Crypto Self-Learning

核心用法

Crypto Self-Learning 是一套面向加密货币交易者的AI驱动自改进系统，核心工作流程分为四步：

1. 交易记录：每次交易后运行 log_trade.py，记录交易对、方向、价格、盈亏百分比、使用的技术指标、市场宏观环境（如美元指数、罗素指数）及交易理由
2. 性能分析：通过 analyze.py 发现隐藏模式——例如按星期几的胜率、RSI区间表现、杠杆倍数与胜率关系
3. 规则生成：generate_rules.py 从数据中自动提取可执行规则，如"RSI>70时做多胜率仅23%，建议规避"
4. 记忆更新：update_memory.py 将学习到的规则自动写入MEMORY.md，供后续交易决策参考

显著优点

• 数据驱动决策：摆脱主观直觉，用历史胜率指导交易
• 全上下文记录：不仅记盈亏，还保留入场时的市场状态，便于复盘
• 自动化闭环：从记录→分析→规则→记忆更新，无需手动整理
• 渐进式优化：交易越多，规则越精准，形成个人专属交易系统

局限性与风险

• 样本量依赖：初期交易次数少时，统计结论可能不可靠
• 过拟合风险：历史规律未必适用于未来市场结构变化
• 数据完整性要求：漏记亏损交易会严重扭曲分析结果
• 无实时风控：本系统为事后分析工具，不包含仓位管理或止损执行

适合人群

• 有一定Python/命令行基础的活跃交易者
• 希望建立可量化、可迭代交易系统的进阶用户
• 愿意坚持记录每笔交易的纪律型交易者

常规风险提醒

⚠️ 所有生成的规则均基于历史数据，不构成投资建议。加密货币市场高波动，过往表现不代表未来收益。建议配合独立风控系统使用。

核心功能

Crypto Self-Learning 是一款专为加密货币交易者设计的本地化自学习系统，通过记录、分析、迭代三步循环帮助用户提升交易胜率。

核心用法

1. 交易日志记录 (log_trade.py)：每笔交易结束后记录完整上下文，包括交易对、方向、价格、盈亏、技术指标（RSI/MACD/均线）、市场环境（DXY/大盘/时间）及主观判断
2. 模式分析 (analyze.py)：自动计算多维度胜率统计——按方向（多空）、星期、RSI区间、杠杆倍数等切片分析
3. 规则生成 (generate_rules.py)：从数据中提取可执行规则，如"RSI>70时做多胜率仅23%，建议回避"
4. 记忆更新 (update_memory.py)：将学习到的规则自动写入 MEMORY.md，形成交易决策辅助

显著优点

• 零外部依赖：仅使用 Python 标准库，无第三方包，供应链攻击面极小
• 完全离线运行：无网络请求，交易数据本地 JSON 存储，隐私风险可控
• 数据驱动决策：将主观交易经验转化为可量化的统计规则，减少情绪干扰
• 渐进式优化：每周运行 review 可追踪胜率变化趋势，形成复利效应

局限性与风险

• T3 来源可信度：由个人/社区开发者维护，非顶级开源基金会作品，建议代码审查
• 数据质量依赖：若用户选择性记录（漏记亏损交易），分析结果将严重失真
• 过拟合风险：小样本下（如某特定 RSI 区间仅3笔交易）统计结论可能不可靠
• 无实时风控：系统仅作事后分析，不提供仓位管理、止损计算等实时交易功能
• MEMORY.md 修改风险：自动更新功能可能误改用户记忆文件，需配合 --dry-run 使用

适合人群

• 有编程基础、愿意坚持记录每笔交易的纪律型交易者
• 希望用数据验证/纠偏主观交易策略的量化爱好者
• 对第三方交易日志工具隐私顾虑较重的用户

常规风险

| 风险项 | 等级 | 说明 |

|--------|------|------|

| 本地数据明文存储 | 低 | trades.json 无加密，需设置 600 权限 |

| 输入验证不足 | 低 | symbol/indicators 等参数需加强校验 |

| 文件修改操作 | 低 | update_memory.py 可能误改 MEMORY.md，建议先备份 |