核心用法
crypto-self-learning 是一套完整的加密货币交易复盘与自学习系统，核心工作流分为四个环节：交易记录、数据分析、规则生成、记忆更新。用户需在每笔交易（无论盈亏）后通过 log_trade.py 记录完整交易上下文，包括交易对、方向、价格、盈亏百分比、技术指标（RSI、MACD、均线位置等）以及市场环境（BTC趋势、美元指数、罗素指数、交易时段等）。系统将这些数据持久化存储在本地 JSON 文件中，支持通过 analyze.py 进行多维度统计分析，识别胜率与特定条件的关联性。generate_rules.py 基于统计结果自动生成可执行的交易建议，如"避免RSI>70时做多"、"周一做空胜率78%"等。最终通过 update_memory.py 将学习到的规则写入用户指定的 MEMORY.md 文件，形成闭环优化。
显著优点
该系统的最大优势在于完全离线运行，不涉及任何网络请求或外部API调用，交易数据完全本地化存储，隐私性极强。其次，数据驱动的规则生成避免了主观偏见，通过大样本统计发现真实有效的模式而非依赖直觉。系统设计高度模块化，四个脚本各司其职，既可独立使用也可组合成完整工作流。此外，灵活的上下文记录允许用户自定义指标和市场条件字段，适应不同交易策略的需求。与 tess-cripto 等交易系统的集成设计，使其能无缝嵌入现有交易流程。
潜在缺点与局限性
首要局限是数据质量完全依赖用户输入，若用户选择性记录（如隐瞒亏损交易）或输入错误数据，分析结果将严重失真。其次，统计显著性不足，对于交易频率较低的用户，样本量过小可能导致规则不可靠（如"周一做空胜率78%"仅基于9笔交易）。系统缺乏回测功能，生成的规则基于历史交易记录而非完整市场数据，可能存在幸存者偏差。此外，技术指标需手动输入，无法自动从交易所或行情软件抓取，增加了使用门槛。最后，规则更新采用追加写入模式，长期运行可能导致 MEMORY.md 文件臃肿。
适合的目标群体
该技能最适合有编程基础、注重数据复盘的中高频加密货币交易者，尤其是使用量化或半量化策略的日内/波段交易者。对于已经建立稳定交易框架、希望用数据验证和优化策略的交易者价值最大。同时适合交易团队或社区进行多账户数据汇总分析。不适合完全依赖直觉的佛系投资者，或交易频率极低（月均不足5笔）导致样本不足的用户。对隐私敏感、不愿将交易数据上传至第三方平台的用户也是理想受众。
使用风险
数据丢失风险：所有数据存储于本地 JSON 文件，无自动备份机制，误删或磁盘损坏将导致历史记录永久丢失。过度拟合风险：小样本下生成的规则可能是随机噪声，盲目遵循可能造成损失。路径覆盖风险：update_memory.py 的 --memory-path 参数允许指定任意文件路径，操作不当可能覆盖重要文档。心理依赖风险：系统可能强化"数据万能"错觉，忽视市场结构变化导致的策略失效。性能瓶颈：长期积累数千笔交易后，JSON 文件的读写和解析速度可能下降，建议定期归档历史数据。