Vibe-Trading影子账户深潜3步看懂PIT安全入场条件与RSI价格特征【免费下载链接】Vibe-TradingVibe-Trading: Your Personal Trading Agent项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-TradingVibe-Trading 是一款开源的个人交易智能体Trading Agent其核心功能之一Shadow Account影子账户能从你的券商流水中提取出真实的交易规则并回测如果你的策略严格执行结果会如何。本文带你看懂它最核心的两个机制PITPoint-in-Time时点安全入场条件与RSI 价格特征——这正是影子策略不作弊、不偷看未来数据的关键。为什么影子账户要从你的交易记录出发大多数回测工具是从通用策略模板出发的比如金叉买入、死叉卖出。但 Shadow Account 的思路完全不同从你自己真实的成交流水出发。它的工作流程只有 5 步步骤智能体做什么1️⃣ 读取交易日志解析同花顺、东方财富、富途等券商导出格式2️⃣ 生成行为画像统计持仓天数、胜率、盈亏比、回撤、追涨行为等3️⃣ 提取你的规则把反复出现的入场/出场行为变成明确策略画像4️⃣ 运行 shadow 回测回测提取出的规则高亮规则违背、错过信号等5️⃣ 交付报告生成 8 节 HTML/PDF 报告量化你错过了多少机会整个流程的入口在 README_zh.md 的 Shadow Account 章节实现代码集中在 agent/src/shadow_account/ 目录下。核心机制一PIT 安全入场条件是什么PITPoint-in-Time时点安全是量化研究里防止前视偏差look-ahead bias的黄金法则在判断某天该不该买入时只能使用那一天之前已经确定的数据绝不能偷看当天的收盘价更不能用未来数据。Shadow Account 的入场条件分两类1. 日志派生特征永远离线可用这些特征直接从你的成交记录计算不需要任何外部数据在 extractor.py 中定义holding_days你习惯持有多少天pnl_pct盈利交易的收益率区间entry_hour / entry_weekday你通常在什么时段、周几进场2. 价格上下文特征PIT 安全读取这就是第二个机制——RSI 价格特征。抽取器在 extractor.py 中按买入日期buy_dt读取两个特征特征名含义PIT 安全的关键entry_rsi14买入时刻的 14 日 RSI只用严格早于买入日的已完成日线计算prior_5d_return买入前 5 日收益率买入当日的 bar 被整体排除代码中的注释说得很直白_as_of_index一条标注为买入日当天的 bar 会被排除因为盘中入场时那天的日收盘价还不可用。 通俗理解假设你 6 月 10 日上午买入某股票。判断这天该不该买时系统只能看到 6 月 9 日收盘为止的数据。6 月 10 日当天的大盘走势——哪怕最后暴涨——都算未来数据一律不参与判断。核心机制二RSI 特征如何一步步落地这两个价格特征在整条流水线上贯穿三个模块且共用同一份契约这是 models.py 中最精妙的设计PRICE_FEATURES (entry_rsi14, prior_5d_return)这份契约定义了数据边界——抽取器extractor按这个名称计算特征、代码生成器codegen按这个名称展平规则边界、实时扫描器scanner按这个名称评估信号。三个模块共用一个名字来源永远不会各写各的、逐渐漂移。具体流程第 1 步抽取Extractextractor.py 对你每一笔盈利交易用因果 Wilder-EWM 公式计算 RSI_compute_rsi并截取买入日前已完成的历史 K 线。同时它还做了两件稳健性设计40 天预热缓冲在最早的买入日往前多取 40 个自然日确保跨周末/假期 RSI 也有足够预热L50优雅降级拿不到行情时特征置为 NaN 并丢弃绝不中断抽取——离线场景下自动退化为纯日志特征第 2 步聚合成规则Cluster → Rule系统用 KMeans 自动聚类k 在 2–5 之间按轮廓系数自动选每个密集簇生成一条规则。规则的入场条件取簇内特征的P10–P90 分位数区间_cluster_to_rule例如在 A 股当 RSI14 落在 28.5–52.3、前 5 日收益落在 -6%~3% 时买入持有 3–8 天收益类特征保留 4 位小数——因为prior_5d_return这种小量纲特征在 2 位小数下会丢失有效精度。第 3 步生成可运行信号引擎Codegencodegen.py 把规则渲染成一个真正可回测的SignalEngine模板signal_engine.py.j2。