生成第一个交易机器人

./scripts/wizard.sh

向导会问：

• 交易风格：日内、波段、持仓
• 股票池：Nifty 50、中盘、自定义
• 策略：动量、VWAP 回调、开盘突破
• 资金：起始资金和单笔风险
• 风险偏好：保守（0.5%）、平衡（1%）、激进（2%）

获取股票池

# 从 NSE 获取最新成分股
./scripts/universe-fetch.sh --indices nifty50,nifty100,midcap150

分析现有代码

./scripts/check-code.sh ./my_trading_bot.py

# 输出：
⚠️ 发现 3 个问题：
1. Tick size 未四舍五入（第 45 行）- 会导致订单拒绝
2. VWAP 未每日重置（第 89 行）- 回测实盘不一致
3. 无股票冷却期（第 120 行）- 报复交易风险

性能基准

优化	之前	之后	提升
Parquet 缓存	2.3s	0.08s	28.7x
Polars 向量化	450ms	12ms	37.5x
API 批量请求	15 次	1 次	15x
预计算指标	180ms	90ms	2x
总回测时间	5 min	12 sec	25x

文件结构

quant-trading-cn/
├── SKILL.md           # 本文件
├── KNOWLEDGE.md       # 16 个领域（1780 行）
├── NUANCES.md         # 30+ 陷阱
├── scripts/
│   ├── wizard.sh      # 交互式向导
│   ├── universe-fetch.sh  # 股票池获取
│   └── check-code.sh  # 代码检查
└── references/
    ├── KNOWLEDGE_en.md   # 原始英文版
    └── NUANCES_en.md     # 原始英文版

A 股适配

本项目基于印度市场，但可适配 A 股：

印度	A 股
Zerodha	雪球/同花顺
Nifty 50	沪深 300
Nifty Midcap	中证 500
T+1 结算	T+1 结算
9:15-15:30	9:30-15:00

注意事项

⚠️ 本 skill 提供教育性指导，不保证盈利。交易有风险，仅用可承受资金。

---

版本: 1.0.0 来源: skill-algotrader