🤖 Crypto Agent - 智能加密货币量化交易机器人

一个基于 AI Agent 架构的智能加密货币量化交易系统，采用模块化设计，集成多种 AI 分析能力，提供实时可视化监控，并具备完善的风控机制。

✨ 特性

Agent 架构: 采用事件驱动的多 Agent 协作模式
多策略融合: 支持 AI 分析、技术指标、趋势跟踪等多种策略
AI 分析: 集成 DeepSeek 大模型进行市场分析
风控系统: 完善的止损止盈、仓位控制和风险评估
实时监控: 基于 WebSocket 的实时数据推送和可视化面板
可扩展: 易于添加新策略、新交易所、新 Agent

📁 项目结构

crypto_agent/
├── main.py                   # 主入口
├── config/                   # 配置模块
│   ├── settings.py          # 全局配置
│   └── trading_config.py    # 交易参数
├── core/                     # 核心模块
│   ├── base_agent.py        # Agent 基类
│   ├── orchestrator.py      # 协调器
│   ├── state_store.py       # 状态存储
│   ├── message.py           # 消息定义
│   └── state/               # 拆分状态组件
│       ├── market_state.py  # 行情状态
│       ├── position_state.py # 持仓状态 (SQLite)
│       └── stats.py         # 统计状态
├── agents/                   # Agent 实现
│   ├── market_agent.py      # 行情 Agent
│   ├── strategy_agent.py    # 策略 Agent
│   ├── risk_agent.py        # 风控 Agent
│   ├── executor_agent.py    # 执行 Agent
│   └── logger_agent.py      # 日志 Agent
├── strategies/                    # 策略模块
│   ├── base_strategy.py          # 传统策略基类
│   ├── base_ai_strategy.py       # AI 策略模板基类（统一 prompt/token/验证/skill_used 写回）
│   ├── prompt_only_ai_strategy.py # 纯 prompt 驱动策略基类（声明式 TRIGGER_RULES）
│   ├── llm_client.py             # 通用 LLM 调用封装（OpenAI 协议兼容）
│   ├── ai_strategy.py            # AI 分析策略
│   ├── ai_scalping_strategy.py   # AI 剥头皮策略
│   ├── ai_hybrid_strategy.py     # AI 混合策略 V3
│   ├── ai_hybrid_v4_strategy.py  # AI 混合策略 V4
│   ├── ai_trend_sniper_strategy.py # AI 趋势狙击策略
│   ├── technical_strategy.py     # 技术指标策略
│   └── trend_strategy.py         # 趋势跟踪策略
├── harness/                  # Harness V2 运行时护栏
│   ├── verification/        # 信号校验 (schema/sanity/policy)
│   ├── cost/                # LLM 预算与降级
│   ├── context/             # K线摘要、regime 标签、prompt 构建、StrategyContext 容器
│   ├── observability/       # 全链路追踪 (SQLite+FTS5) + 评估 + forward return 回填
│   ├── hitl/                # 人工审批门 (Telegram 桩)
│   ├── lifecycle/           # 健康监控、checkpoint
│   └── backtest/            # 回测引擎 MVP（CLI / 数据拉取 / 撮合 / 报告）
├── evolution/                # 自演进引擎
│   ├── attribution.py       # skill × regime 离线归因（14 字段 + 混淆矩阵）
│   ├── cli.py               # evolution 命令行入口
│   ├── scheduler.py         # 盘后归因 / 生命周期 / 复盘调度器
│   ├── postmortem.py        # 9 类复盘归因与草案路由
│   ├── skill_health.py      # 技能健康度统计
│   ├── skill_lifecycle.py   # 技能生命周期管理 (QUARANTINE/ACTIVE/PATCHED/SUNSET/DISCARDED)
│   ├── walk_forward.py      # 前向验证
│   └── judge.py             # LLM-as-judge 双签评分
├── memory/                   # 记忆与技能
│   ├── MEMORY.md            # 市场经验记忆
│   ├── USER.md              # 用户偏好
│   ├── memory_tool.py       # 记忆读写工具
│   ├── skill_manage.py      # 技能管理
│   └── skills/              # 技能模板 (SKILL.md)
├── exchange/                 # 交易所适配
│   ├── base_exchange.py     # 交易所基类
│   ├── okx_exchange.py      # OKX 实现
│   └── okx_client_pool.py   # OKX 客户端池
├── indicators/               # 技术指标
│   └── technical.py         # RSI, MACD, BB 等
├── risk/                     # 风控模块 (兼容层 → harness/verification/policy_gate)
│   └── risk_manager.py
├── web/                      # Web 监控 + 回测可视化
│   ├── app.py               # FastAPI 应用 (含路由和 WebSocket)
│   ├── api/                 # 回测 REST/WS 路由
│   ├── frontend/            # Vue3 + Vite 回测前端工程
│   └── static/              # 静态产物 (含 / 与 /backtest)
└── utils/                    # 工具模块
    ├── logger.py            # 日志配置
    └── helpers.py           # 辅助函数

