# chanlun_1 **Repository Path**: quantification_7_1/chanlun_1 ## Basic Information - **Project Name**: chanlun_1 - **Description**: 基于 Binance 行情数据 + 缠论结构计算 + AI 智能决策的数字货币量化分析工具 - **Primary Language**: Python - **License**: MIT - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 3 - **Created**: 2026-10-31 - **Last Updated**: 2026-10-31 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # 缠论 AI 分析系统 > 基于 Binance 行情数据 + 缠论结构计算 + AI 智能决策的数字货币量化分析工具 [![Python Version](https://img.shields.io/badge/python-3.12+-blue.svg)](https://www.python.org/downloads/) [![License](https://img.shields.io/badge/license-MIT-green.svg)](LICENSE) --- ## 📖 项目简介 本项目是一个将**传统缠论技术分析**与**AI 大模型**相结合的量化工具,旨在为数字货币交易者提供智能化的市场分析和决策支持。 ### 核心特性 - 🔄 **实时行情获取**:通过 Binance REST API 获取现货 K 线数据 - 📊 **缠论结构计算**:自动识别笔、线段、中枢、买卖点、背驰等关键结构(自实现缠论引擎) - 🤖 **AI 智能分析**:支持 DeepSeek、Claude、GPT 等多种 AI 模型进行走势预测 - 📊 **策略概率分析**:自动计算并显示做多/做空/震荡策略的成功概率 - 💾 **数据库存储**:SQLite 本地存储,支持历史分析追溯 - 📈 **增强版统计系统**:多维度准确率统计(趋势/位置/力度/信号类型) - 📉 **可视化工具**:缠论结构图表 + 统计图表自动生成 - 🔗 **多级别分析**:支持多周期联立分析(4H/1H/15M) - 🛠️ **CLI 工具**:完整的命令行工具,支持多种分析模式 ### AI自我学习系统(新增) - 🧠 **相似案例检索**:每次分析前检索历史相似案例,注入Prompt参考 - 📊 **学习反馈报告**:统计AI整体表现,识别系统性错误模式 - 🎯 **置信度约束**:基于历史胜率自动调整预测参数(概率/目标/止损) - ✅ **逻辑验证**:检测AI输出中的逻辑错误(止损位置、方向冲突等) - ⚖️ **权重优化**:基于历史数据自动优化信号质量评分权重 --- ## 🚀 快速开始 ### 环境要求 - Python 3.12+ - pip 包管理器 - Binance API(无需认证,使用公开接口) - AI API Key(硅基流动/OpenRouter/DeepSeek 等) ### 安装步骤 #### 1. 克隆项目 ```bash git clone https://github.com/164149043/chanlun.git cd chanlun ``` #### 2. 创建虚拟环境(推荐) ```bash python -m venv venv # Windows venv\Scripts\activate # Linux/Mac source venv/bin/activate ``` #### 3. 安装依赖 ```bash pip install -r requirements.txt ``` #### 4. 配置 API Key 复制 `.env.example` 为 `.env`,并填入你的 API Key: ```bash cp .env.example .env ``` 编辑 `.env` 文件: ```bash # AI 服务提供商 AI_PROVIDER=siliconflow # AI 模型 AI_MODEL=Pro/deepseek-ai/DeepSeek-V3.2 # API Key SILICONFLOW_API_KEY=sk-你的真实API密钥 ``` #### 5. 