生成的引擎逐 bar 检查市场匹配A股/美股/港股/加密各有对应规则RSI 区间检查——NaN 或超出区间则跳过该 bar前 5 日收益区间检查全部通过才入场并持有规则规定的天数这里还有一个针对日线的细节L95-L100日线 bar 共享同一个时间戳从盘中流水挖出来的入场时段在日线上没有信息量所以时段闸门只在盘中数据上生效日线数据自动跳过避免误杀每一根 bar。为什么要这么较真对新手来说回测最大的陷阱就是结果好看但不真实。Shadow Account 的 PIT 设计从根上堵住三条漏洞漏洞传统做法的问题Shadow Account 的做法偷看当日收盘用买入日当天收盘价算 RSI只取严格早于买入日的已完成 bar规则漂移抽取与执行用两套指标公式单一PRICE_FEATURES契约 同款 Wilder-EWM 实现数据缺失即崩溃拉不到行情直接报错特征降级为 NaN自动退化为日志特征此外backtester.py 还会按结算币种拆分多市场回测池绝不虚构汇率聚合跨市场 shadow 运行保持零虚构。快速上手安装后上传你的券商流水一句话启动vibe-trading --upload trades_export.csv vibe-trading run -p 分析我的交易行为提取我的影子策略并对比我的真实交易智能体会自动完成画像 → 规则提取 → 影子回测 → 归因报告全流程报告明确展示你因为规则违背、过早离场、错过信号各亏/赚了多少。小结Shadow Account 的价值不在于帮你找到新策略而在于用你自己验证过的盈利模式做影子对照PIT 安全入场条件入场判断只用历史已完成数据杜绝前视偏差RSI 价格特征entry_rsi14/prior_5d_return把你在什么市场环境下买入量化成可回测区间单一数据契约抽取、生成、扫描三端共用PRICE_FEATURES规则与执行永不漂移想深入细节建议直接阅读 agent/src/shadow_account/ 下的 extractor.py、models.py 与 templates/signal_engine.py.j2——代码注释本身就是一份很好的 PIT 安全实践教材。【免费下载链接】Vibe-TradingVibe-Trading: Your Personal Trading Agent项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-Trading创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Vibe-Trading影子账户深潜：3步看懂PIT安全入场条件与RSI价格特征
Vibe-Trading影子账户深潜3步看懂PIT安全入场条件与RSI价格特征【免费下载链接】Vibe-TradingVibe-Trading: Your Personal Trading Agent项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-TradingVibe-Trading 是一款开源的个人交易智能体Trading Agent其核心功能之一Shadow Account影子账户能从你的券商流水中提取出真实的交易规则并回测如果你的策略严格执行结果会如何。本文带你看懂它最核心的两个机制PITPoint-in-Time时点安全入场条件与RSI 价格特征——这正是影子策略不作弊、不偷看未来数据的关键。为什么影子账户要从你的交易记录出发大多数回测工具是从通用策略模板出发的比如金叉买入、死叉卖出。但 Shadow Account 的思路完全不同从你自己真实的成交流水出发。它的工作流程只有 5 步步骤智能体做什么1️⃣ 读取交易日志解析同花顺、东方财富、富途等券商导出格式2️⃣ 生成行为画像统计持仓天数、胜率、盈亏比、回撤、追涨行为等3️⃣ 提取你的规则把反复出现的入场/出场行为变成明确策略画像4️⃣ 运行 shadow 回测回测提取出的规则高亮规则违背、错过信号等5️⃣ 交付报告生成 8 节 HTML/PDF 报告量化你错过了多少机会整个流程的入口在 README_zh.md 的 Shadow Account 章节实现代码集中在 agent/src/shadow_account/ 目录下。核心机制一PIT 安全入场条件是什么PITPoint-in-Time时点安全是量化研究里防止前视偏差look-ahead bias的黄金法则在判断某天该不该买入时只能使用那一天之前已经确定的数据绝不能偷看当天的收盘价更不能用未来数据。Shadow Account 的入场条件分两类1. 日志派生特征永远离线可用这些特征直接从你的成交记录计算不需要任何外部数据在 extractor.py 中定义holding_days你习惯持有多少天pnl_pct盈利交易的收益率区间entry_hour / entry_weekday你通常在什么时段、周几进场2. 价格上下文特征PIT 安全读取这就是第二个机制——RSI 价格特征。