系统架构设计图

系统架构说明

整体架构

系统采用分层架构,核心分为:数据层服务层策略层执行层

┌─────────────────────────────────────────────────────────────────────────┐
│                        Hyperliquid WebSocket API                         │
│                    (K线 5m/1h/4h + L2 Book + 订单)                        │
└────────────────────────────────┬────────────────────────────────────────┘
                                 │
                                 ▼
┌─────────────────────────────────────────────────────────────────────────┐
│                    EnhancedWebSocketManager                              │
│             (假活检测、自动重连、指数退避、状态机)                          │
└────────────────────────────────┬────────────────────────────────────────┘
                                 │
         ┌───────────────────────┼───────────────────────┐
         ▼                       ▼                       ▼
┌─────────────────┐   ┌──────────────────┐   ┌─────────────────────────┐
│ K线 on_message  │   │ L2 Book 缓存     │   │ 订单/仓位事件            │
│ (kline_buffer)  │   │ (供执行层使用)    │   │ (供交易模块订阅)          │
└────────┬────────┘   └──────────────────┘   └─────────────────────────┘
         │
         ▼
┌─────────────────────────────────────────────────────────────────────────┐
│              RealtimeKlineServiceBase / RealtimeKlineServiceHypePurr     │
│  • 批量写入 TimescaleDB (COPY)                                           │
│  • 5m 推送触发分析 → analyze_multi_period → Z-score + 相关性              │
│  • 去重窗口保护 (ENQUEUE_DEDUP / DEDUP_WINDOWS)                          │
│  • KlineDataFillerLazy 补充缺失 K 线                                     │
└────────────────────────────────┬────────────────────────────────────────┘
                                 │
                                 ▼
┌─────────────────────────────────────────────────────────────────────────┐
│                        TradingOrchestrator                               │
│  • process_analysis() 接收分析结果                                       │
│  • 调用 AdaptiveBollingerStrategy.process_tick() 获取入场/出场信号        │
│  • on_entry_signal / on_exit_signal 执行开仓/平仓                         │
└────────────────────────────────┬────────────────────────────────────────┘
                                 │
         ┌───────────────────────┼───────────────────────┐
         ▼                       ▼                       ▼
┌─────────────────┐   ┌──────────────────┐   ┌─────────────────────────┐
│ PositionManager │   │ RiskManager      │   │ HyperliquidExecutor     │
│ 仓位管理/同步    │   │ 风控/止损/熔断   │   │ REST + WebSocket 下单    │
└─────────────────┘   └──────────────────┘   └─────────────────────────┘

核心模块说明

1. 实时 K 线服务

组件 文件 说明
入口 src/services/realtime_kline_service_hype.py HYPE/PURR 配对专用服务(类名 RealtimeKlineServiceHypePurr),订阅 6 个 K 线流(2 币种 × 3 周期)
基类 src/services/realtime_kline_service_base.py 抽象基类,包含 90% 公共逻辑;子类实现 4 个抽象方法
通用 src/services/realtime_kline_service.py 全币种通用监控服务(RealtimeKlineService
分析 src/utils/analysis/analysis_core.py 多周期分析:相关性、协整、Z-score、异常检测

数据流

  1. WebSocket 收到 K 线 → 入队 kline_buffer
  2. 批量写入线程 _batch_writer 异步写入 TimescaleDB
  3. 5m K 线到达时(受去重保护)→ 触发 _analyze_and_alert
  4. analyze_multi_period() 计算 5m/1h/4h Z-score、相关性
  5. 若交易启用,调用 TradingOrchestrator.process_analysis()

2. 交易模块

组件 文件 说明
编排器 src/trading/orchestrator.py 统一入口:初始化、信号分发、监控线程
策略 src/trading/strategy.py AdaptiveBollingerStrategy:z4h 缓冲区 → EMA → Welford std → adaptive_z 突破检测
仓位 src/trading/position_manager.py 仓位恢复、交易所同步、孤儿仓位收纳
风控 src/trading/risk_manager.py 固定止损、移动止损、持仓超时、熔断
执行 src/trading/executor.py HyperliquidExecutor:REST 下单 + WebSocket 订单追踪

策略逻辑

  • 入场:abs(adaptive_z) >= threshold 且突破检测,并受 min_zscore_abs 过滤;策略参数支持按币种覆盖(StrategyParams / TRADING_STRATEGY_OVERRIDE_SYMBOLS
  • 出场:均值回归(adaptive_z 回归到 entry_adaptive_z * reversion_factor
  • 冷却:strategy_cooldown_minutes 内不重复入场

3. 数据自愈

组件 文件 说明
编排 src/utils/data_healing/orchestrator.py heal_and_prepare() 四阶段:加载 → 诊断 → 修复 → 评估
检测 src/utils/data_healing/continuity_checker.py 检测 gap / stale / shortfall
修复 src/utils/data_healing/repair_executor.py 通过 REST API 补全缺失 K 线
评估 src/utils/data_healing/quality_assessor.py 质量等级(ready / warmup / degraded / failed)

交易模块启动前会先执行数据自愈,将历史 zscore_4h 灌入策略引擎,避免冷启动无效信号。

4. WebSocket 管理器

组件 文件 说明
管理器 src/utils/websocket/enhanced_ws_manager.py 双重健康检测、指数退避重连、事件发布
事件 src/events/ EventBus、PositionUpdatedEvent、OrderFilledEvent、CandleUpdatedEvent 等

5. 数据库

组件 文件 说明
客户端 src/utils/database/timescaledb.py 连接池(psycopg 3.x)、COPY 批量写入
仓库 同文件 KlineRepository、SymbolMetadataRepository、AnalysisResultRepository

数据流概要

Hyperliquid WS → K线 → kline_buffer → _batch_writer → TimescaleDB
                    → 5m 触发 → analyze_multi_period → Z-score/相关性
                    → process_analysis → strategy.process_tick → 信号
                    → on_entry/on_exit → executor → 交易所

配置层次

  1. 全局配置 src/config.py:TimescaleDB、WebSocket、分析参数、队列、飞书
  2. 交易配置 src/trading/config.py:从 .env 加载,load_trading_config() 返回 TradingConfig
  3. 服务配置 ServiceConfig:基类中由子类 _get_config_params() 提供

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