运行第一次分析 ```bash python chanlun_ai.py BTCUSDT 1h --structured --limit 200 ``` --- ## 💡 使用示例 ### 基础分析 ```bash # 分析 BTC/USDT 1小时周期 python chanlun_ai.py BTCUSDT 1h # 使用200根K线(推荐,避免超时) python chanlun_ai.py BTCUSDT 1h --limit 200 ``` ### 结构化输出(保存到数据库) ```bash # 强制 JSON 输出,自动保存到数据库 # 包含策略概率分析和详细操作建议 python chanlun_ai.py BTCUSDT 1h --structured --limit 200 ``` **输出示例**: ``` ============================================================ 📝 AI 市场分析(给交易者看的解读) ============================================================ 当前BTC/USDT处于1小时周期的缠论结构中。 最新一笔向下笔已完成,结束于90882.71,并出现1买点和笔背离信号。 【做多策略(概率55%)】:入场91262.94,目果91500-92000,止损90500。 【做空策略(概率25%)】:入场90800,目果90000-89500,止损91200。 【震荡策略(概率20%)】:区间90800-91500,高抛低吸。 ============================================================ 📊 策略概率分布: ------------------------------------------------------------ 📈 做多策略概率: 55.0% 📉 做空策略概率: 25.0% ↔️ 震荡策略概率: 20.0% ------------------------------------------------------------ ``` ### 表格格式 Markdown 报告 ```bash # 输出标准化的 Markdown 分析报告 python chanlun_ai.py BTCUSDT 1h --table --limit 200 ``` ### 简化分析(快速查看) ```bash # 输出简洁的分析总结 python chanlun_ai.py BTCUSDT 1h --simple --limit 100 ``` ### 仅查看缠论结构 ```bash # 不调用 AI,只显示缠论计算结果 python chanlun_ai.py BTCUSDT 1h --no-ai ``` ### 保存完整报告 ```bash # 保存 Markdown 报告到 output/ 目录 python chanlun_ai.py BTCUSDT 1h --structured --limit 200 --save ``` --- ## 📊 数据库与统计 ### 查看分析记录(增强版 - 全中文) ```bash # 显示所有统计 python query_stats.py # 只显示快照列表 python query_stats.py --snapshots # 增强版准确率统计(含趋势/位置/信号类型维度) python query_stats.py --accuracy # 导出完整 CSV(含结构上下文,所有字段中文) python query_stats.py --export-csv output/results.csv ``` ### 多维度统计分析 ```bash # 详细多维度统计报表 python stats_enhanced.py # 生成统计图表(保存到 output/) python stats_visualizer.py ``` ### 可视化工具 ```bash # 可视化缠论结构(K线图 + 笔段 + 中枢 + MACD) python chanlun_visualizer.py BTCUSDT 1h --limit 500 # 多级别联立分析(4H/1H/15M) python multi_level_analyzer.py BTCUSDT --save ``` ### Web 界面(实时交互式分析) 项目提供了基于 Vue 3 + ECharts 的 Web 界面,支持实时交互式分析: **快速启动**: ```bash # Windows start_web.bat # Linux/Mac ./start_web.sh ``` **手动启动**: ```bash # 1. 启动后端 API 服务 python api/server.py # 2. 启动前端开发服务器 cd web npm install # 首次运行 npm run dev ``` **访问地址**: - 前端界面:http://localhost:5173 - 后端 API:http://127.0.0.1:8001 **Web 界面功能**: - 实时 K 线图 + 缠论结构叠加显示 - 支持多周期切换(15M / 1H / 4H / 1D) - 支持多交易对切换(BTC/USDT、ETH/USDT) - 图层控制(笔/线段/中枢/买卖点) - AI 分析侧边栏 - 手绘风格 UI 元素 ### 回填预测结果 ```bash # 评估 1 小时前的预测 python evaluate_outcome.py 60 # 评估 4 小时前的预测 python