🚀 快速开始

1. 安装依赖

cd crypto_agent
pip install -r requirements.txt

2. 配置环境变量

cp .env.example .env

编辑 .env 文件，填入你的 API 密钥：

# OKX 交易所
OKX_API_KEY=your_api_key
OKX_SECRET_KEY=your_secret_key
OKX_PASSPHRASE=your_passphrase

# DeepSeek AI
DEEPSEEK_API_KEY=your_deepseek_api_key

# Reviewer LLM / LLM-as-Judge（必须和策略 LLM 不同）
POSTMORTEM_REVIEWER_PROVIDER=qwen
POSTMORTEM_REVIEWER_API_KEY=your_reviewer_key
POSTMORTEM_REVIEWER_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
POSTMORTEM_REVIEWER_MODEL=qwen-plus

# 交易配置
TRADING_SYMBOL=DOGE/USDT:USDT
TRADING_AMOUNT=100
TRADING_LEVERAGE=5
TRADING_TIMEFRAME=1m
TRADING_INTERVAL=120
TEST_MODE=true  # 先用测试模式

3. 启动系统

python main.py

4. 访问监控面板

打开浏览器访问: http://localhost:8888

🧪 回测功能使用（MVP）

快速命令

python -m harness.backtest \
  --strategy ai_hybrid_v4 \
  --start 2026-04-01 \
  --end 2026-04-30 \
  --symbol DOGE/USDT:USDT \
  --llm-mode replay \
  --initial-balance 10000 \
  --output-dir reports/

参数说明

参数	必填	说明
`--strategy`	是	策略名，如 `ai_hybrid_v4`
`--start` / `--end`	是	回测起止日期（ISO 格式）
`--symbol`	是	交易对，如 `DOGE/USDT:USDT`
`--llm-mode`	否	`replay`（回放历史）或 `rerun`（真实调用 LLM）
`--initial-balance`	否	初始资金（USDT）
`--timeframe`	否	K 线周期，默认 `1m`
`--output-dir`	否	报告输出目录，默认 `reports`
`--fidelity-check`	否	开启后对比实盘窗口偏差，超阈值返回失败码

输出结果

backtest_<run_id>.json：完整回测指标（收益、回撤、Sharpe 等）
backtest_<run_id>_trades.csv：逐笔交易记录

使用建议

先用 --llm-mode replay 做基线复盘，再切 rerun 观察当前模型漂移
实盘前至少做 30 天窗口回测，并关注最大回撤与 profit factor
首次使用请确认 .env 中仍为 TEST_MODE=true

🧬 自演进离线任务

离线归因会把 trace 聚合成 skill_performance 表，字段包括 avg_fwd_5m/30m/4h、最大回撤、简化 Sharpe、IC 与最近样本时间；混淆矩阵会写入 skill_regime_accuracy。

python -m evolution.cli attribution --since 2026-04-01 --window 30m
python -m evolution.cli attribution --confusion-matrix
python -m evolution.cli postmortem --dry-run --limit 200

自动调度默认关闭。要让主程序每天跑归因、生命周期和复盘，在 .env 里设置 EVOLUTION_SCHEDULER_ENABLED=true；reviewer LLM 如需真实调用，配置 POSTMORTEM_REVIEWER_PROVIDER/API_KEY/MODEL，且不能和策略 LLM 是同一个 provider+model。

