Overview
基于 1780 行印度股市实战经验的量化交易系统。 功能 🎯 交互式机器人生成向导
启动向导
./scripts/wizard.sh
5. 分析表现
📊 16 个知识领域 Zerodha 集成 - Tick size 四舍五入、仓位对账、止损生命周期 回测-实盘一致性 - 数据缓存、T vs T-1 对齐、VWAP 重置 信号生成 - Fortress 信号（65% 胜率）、多因子确认 调仓逻辑 - 周频 vs 日频、交易成本建模 股票池选择 - 流动性过滤、动量评分 性能优化 - Parquet（28x）、Polars 向量化（37x） 印度市场特性 - 交易时段、熔断机制、T+1 结算 失败模式 - 5 个生产问题 + 修复 指标公式 - RSI、MACD、ATR、ADX、VWAP、EMA 多时间框架 - 日内 vs 波段、MTF 对齐 日志可观测 - 结构化日志、实时监控 交易后分析 - P&L 分解、夏普比率、回撤分析 信号归因 - 追踪哪个指标触发 退出策略 - 时间衰减、追踪止损、部分退出 风险管理 - Kelly Criterion、组合热度 资金复利 - 市场状态检测、牛市放大 ⚠️ 30+ 常见陷阱 🔥 关键：Tick Size 四舍五入 错误：kite.place_order(price=1847.35, ...) 报错："Tick size for this script is 5.00" 修复：price = round(price / tick_size) * tick_size # 1847.35 → 1850.00 影响：90% 订单拒绝是 tick size 错误 🔥 关键：VWAP 必须每日重置 错误：跨天累计 VWAP 症状：回测 65% 胜率，实盘 40% 修复：开盘时重置（9:15） 影响：回测-实盘不一致的第一大原因 使用方法 生成第一个交易机器人 ./scripts/wizard.sh 向导会问： 交易风格：日内、波段、持仓 股票池：Nifty 50、中盘、自定义 策略：动量、VWAP 回调、开盘突破 资金：起始资金和单笔风险 风险偏好：保守（0.5%）、平衡（1%）、激进（2%） 获取股票池
从 NSE 获取最新成分股
./scripts/universe-fetch.sh --indices nifty50,nifty100,midcap150 分析现有代码 ./scripts/check-code.sh ./my_trading_bot.py
输出：
⚠️ 发现 3 个问题：
- Tick size 未四舍五入（第 45 行）- 会导致订单拒绝
- VWAP 未每日重置（第 89 行）- 回测实盘不一致
- 无股票冷却期（第 120 行）- 报复交易风险
性能基准 优化之前之后提升Parquet 缓存2.3s0.08s28.7xPolars 向量化450ms12ms37.5xAPI 批量请求15 次1 次15x预计算指标180ms90ms2x总回测时间5 min12 sec25x 文件结构 quant-trading-cn/ ├── SKILL.md # 本文件 ├── KNOWLEDGE.md # 16 个领域（1780 行） ├── NUANCES.md # 30+ 陷阱 ├── scripts/ │ ├── wizard.sh # 交互式向导 │ ├── universe-fetch.sh # 股票池获取 │ └── check-code.sh # 代码检查 └── references/ ├── KNOWLEDGE_en.md # 原始英文版 └── NUANCES_en.md # 原始英文版 A 股适配 本项目基于印度市场，但可适配 A 股： 印度A 股Zerodha雪球/同花顺Nifty 50沪深 300Nifty Midcap中证 500T+1 结算T+1 结算9:15-15:309:30-15:00 注意事项 ⚠️ 本 skill 提供教育性指导，不保证盈利。交易有风险，仅用可承受资金。 版本: 1.0.0 来源: skill-algotrader
SKILL.md file
Preview raw SKILL.md. Open the full source below. Scroll, inspect, then download the exact SKILL.md file if you want the original.