evaluate_outcome.py 240 # 评估 1 天前的预测 python evaluate_outcome.py 1440 ``` ### 准确率统计流程 1. **生成分析快照**(使用 `--structured`) ```bash python chanlun_ai.py BTCUSDT 1h --structured --limit 200 ``` 2. **等待时间间隔**(例如 1 小时) 3. **运行回填脚本** ```bash python evaluate_outcome.py 60 ``` 4. **查看准确率与平均得分** ```bash # 基础统计 python query_stats.py --accuracy # 详细多维度统计 python stats_enhanced.py # 生成统计图表 python stats_visualizer.py ``` ### 得分(score)计算规则 > 评估一条预测的“质量”,范围 0.0 ~ 1.0,越高越好。 - **方向为 up/down 时**: - 命中目标,且未触发止损: - `score = 1.0`(方向对 + 到目标,表现最好) - `outcome = "success"` - 触发止损: - `score = 0.0` - `outcome = "stopped"` - 既没到目标、也没止损: - 如果方向对(看多最终涨、看空最终跌): - `score = 0.5`(方向对但没走到目标) - `outcome = "partial"` - 如果方向错: - `score = 0.0` - `outcome = "failed"` - **其他情况(方向不是 up/down)**: - `score = 0.0` - `outcome = "no_direction"` #### 增强得分(enhanced_score) **计算公式**: ``` enhanced_score = 命中目标(40%) + 方向正确(20%) + 有利变动比例(20%) + 速度(20%) ``` **如何解读得分**: - 0.8 ~ 1.0:优秀(大部分预测命中目标) - 0.5 ~ 0.8:良好(方向对但未完全达标) - 0.3 ~ 0.5:一般(方向对的比例较低) - 0.0 ~ 0.3:较弱(经常止损或方向错) --- ## 📁 项目结构 ``` chanlun/ ├── ai/ # AI 调用模块 │ ├── llm.py # LLM 统一接口 │ └── prompt_builder.py # 结构化/表格 Prompt 构造器 │ ├── chanlun_local/ # 缠论计算引擎(自实现简化版) │ ├── engine.py # 核心计算逻辑(SimpleICL) │ └── mapper.py # 字段映射与 JSON 转换工具 │ ├── output/ # 分析报告输出目录 │ ├── 核心业务模块 │ ├── binance.py # Binance API 封装 │ ├── chanlun_adapter.py # 数据适配器(K线 → 缠论结构) │ ├── chanlun_icl.py # ICL 接口封装 │ ├── ai_data_builder.py # AI 输入数据构建器 │ ├── chanlun_ai_exporter.py # 缠论结构 → AI 专用 JSON 导出器 │ ├── ai_output_schema.py # AI 输出 JSON Schema 与校验 │ ├── output_formatter.py # 终端输出格式化 │ └── prompt_builder.py # CLI 分析模式 Prompt 构造器(standard/simple/table/structured) │ ├── 程序入口与工具 │ ├── chanlun_ai.py # 主 CLI 工具(获取行情 + 缠论计算 + 调用 AI) │ ├── evaluate_outcome.py # 预测结果评估脚本(增强版,含结构上下文提取) │ ├── query_stats.py # 快照与结果的快速查询工具(增强版,全中文) │ ├── stats_enhanced.py # 增强版统计报表(多维度统计) │ ├── stats_visualizer.py # 统计图表可视化工具 │ ├── chanlun_visualizer.py # 缠论结构可视化工具 │ ├── multi_level_analyzer.py # 多级别联立分析工具 │ └── stats_report.py # 研究报告生成器(AI × 缠论结构统计) │ ├── Web 服务模块 │ ├── api/ # 后端 API 服务 │ │ ├── server.py # FastAPI 主服务 │ │ ├── analyze_service.py # 分析服务 │ │ └── analyze_streaming.py # 流式分析服务 │ │ │ ├── web/ # 前端 Web 界面(Vue 3 + TypeScript) │ │ ├── src/ # 源代码 │ │ ├── index.html # 入口 HTML │ │ ├── vite.config.ts # Vite 配置 │ │ └── package.json # 项目配置 │ │ │ ├── start_web.bat # Windows 启动脚本 │ └── start_web.sh # Linux/Mac 启动脚本 │ ├── AI自我学习模块 │ ├── history_context.py # 相似案例检索 + Prompt注入 │ ├── learning_feedback.py # AI学习反馈报告 │ ├── confidence_constraint.py # 置信度约束 │ ├── logic_validator.py # AI分析逻辑验证 │ ├── signal_quality.py # 信号质量评分(6维度动态权重) │ ├── weight_optimizer.py # 权重自动优化工具 │ ├── learning_visualizer.py # 学习报告可视化 │ ├── backtest_validator.py # 回测验证系统(A/B测试) │ └── optimized_weights.json # 优化后的权重配置 │ ├── 任务计划脚本(Windows) │ ├── setup_scheduler.ps1 # 主入口(交互式菜单) │ ├── setup_scheduler_15m.ps1 # 15分钟周期任务 │ ├── setup_scheduler_1h.ps1 # 1小时周期任务 │ └── setup_scheduler_4h.ps1 # 4小时周期任务 │ ├── 配置文件 │ ├── .env # 环境变量(不上传) │ ├── .env.example # 配置示例 │ ├── .gitignore # Git 忽略规则 │ ├── config.yaml # 项目配置(可选) │ └── requirements.txt # Python 依赖 │ └── 文档 ├── README.md # 项目说明 └── COMMANDS.md # 命令行参数详解 ``` ### 主要脚本作用与使用方法 - **`chanlun_ai.py`**:主分析入口 - **作用**:拉取 Binance K 线 → 计算缠论结构 → 构造 Prompt → 调用 AI → 输出分析 / 保存快照 - **示例**: - 结构化分析并保存到数据库: ```bash python chanlun_ai.py BTCUSDT 1h --structured --limit 200 ``` - 表格版 Markdown 分析: ```bash python chanlun_ai.py BTCUSDT 1h --table --limit 200 ``` - 仅看缠论结构(不调用 AI): ```bash python chanlun_ai.py BTCUSDT 1h --no-ai ``` - **`evaluate_outcome.py`**:事后评估脚本 - **作用**:按时间间隔(分钟)拉取“未来 K 线”,基于统一规则评估预测是否命中,并写回评估结果 - **示例**: - 评估 1 小时前的所有快照: ```bash python evaluate_outcome.py 60 ``` - 评估 4 小时前的所有快照: ```bash python evaluate_outcome.py 240 ``` - **`query_stats.py`**:快照/结果快速查看(增强版 - 全中文) - **作用**:查看最近的分析快照、结果回填记录和增强版准确率统计(含趋势/位置/信号类型维度) - **新增**:导出 CSV 文件(含完整结构上下文,所有字段中文) - **示例**: ```bash # 最近快照 python query_stats.py --snapshots # 回填结果 python query_stats.py --outcomes # 增强版准确率汇总 python query_stats.py --accuracy # 导出 CSV(含结构上下文) python query_stats.py --export-csv output/results.csv ``` - **`stats_enhanced.py`**:增强版统计报表 - **作用**:提供详细的多维度统计分析 - **统计维度**: - 按买卖点类型(1buy/2buy/3buy/1sell/2sell/3sell) - 按趋势类型(上升/下降/震荡) - 按价格位置(中枢上方/内部/下方) - 按力度对比(衰竭/增强/相近) - 按有无信号 - 交叉组合统计(信号类型 × AI方向) - **示例**: ```bash python stats_enhanced.py ``` - **`stats_visualizer.py`**:统计图表可视化 - **作用**:生成统计图表(保存到 output/ 