抽取器在 extractor.py 中按买入日期buy_dt读取两个特征特征名含义PIT 安全的关键entry_rsi14买入时刻的 14 日 RSI只用严格早于买入日的已完成日线计算prior_5d_return买入前 5 日收益率买入当日的 bar 被整体排除代码中的注释说得很直白_as_of_index一条标注为买入日当天的 bar 会被排除因为盘中入场时那天的日收盘价还不可用。 通俗理解假设你 6 月 10 日上午买入某股票。判断这天该不该买时系统只能看到 6 月 9 日收盘为止的数据。6 月 10 日当天的大盘走势——哪怕最后暴涨——都算未来数据一律不参与判断。核心机制二RSI 特征如何一步步落地这两个价格特征在整条流水线上贯穿三个模块且共用同一份契约这是 models.py 中最精妙的设计PRICE_FEATURES (entry_rsi14, prior_5d_return)这份契约定义了数据边界——抽取器extractor按这个名称计算特征、代码生成器codegen按这个名称展平规则边界、实时扫描器scanner按这个名称评估信号。三个模块共用一个名字来源永远不会各写各的、逐渐漂移。具体流程第 1 步抽取Extractextractor.py 对你每一笔盈利交易用因果 Wilder-EWM 公式计算 RSI_compute_rsi并截取买入日前已完成的历史 K 线。同时它还做了两件稳健性设计40 天预热缓冲在最早的买入日往前多取 40 个自然日确保跨周末/假期 RSI 也有足够预热L50优雅降级拿不到行情时特征置为 NaN 并丢弃绝不中断抽取——离线场景下自动退化为纯日志特征第 2 步聚合成规则Cluster → Rule系统用 KMeans 自动聚类k 在 2–5 之间按轮廓系数自动选每个密集簇生成一条规则。规则的入场条件取簇内特征的P10–P90 分位数区间_cluster_to_rule例如在 A 股当 RSI14 落在 28.5–52.3、前 5 日收益落在 -6%~3% 时买入持有 3–8 天收益类特征保留 4 位小数——因为prior_5d_return这种小量纲特征在 2 位小数下会丢失有效精度。第 3 步生成可运行信号引擎Codegencodegen.py 把规则渲染成一个真正可回测的SignalEngine模板signal_engine.py.j2。生成的引擎逐 bar 检查市场匹配A股/美股/港股/加密各有对应规则RSI 区间检查——NaN 或超出区间则跳过该 bar前 5 日收益区间检查全部通过才入场并持有规则规定的天数这里还有一个针对日线的细节L95-L100日线 bar 共享同一个时间戳从盘中流水挖出来的入场时段在日线上没有信息量所以时段闸门只在盘中数据上生效日线数据自动跳过避免误杀每一根 bar。为什么要这么较真对新手来说回测最大的陷阱就是结果好看但不真实。Shadow Account 的 PIT 设计从根上堵住三条漏洞漏洞传统做法的问题Shadow Account 的做法偷看当日收盘用买入日当天收盘价算 RSI只取严格早于买入日的已完成 bar规则漂移抽取与执行用两套指标公式单一PRICE_FEATURES契约 同款 Wilder-EWM 实现数据缺失即崩溃拉不到行情直接报错特征降级为 NaN自动退化为日志特征此外backtester.py 还会按结算币种拆分多市场回测池绝不虚构汇率聚合跨市场 shadow 运行保持零虚构。快速上手安装后上传你的券商流水一句话启动vibe-trading --upload trades_export.csv vibe-trading run -p 分析我的交易行为提取我的影子策略并对比我的真实交易智能体会自动完成画像 → 规则提取 → 影子回测 → 归因报告全流程报告明确展示你因为规则违背、过早离场、错过信号各亏/赚了多少。小结Shadow Account 的价值不在于帮你找到新策略而在于用你自己验证过的盈利模式做影子对照PIT 安全入场条件入场判断只用历史已完成数据杜绝前视偏差RSI 价格特征entry_rsi14/prior_5d_return把你在什么市场环境下买入量化成可回测区间单一数据契约抽取、生成、扫描三端共用PRICE_FEATURES规则与执行永不漂移想深入细节建议直接阅读 agent/src/shadow_account/ 下的 extractor.py、models.py 与 templates/signal_engine.py.j2——代码注释本身就是一份很好的 PIT 安全实践教材。【免费下载链接】Vibe-TradingVibe-Trading: Your Personal Trading Agent项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-Trading创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考