# quant-trading-cn
量化交易专家
基于 1780 行印度股市实战经验的量化交易系统。
功能
🎯 交互式机器人生成向导
# 启动向导
./scripts/wizard.sh
# 选择：
# 1. 从头生成交易机器人
# 2. 增强现有代码（修复问题、优化）
# 3. 从实时指数数据创建股票池
# 4. 运行回测对比
# 5. 分析表现
📊 16 个知识领域
Zerodha 集成 - Tick size 四舍五入、仓位对账、止损生命周期
回测-实盘一致性 - 数据缓存、T vs T-1 对齐、VWAP 重置
信号生成 - Fortress 信号（65% 胜率）、多因子确认
调仓逻辑 - 周频 vs 日频、交易成本建模
股票池选择 - 流动性过滤、动量评分
性能优化 - Parquet（28x）、Polars 向量化（37x）
印度市场特性 - 交易时段、熔断机制、T+1 结算
失败模式 - 5 个生产问题 + 修复
指标公式 - RSI、MACD、ATR、ADX、VWAP、EMA
多时间框架 - 日内 vs 波段、MTF 对齐
日志可观测 - 结构化日志、实时监控
交易后分析 - P&L 分解、夏普比率、回撤分析
信号归因 - 追踪哪个指标触发
退出策略 - 时间衰减、追踪止损、部分退出
风险管理 - Kelly Criterion、组合热度
资金复利 - 市场状态检测、牛市放大
⚠️ 30+ 常见陷阱
🔥 关键：Tick Size 四舍五入
错误：kite.place_order(price=1847.35, ...)
报错："Tick size for this script is 5.00"
修复：price = round(price / tick_size) * tick_size # 1847.35 → 1850.00
影响：90% 订单拒绝是 tick size 错误
🔥 关键：VWAP 必须每日重置
错误：跨天累计 VWAP
症状：回测 65% 胜率，实盘 40%
修复：开盘时重置（9:15）
影响：回测-实盘不一致的第一大原因
使用方法
生成第一个交易机器人
./scripts/wizard.sh
向导会问：
交易风格：日内、波段、持仓
股票池：Nifty 50、中盘、自定义
策略：动量、VWAP 回调、开盘突破
资金：起始资金和单笔风险
风险偏好：保守（0.5%）、平衡（1%）、激进（2%）
获取股票池
# 从 NSE 获取最新成分股
./scripts/universe-fetch.sh --indices nifty50,nifty100,midcap150
分析现有代码
./scripts/check-code.sh ./my_trading_bot.py
# 输出：
⚠️ 发现 3 个问题：
1. Tick size 未四舍五入（第 45 行）- 会导致订单拒绝
2. VWAP 未每日重置（第 89 行）- 回测实盘不一致
3. 无股票冷却期（第 120 行）- 报复交易风险
性能基准
优化之前之后提升Parquet 缓存2.3s0.08s28.7xPolars 向量化450ms12ms37.5xAPI 批量请求15 次1 次15x预计算指标180ms90ms2x总回测时间5 min12 sec25x
文件结构
quant-trading-cn/
├── SKILL.md # 本文件
├── KNOWLEDGE.md # 16 个领域（1780 行）
├── NUANCES.md # 30+ 陷阱
├── scripts/
│ ├── wizard.sh # 交互式向导
│ ├── universe-fetch.sh # 股票池获取
│ └── check-code.sh # 代码检查
└── references/
├── KNOWLEDGE_en.md # 原始英文版
└── NUANCES_en.md # 原始英文版
A 股适配
本项目基于印度市场，但可适配 A 股：
印度A 股Zerodha雪球/同花顺Nifty 50沪深 300Nifty Midcap中证 500T+1 结算T+1 结算9:15-15:309:30-15:00
注意事项
⚠️ 本 skill 提供教育性指导，不保证盈利。交易有风险，仅用可承受资金。
版本: 1.0.0
来源: skill-algotrader
Preview raw SKILL.md. Open the full source below. Scroll, inspect, then download the exact SKILL.md file if you want the original.