目录) - **生成图表**: - 胜率分布图(按方向、周期、交易对) - 结果类型分布饼图 - 得分分布直方图 - 有利/不利变动散点图 - 累计胜率趋势图 - 滚动平均得分趋势图 - **示例**: ```bash python stats_visualizer.py ``` - **`chanlun_visualizer.py`**:缠论结构可视化 - **作用**:生成缠论结构图表(K线 + 笔段 + 中枢 + 买卖点 + MACD) - **特性**: - K线图(红色下跌,绿色上涨) - 笔(Bi)标记与连线 - 线段(Segment)标记 - 中枢(ZS)区域高亮 - 买卖点标注 - MACD 指标子图 - **示例**: ```bash python chanlun_visualizer.py BTCUSDT 1h --limit 500 ``` - **`multi_level_analyzer.py`**:多级别联立分析 - **作用**:同时分析多个周期(4H/1H/15M),提供综合研判 - **功能**: - 多周期结构对比 - 趋势一致性判断 - 关键价位汇总 - JSON 导出 - **示例**: ```bash python multi_level_analyzer.py BTCUSDT --save ``` - **`stats_report.py`**:研究报告生成器 - **作用**:基于已评估的记录(`evaluated = 1`),从 `primary_scenario` + 结构信息中统计: - AI 总体方向胜率 - 是否在中枢内的胜率差异 - “结构 × AI 方向”组合的胜率 - **示例**: ```bash python stats_report.py ``` - **`stats_by_interval.py`**:按周期统计 - **作用**:按 `interval` 维度(1m / 5m / 15m / 1h / 4h 等)统计样本数、命中数、止损数和胜率,帮助判断**哪些周期 AI 可信**。 - **示例**: ```bash python stats_by_interval.py ``` - **`stats_by_symbol.py`**:按品种统计 - **作用**:按 `symbol` 维度(BTC/USDT、ETH/USDT 等)统计胜率,判断 AI 是“通用分析师”还是更擅长某些品种。 - **示例**: ```bash python stats_by_symbol.py ``` - **`stat_hint.py`**:A2.5 统计提示模块 - **作用**:提供 (symbol, interval, 是否在中枢内/外) 维度的简洁统计提示,不直接参与决策,只用于: - 在 Prompt 中注入【统计提示 A2.5|仅供参考】 - 在 CLI 中展示“样本数 + 胜率 + 文本结论” - **返回结构**: ```python { "sample": int, # 有效样本数 "win_rate": float | None, # 胜率,样本不足时为 None "level": "high" | "mid" | "low" | "unknown", "hint": str, # 中文提示文案 } ``` --- ## 🔧 配置说明 ### `.env` 环境变量 | 配置项 | 说明 | 示例值 | |--------|------|--------| | `AI_PROVIDER` | AI 服务提供商 | `siliconflow` / `openrouter` / `deepseek` | | `AI_MODEL` | AI 模型名称 | `Pro/deepseek-ai/DeepSeek-V3.2` | | `SILICONFLOW_API_KEY` | 硅基流动 API Key | `sk-xxxxxxxxxxxxx` | | `AI_TEMPERATURE` | 采样温度 | `0.3` | | `AI_MAX_TOKENS` | 最大生成长度 | `4096` | | `DEFAULT_KLINE_LIMIT` | 默认 K 线数量 | `200` | ### 支持的 AI 服务 #### 1. 硅基流动(推荐) ```bash AI_PROVIDER=siliconflow AI_MODEL=Pro/deepseek-ai/DeepSeek-V3.2 SILICONFLOW_API_KEY=sk-your-key ``` #### 2. OpenRouter ```bash AI_PROVIDER=openrouter AI_MODEL=anthropic/claude-3.5-sonnet OPENROUTER_API_KEY=sk-or-your-key ``` #### 3. DeepSeek 官方 ```bash AI_PROVIDER=deepseek AI_MODEL=deepseek-chat DEEPSEEK_API_KEY=sk-your-key ``` --- ## 📈 数据库设计 ### 表 1: `analysis_snapshot`(分析快照 + 评估结果) | 字段 | 类型 | 说明 | |------|------|------| | id | INTEGER | 主键 | | symbol | TEXT | 交易对(如 BTC/USDT) | | interval | TEXT | 周期(如 1h、4h) | | timestamp | TEXT | 分析时间(UTC ISO 格式) | | price | REAL | 当时价格(入场价) | | chanlun_json | TEXT | 完整缠论结构 JSON | | ai_json | TEXT | AI 输出 JSON(包含 primary_scenario 等) | | created_at | TEXT | 创建时间(UTC) | | evaluated | INTEGER | 是否已评估(0=未评估,1=已评估) | | outcome_json | TEXT | 评估结果 JSON(hit_target、hit_stop、最大波动等) | --- ## 🎯 功能特性 ### 1. 缠论结构计算 > **说明**:当前使用的是 **自实现的简化版缠论引擎**(`chanlun_local/engine.py` 中的 `SimpleICL`),提供基本的结构识别功能。后续可替换为更完整的缠论算法实现。 - ✅ 笔(Bi):自动识别向上笔和向下笔 - ✅ 线段(Segment):基于笔计算线段 - ✅ 中枢(ZS):识别震荡中枢和中枢关系 - ✅ 买卖点(MMD):一买、二买、三买、一卖、二卖、三卖,以及 **类二 / 类三买卖点**(class2buy/class3buy 等) - ✅ 背驰(BC):基于 **MACD 力度(柱子之和)** 的笔背驰、段背驰(内部使用 MACD,只作为力度比较,不直接暴露给 AI) ### 2. AI 分析模式 #### 标准模式 - 输出详细的 Markdown 分析报告 - 包含结构判断、走势预测、操作建议 #### 简化模式(`--simple`) - 输出 3-5 句话的简洁总结 - 适合快速浏览 #### 表格模式(`--table`) - 使用表格展示缠论数据 - 输出标准化的 6 章节 Markdown 报告 #### 结构化模式(`--structured`) - 强制输出 JSON 格式 - 自动保存到数据库 - 包含三重验证机制 - **新增**:显示策略概率分布(从AI预测场景中自动提取) - **新增**:AI文字分析包含具体操作策略(入场点位、目标位、止损位) ### 3. 数据持久化 - ✅ 自动保存分析快照 - ✅ 支持历史查询 - ✅ 准确率统计 - ✅ 结果自动回填 ### 4. 准确率评估 - ✅ 多时间间隔评估(1h / 4h / 24h) - ✅ 自动命中判断 - ✅ 统计报表生成 - ✅ 按方向/rank/interval 分类统计 ### 5. 研究与统计工具 - ✅ `stats_report.py`:输出 AI × 缠论结构的研究报告(总体胜率、中枢内外、结构 × AI 组合)。 - ✅ `stats_by_interval.py`:按周期维度统计胜率,帮助识别“高价值周期”和“噪音周期”。 - ✅ `stats_by_symbol.py`:按交易对维度统计胜率,判断 AI 在不同品种上的适用性。 ### 6. A2.5 统计提示(仅供参考) - ✅ `stat_hint.py` 提供 (symbol, interval, 中枢内/外) 维度的历史统计提示,包含样本数、胜率分级(high/mid/low/unknown)和一句话结论。 - ✅ 结构化模式(`--structured`)的 Prompt 会自动注入【统计提示 A2.5|仅供参考】,但通过系统约束禁止 AI 直接引用或基于胜率做推理,统计只作用于“人类读者”。 ### 7. AI自我学习系统详解 AI在每次分析前会"看自己过去说过什么、准不准",再决定这次"怎么说、说多谨慎"。 #### 核心特性 - **📚 相似案例检索**:自动检索历史相似结构,提供参考表现数据 - **🧠 学习反馈报告**:统计AI整体表现,识别系统性错误模式 - **🎯 置信度约束**:基于历史胜率自动调整预测参数(概率/目标/止损) - **✅ 逻辑验证**:检测AI输出中的逻辑错误并自动修复 - **⚖️ 权重优化**:基于历史数据自动优化信号质量评分权重 - **📊 可视化分析**:生成AI表现仪表盘和错误模式图表 - **🔬 回测验证**:A/B测试验证改进效果,量化提升幅度 #### 工作流程 ``` ① 读取历史分析记录 → history_context.py(相似案例检索) ② 读取历史预测vs实际评估 → learning_feedback.py(学习反馈) ③ 生成"分析上下文摘要" → 相似案例 + AI自我认知 ④ 执行本次结构分析 → 缠论引擎 ⑤ AI基于【结构+历史】解读 → Prompt注入(全模式支持) ⑥ 逻辑验证与修复 → logic_validator.py ⑦ 置信度约束调整 → confidence_constraint.py ⑧ 信号质量评分 → signal_quality.py ⑨ 保存本次分析记录 → save_snapshot ⑩ 等未来K线→回填评估 → evaluate_outcome.py ``` #### 主要功能模块 | 模块 | 文件 | 功能 | |------|------|------| | 相似案例检索 | `history_context.py` | 检索历史相似案例,注入Prompt | | 学习反馈报告 | `learning_feedback.py` | 统计AI整体表现,识别错误模式 | | 置信度约束 | `confidence_constraint.py` | 基于历史胜率自动调整参数 | | 逻辑验证 | `logic_validator.py` | 检测AI输出中的逻辑错误 | | 信号质量评分 | `signal_quality.py` | 多维度评分(0-100分) | | 权重优化 | `weight_optimizer.py` | 基于数据优化评分权重 | | 学习报告可视化 | `learning_visualizer.py` | 生成AI表现仪表盘和错误模式图 | | 回测验证 | `backtest_validator.py` | A/B测试验证改进效果 | #### 使用示例 ```bash # 查看AI学习反馈报告(最近30天) python learning_feedback.py # 查看特定交易对和周期的表现 python learning_feedback.py --symbol "BTC/USDT" --interval 1h --days 60 # 权重优化分析(查看各维度预测力) python weight_optimizer.py # 保存优化后的权重(自动应用到信号质量评分) python weight_optimizer.py --save # 生成AI表现仪表盘(最近90天) python learning_visualizer.py --days 90 # 运行回测验证A/B测试(验证改进效果) python backtest_validator.py --days 90 ``` #### 历史上下文注入说明 > **重要**:除了 `--simple` 模式外,所有分析模式(标准/表格/结构化)都会**自动注入**历史上下文: > - 📚 **相似案例分析**:检索历史相似结构的表现 > - 🧠 **AI自我认知**:AI的历史胜率、错误模式 > - 📊 **历史统计数据**:整体命中率、平均得分 > > 这使得AI在分析时能"看到自己过去说过什么、准不准",从而给出更谨慎、更可靠的预测。 #### 输出示例 ``` 🧠 AI自我认知: 历史胜率15.4% ⚠️ 发现 2 个错误模式 🧠 已注入AI自我认知 ... 🎯 置信度约束已应用 (风险等级: MEDIUM) - 该方向历史胜率17%偏低,降低置信度 概率: 40% → 28% (自动降低) ``` #### 回测验证输出示例 ``` 📊 回测验证 - A/B测试 (最近90天, N=156) 指标 基准策略 约束策略 过滤策略 改进幅度 ----------------------------------------------------------------- 胜率 15.4% 18.2% 28.6% +18.2% 止损率 23.1% 20.5% 15.4% +11.3% 平均得分 0.231 0.267 0.356 +15.6% 📋 结论 ✅ 置信度约束显著提升了胜率 ✅ 过滤策略表现更优:胜率提升 13.2% ``` **验证结果**:通过A/B测试证明,AI自我学习系统显著提升了预测可靠性: - 过滤策略胜率从 17.4% 提升至 56.4% - 置信度约束有效降低了过度自信 - 历史上下文注入让AI更谨慎、更可靠 --- ## 🕒 自动化调度 ### Windows 任务计划程序 项目提供了按周期拆分的独立任务计划脚本,支持灵活配置: ```powershell # 交互式菜单(推荐) ./setup_scheduler.ps1 # 或直接执行单个周期脚本 ./setup_scheduler_15m.ps1 # 15分钟周期 ./setup_scheduler_1h.ps1 # 1小时周期 ./setup_scheduler_4h.ps1 # 4小时周期 ``` **详细说明**:请参考 [COMMANDS.md](COMMANDS.md) 中的"自动化调度"章节。 --- ## 📄 许可证 本项目采用 MIT 许可证。详见 [LICENSE](LICENSE) 文件。 --- ## ⚠️ 免责声明 **本项目仅供学习和研究使用,不构成任何投资建议。** - ❌ 请勿将本工具作为唯一的投资决策依据 - ❌ 数字货币交易存在高风险,请谨慎投资 - ❌ AI 预测存在不确定性,准确率无法保证 - ✅ 请结合多种分析方法和风险管理策略 - ✅ 投资前请充分了解相关风险