量化交易系统快速启动

快速开始指南

环境要求

  • Python: >= 3.12
  • TimescaleDB: PostgreSQL 12+ 并启用 TimescaleDB 扩展
  • uv: 推荐用于包管理(pip install uvbrew install uv

1. 克隆与安装

cd Trading-in-websocket
uv sync
# 或使用 pip
# pip install -e .

2. 配置环境变量

复制 .env.example.env(若存在),或新建 .env 并填写:

# TimescaleDB
TIMESCALEDB_HOST=127.0.0.1
TIMESCALEDB_PORT=5432
TIMESCALEDB_NAME=crypto_data
TIMESCALEDB_USER=postgres
TIMESCALEDB_PASSWORD=your_password

# 飞书告警(必需)
LARKBOT_ID=your_lark_bot_webhook_id

# 可选:飞书告警邮箱
LARK_ALERT_EMAIL=your@email.com

若启用自动交易,还需配置:

TRADING_ENABLED=true
HYPERLIQUID_PRIVATE_KEY=your_64_hex_private_key
TRADING_NETWORK=testnet   # 或 mainnet

3. 数据库初始化

确保 TimescaleDB 中已创建所需表和超表(hypertables)。项目可能提供迁移脚本,请参考项目根目录的 SQL 或迁移说明。典型表包括:

  • klines:K 线数据
  • symbol_metadata:币种元数据
  • analysis_results:分析结果(Z-score、相关性等)

4. 启动服务

仅分析模式(不执行交易)

HYPE/PURR 配对专用(推荐)

uv run python -m src.services.realtime_kline_service_hype

该命令会:

  • 连接 Hyperliquid WebSocket
  • 订阅 HYPE/USDC:USDC 与 PURR/USDC:USDC 的 5m/1h/4h K 线
  • 实时分析并写入 analysis_results
  • Z-score 异常时发送飞书告警

全币种通用监控(多币种 K 线订阅与分析,不执行交易):

uv run python -m src.services.realtime_kline_service

启用交易(需配置私钥)

.env 中设置 TRADING_ENABLED=trueHYPERLIQUID_PRIVATE_KEY 后,运行 HYPE/PURR 服务:

uv run python -m src.services.realtime_kline_service_hype

服务启动时会:

  1. 执行数据自愈(检测并修复历史数据断层)
  2. 将历史 zscore_4h 灌入策略引擎
  3. 恢复本地记录的活跃仓位
  4. 启动止损监控和仓位同步线程
  5. 当策略产生入场/出场信号时执行交易

5. 常用脚本

脚本 说明
src/scripts/backfill_all_data.py 回填历史 K 线数据
src/scripts/backfill_analysis_results.py 回填分析结果
src/scripts/backtest_purr_hype_zscore_4h_hyperliquid.py HYPE/PURR 4h Z-score 回测
src/scripts/backtest_adaptive_zscore.py Adaptive Z-Score 策略回测
src/scripts/query_analyze_result/query_purr_zscore.py 查询 PURR Z-score
src/scripts/query_analyze_result/query_eth_zscore.py 查询 ETH Z-score
src/scripts/validate_data_consistency.py 校验数据一致性
src/scripts/fix_buffer_loading.py 缓冲区加载修复

6. 停止服务

在运行终端按 Ctrl+C 即可优雅关闭。服务会:

  • 停止 WebSocket 订阅
  • 等待队列中的批量写入完成
  • 停止交易监控线程

7. 故障排查

问题 建议
连接 TimescaleDB 失败 检查 .env 中的数据库配置,确认 PostgreSQL/TimescaleDB 已启动
飞书告警无消息 确认 LARKBOT_ID 已正确配置
交易执行失败 检查 HYPERLIQUID_PRIVATE_KEYTRADING_NETWORK,确认账户余额
数据自愈超时 增大 HEALING_TIMEOUT_SECONDS 或检查网络与 API 限流

Read more

跑步的技巧(滚动落地)

“滚动落地(rolling contact / rolling foot strike)”不是一种教条式的“脚法”,而是一种 让冲击沿着整只脚、整条后链逐级传递的落地机制。 它的核心不是“你先用哪儿着地”,而是: 你的脚落地之后,冲击是不是像轮子一样滚过去,而不是像锤子一样砸下去。 这就是滚动落地的本质。 一、什么叫“滚动落地”? 你可以把它理解成两种完全不同的落地方式: 1. 砸地(撞击式) 脚像锤子一样拍到地上: * 要么后跟先砸 * 要么前掌先戳 * 冲击集中在一个点 * 一个结构瞬间吃掉大部分载荷 结果就是: * 后跟砸 → 膝盖难受 * 前掌戳 → 前脚掌磨烂 * 都不是长跑友好模式 这叫 撞击式着地(impact strike)。 2. 滚地(滚动式) 脚像轮胎一样“滚”过地面: * 不是某一点硬砸 * 而是外侧中足先轻触 * 再向前滚到前掌 * 最后从大脚趾蹬离

By SHI XIAOLONG

AMI的优越性

世界模型(World Models)的具体例子 如下,我按类型分类,便于理解。每类都附带实际实现、演示效果和应用场景。 1. Yann LeCun / Meta 的 JEPA 系列(最直接对应“世界模型”概念) 这些是 LeCun 主张的非生成式抽象预测世界模型代表。 * I-JEPA(Image JEPA,2023) 输入一张图像,模型把不同区域(context 和 target)编码成抽象表示,然后预测 target 的表示(不在像素级别重建)。 例子:给定一张遮挡了部分物体的图片,模型能预测“被遮挡物体的大致位置和属性”,构建对物体持久性和空间关系的理解。 这是一个“原始世界模型”,能学习物理常识(如物体不会凭空消失)。 * V-JEPA / V-JEPA 2(Video JEPA,

By SHI XIAOLONG

什么是:“世界模型(World Models)”

世界模型(World Models) 是人工智能领域的一个核心概念,尤其在 Yann LeCun 等研究者推动的下一代 AI 架构中占据中心位置。它指的是 AI 系统在内部构建的对现实世界的抽象模拟或内部表示,让机器能够像人类或动物一样“理解”物理世界、预测未来、规划行动。 简单比喻 想象你闭上眼睛也能“看到”房间里的物体会如何移动、碰撞或掉落——这就是你大脑里的世界模型。AI 的世界模型就是类似的“数字孪生”(digital twin)或“内部模拟器”:它不是简单记住数据,而是学习世界的动态、因果关系和物理直觉(如重力、物体持久性、遮挡、因果等)。 为什么需要世界模型? 当前主流的大型语言模型(LLM) 擅长处理文本(统计模式预测),但存在根本局限: * 缺乏对物理世界的真正理解 → 容易“幻觉”、无法可靠规划。 * 样本效率低 → 人类/

By SHI XIAOLONG

K线周期可配置化设计方案

K线周期可配置化设计方案 1. 背景与目标 当前 Beta 套利策略的 K 线周期硬编码为 "1h",分散在多个文件中。需要: 1. 将 K 线周期从 1h 改为 2h 2. 提取为环境变量 BETA_ARB_KLINE_INTERVAL,使其可在 .env 中配置 2. 影响范围分析 2.1 需要修改的文件(共 6 个) 文件 硬编码位置 修改内容 src/trading/config.py BetaArbConfig dataclass 新增 kline_interval 字段,

By SHI XIAOLONG