🖥️ Backtest 可视化界面

访问入口

实时监控：http://localhost:8888/
回测中心：http://localhost:8888/backtest

回测中心能力

可视化创建回测任务（策略、时间区间、symbol、LLM 模式、初始资金、timeframe）
实时进度跟踪（WebSocket 推送进度、步数、ETA）
回测报告总览列表（状态、胜率、Sharpe、最大回撤）
详情页查看（KPI 卡片、资金曲线+回撤、成交明细、原始 JSON）
一键下载 trades.csv 与删除历史回测

前端开发与构建

# 1) 启动后端
python main.py

# 2) 新开终端，启动前端开发模式
cd web/frontend
npm install
npm run dev

Vite 已配置代理到 http://127.0.0.1:8888，浏览器访问 http://localhost:5173/backtest/ 即可联调。

生产构建：

cd web/frontend
npm run build

构建产物会输出到 web/static/backtest/，由 FastAPI 在 /backtest 路径托管。

🏗️ 架构说明

Agent 协作流程

MarketAgent (获取行情)
     │
     ▼ 市场数据
StrategyAgent (多策略分析)
     │
     ▼ 交易信号
RiskAgent (风险评估)
     │
     ▼ 通过/拒绝/修改
ExecutorAgent (执行交易)
     │
     ▼ 订单结果
LoggerAgent (记录日志)

Harness V2 信号链路

信号从生成到执行需经过多层护栏（harness/）：

行情 → 预算检查 → 策略分析(或降级) → Schema校验 → Sanity校验 → Policy门
  → RiskAgent → HITL审批门 → ExecutorAgent

预算超限时自动降级到纯技术指标策略，不消耗 LLM token
三层校验（Schema / Sanity / Policy）拦截格式错误、方向矛盾、仓位超限等异常信号
全链路写入 trace（SQLite + FTS5），支持事后检索与复盘

信号融合机制

支持两种策略模式，由 STRATEGY_MODE 配置：

single（默认）：使用单一策略，通过 ENABLED_STRATEGIES 指定
voting：加权投票融合多个策略

strategies/__init__.py 的 DEFAULT_WEIGHTS 给出默认权重（单策略时通常为 1.0，传统经典三件套用 0.4 / 0.3 / 0.3 的分布）。运行时可在 STRATEGY_REGISTRY 中注册新策略并按需覆盖权重。

风控规则

规则	默认值	说明
最大持仓比例	30%	单币种最大持仓
单笔止损	2%	单笔最大亏损
日止损	5%	单日最大亏损
最大杠杆	10x	允许的最大杠杆
连续亏损暂停	5次	自动暂停交易
每日最大交易	50次	单日交易上限

🛠️ 扩展开发

添加新策略

# strategies/my_strategy.py
from strategies.base_strategy import BaseStrategy
from core.message import Signal, SignalType, Confidence

class MyStrategy(BaseStrategy):
    def __init__(self):
        super().__init__(name="MyStrategy", weight=0.3)
    
    async def analyze(self, symbol, klines, market_data, position=None):
        # 实现你的分析逻辑
        return Signal(
            signal_type=SignalType.BUY,
            symbol=symbol,
            confidence=Confidence.HIGH,
            reason="我的分析理由",
            stop_loss=...,
            take_profit=...,
            strategy_name=self.name,
            weight=self.weight
        )

然后在 StrategyAgent 中注册：

self.strategies.append(MyStrategy())

添加新交易所

# exchange/binance_exchange.py
from exchange.base_exchange import BaseExchange

class BinanceExchange(BaseExchange):
    async def initialize(self):
        # 初始化连接
        pass
    
    async def fetch_ohlcv(self, symbol, timeframe, limit=100):
        # 获取K线
        pass
    
    # 实现其他必需方法...

⚠️ 风险提示

测试模式: 首次使用请务必开启测试模式 (TEST_MODE=true)
资金安全: 请使用小额资金测试，确保策略有效后再增加资金
API 权限: 建议使用只读 + 交易权限，不要授予提币权限
市场风险: 加密货币市场波动剧烈，请谨慎投资

📊 监控面板功能

账户概览: 余额、日盈亏、累计盈亏、胜率
价格走势: 实时 K 线图表
持仓监控: 当前持仓、盈亏状态
Agent 状态: 各 Agent 运行状态
交易记录: 历史交易列表
信号日志: 策略生成的信号
实时日志: 系统运行日志