# quant-trading-cn
量化交易专家
基于 1780 行印度股市实战经验的量化交易系统。
功能
🎯 交互式机器人生成向导
# 启动向导
./scripts/wizard.sh
# 选择：
# 1. 从头生成交易机器人
# 2. 增强现有代码（修复问题、优化）
# 3. 从实时指数数据创建股票池
# 4. 运行回测对比
# 5. 分析表现
📊 16 个知识领域
Zerodha 集成 - Tick size 四舍五入、仓位对账、止损生命周期
回测-实盘一致性 - 数据缓存、T vs T-1 对齐、VWAP 重置
信号生成 - Fortress 信号（65% 胜率）、多因子确认
调仓逻辑 - 周频 vs 日频、交易成本建模
股票池选择 - 流动性过滤、动量评分
性能优化 - Parquet（28x）、Polars 向量化（37x）
印度市场特性 - 交易时段、熔断机制、T+1 结算
失败模式 - 5 个生产问题 + 修复
指标公式 - RSI、MACD、ATR、ADX、VWAP、EMA
多时间框架 - 日内 vs 波段、MTF 对齐
日志可观测 - 结构化日志、实时监控
交易后分析 - P&L 分解、夏普比率、回撤分析
信号归因 - 追踪哪个指标触发
退出策略 - 时间衰减、追踪止损、部分退出
风险管理 - Kelly Criterion、组合热度
资金复利 - 市场状态检测、牛市放大
⚠️ 30+ 常见陷阱
🔥 关键：Tick Size 四舍五入
错误：kite.place_order(price=1847.35, ...)
报错："Tick size for this script is 5.00"
修复：price = round(price / tick_size) * tick_size # 1847.35 → 1850.00
影响：90% 订单拒绝是 tick size 错误
🔥 关键：VWAP 必须每日重置
错误：跨天累计 VWAP
症状：回测 65% 胜率，实盘 40%
修复：开盘时重置（9:15）
影响：回测-实盘不一致的第一大原因
使用方法
生成第一个交易机器人
./scripts/wizard.sh
向导会问：
交易风格：日内、波段、持仓
股票池：Nifty 50、中盘、自定义
策略：动量、VWAP 回调、开盘突破
资金：起始资金和单笔风险
风险偏好：保守（0.5%）、平衡（1%）、激进（2%）
获取股票池
# 从 NSE 获取最新成分股
./scripts/universe-fetch.sh --indices nifty50,nifty100,midcap150
分析现有代码
./scripts/check-code.sh ./my_trading_bot.py
# 输出：
⚠️ 发现 3 个问题：
1. Tick size 未四舍五入（第 45 行）- 会导致订单拒绝
2. VWAP 未每日重置（第 89 行）- 回测实盘不一致
3. 无股票冷却期（第 120 行）- 报复交易风险
性能基准
优化之前之后提升Parquet 缓存2.3s0.08s28.7xPolars 向量化450ms12ms37.5xAPI 批量请求15 次1 次15x预计算指标180ms90ms2x总回测时间5 min12 sec25x
文件结构
quant-trading-cn/
├── SKILL.md # 本文件
├── KNOWLEDGE.md # 16 个领域（1780 行）
├── NUANCES.md # 30+ 陷阱
├── scripts/
│ ├── wizard.sh # 交互式向导
│ ├── universe-fetch.sh # 股票池获取
│ └── check-code.sh # 代码检查
└── references/
├── KNOWLEDGE_en.md # 原始英文版
└── NUANCES_en.md # 原始英文版
A 股适配
本项目基于印度市场，但可适配 A 股：
印度A 股Zerodha雪球/同花顺Nifty 50沪深 300Nifty Midcap中证 500T+1 结算T+1 结算9:15-15:309:30-15:00
注意事项
⚠️ 本 skill 提供教育性指导，不保证盈利。交易有风险，仅用可承受资金。
版本: 1.0.0
来源: skill-algotrader
Comments & Discussion
Add a comment