🔧 配置说明

交易参数

参数	说明	默认值
TRADING_SYMBOL	交易对	DOGE/USDT:USDT
TRADING_AMOUNT	每笔交易张数	100
TRADING_LEVERAGE	杠杆倍数	5
TRADING_TIMEFRAME	K线周期	1m
TRADING_INTERVAL	分析间隔(秒)	120
TEST_MODE	测试模式	true

策略参数

参数	说明	默认值
ENABLED_STRATEGIES	启用的策略	ai_scalping
STRATEGY_MODE	策略模式	single
VOTE_THRESHOLD	投票阈值	0.4

LLM 预算参数

参数	说明	默认值
LLM_DAILY_TOKEN_LIMIT	日 token 预算	200000
LLM_PER_CALL_TOKEN_LIMIT	单次调用 token 上限	4000

超出预算时 StrategyAgent 自动降级到纯技术指标策略，不再调用 LLM。

风控参数

参数	说明	默认值
MAX_POSITION_RATIO	最大持仓比例	0.3
STOP_LOSS_RATIO	单笔止损比例	0.02
DAILY_STOP_LOSS_RATIO	日止损比例	0.05
MAX_LEVERAGE	最大杠杆倍数	10
MAX_CONSECUTIVE_LOSSES	连续亏损暂停	5
MAX_DAILY_TRADES	每日最大交易次数	50

📝 开发日志

v1.0 — Agent 框架 / DeepSeek 集成 / 技术指标策略 / 基础风控 / Web 监控面板
v2.0 — Harness V2 重构（参见 docs/HARNESS_V2_IMPLEMENTATION_GUIDE.md）
- 三层信号验证（schema / sanity / policy_gate）
- LLM 预算管理 + 超预算自动降级
- Context engineering：K线摘要、regime tagger、PromptBuilder + frozen snapshot
- 全链路 trace（SQLite + FTS5）+ forward return 回填
- Memory + Skills 基础设施（含 frontmatter metadata.quant）
- HITL Telegram 审批门（桩）+ Lifecycle health/checkpoint
v2.1 — 回测框架 + 策略接入 Context 层
- harness/backtest/ MVP CLI（replay / rerun）
- 所有 AI 策略迁移至 BaseAIStrategy 模板
- 新增 PromptOnlyAIStrategy 与 prompt_only_ai_strategy.py
- Backtest 可视化前端（Vue3 + Vite）+ FastAPI 后端
v2.2 — LLM 决策灵活化 + Skill 演化闭环（详见 docs/spec/tasks.md）
- decision_schema 四态（EXECUTE / REJECT / ADJUST / HOLD）解放 LLM 决策空间
- 策略侧统一写回 skill_used，trace fine_regime 列
- Skill 混合检索（regime + tape_signature + 触发类型）
- evolution/attribution.py 离线归因（skill × regime → skill_performance / skill_regime_accuracy）
- Postmortem 9 类归因、双签 patch、Skill draft 与 Skill lifecycle 持久化

📄 许可证

MIT License

如有问题或建议，欢迎提交 Issue 或 PR

Name		Name	Last commit message	Last commit date
Latest commit History 12 Commits
.idea		.idea
agents		agents
config		config
core		core
evolution		evolution
exchange		exchange
harness		harness
indicators		indicators
memory		memory
risk		risk
strategies		strategies
tests		tests
utils		utils
web		web
.env.example		.env.example
.gitignore		.gitignore
DESIGN.md		DESIGN.md
README.md		README.md
crypto_agent.log		crypto_agent.log
main.py		main.py
requirements.txt		requirements.txt

Folders and files

Latest commit

History

Repository files navigation

🤖 Crypto Agent - 智能加密货币量化交易机器人

✨ 特性

📁 项目结构

🚀 快速开始

1. 安装依赖

2. 配置环境变量

3. 启动系统

4. 访问监控面板

🧪 回测功能使用（MVP）

快速命令

参数说明

输出结果

使用建议

🧬 自演进离线任务

🖥️ Backtest 可视化界面

访问入口

回测中心能力

前端开发与构建

🏗️ 架构说明

Agent 协作流程

Harness V2 信号链路

信号融合机制

风控规则

🛠️ 扩展开发

添加新策略

添加新交易所

⚠️ 风险提示

📊 监控面板功能

🔧 配置说明

交易参数

策略参数

LLM 预算参数

风控参数

📝 开发日志

📄 许可证

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages