实盘复盘方法论

1. 复盘目标与范围

本方法论面向使用 Freqtrade 进行加密货币量化交易（spot/futures）的实盘复盘，目标是：

明确策略是否在当前市场环境下有效（可解释、可度量、可复现）。
找出主要的收益来源与风险来源，定位可优化环节（择时/仓位/风控/执行）。
形成日/周复盘闭环：发现问题 → 提出假设 → 小流量实验 → 验证落地。

建议先阅读数据结构说明：trades、orders、pairlocks、trade_custom_data 字段定义与含义，见《SQLite 数据库的表结构》。

2. 数据准备与标准化 (Data Preparation)

（1）确定复盘周期：明确本次复盘的时间范围，例如"最近30天"、"自上次复盘以来"或"2025年7月1日至8月15日"；（2）导出核心数据：包括交易数据、性能图表、日志文件。

数据源：
- trades：单笔交易生命周期与收益归因核心表。
- orders：下单/部分成交/取消的执行细节，计算滑点、成交均价等。
- pairlocks：风控冻结（冷静期），理解空窗期与信号压制的影响。
- trade_custom_data：策略自定义埋点（标签、特征快照、调试信息）。
需要特别注意以下几点：
- 时区统一为 UTC（可在展示层转换本地时区）。
- 仅使用已平仓数据做收益统计：WHERE is_open = 0。
- 现货/合约字段差异：合约特有字段在现货下通常为空（如 leverage、liquidation_price）。
- 交易对规范：symbol 可能包含后缀，统一用 pair 做聚合更稳妥。

3. 宏观性能评估 (Macro Performance Review)

（1）收益类：

总收益/累计收益：SUM(close_profit_abs)；
平均收益率：AVG(close_profit)。
胜率：SUM(close_profit > 0)/COUNT(*)；
盈亏比：AVG(盈利)/ABS(AVG(亏损))。
收益期望（Expectancy）：胜率*平均盈利 - 败率*平均亏损。

（2）风险类：

最大回撤（基于权益曲线），衡量策略可能面临的最大风险；
波动率；
收益/回撤比；
利润因子（PF）。
持仓时长分布（分钟/小时）；
超时/过早平仓占比；
交易频率 (Trade Frequency)：总共进行了多少次交易，平均每天/每周多少次；
夏普比率 (Sharpe Ratio) / 索提诺比率 (Sortino Ratio)：衡量承担单位风险所获得的回报；
MFE/MAE（如有埋点）。

（3）与基准比较

将策略的收益率与同期 BTC 或 ETH 的买入并持有 (Buy & Hold) 收益率进行比较。
目标：你的策略是否跑赢了市场？如果没有，为什么还要运行它？（例如，它可能提供了更低的回撤或更稳定的回报）。

（4）执行类：

滑点（按方向归一）：买单 (average - ft_price)/ft_price；卖单 (ft_price - average)/ft_price。
手续费占比：开/平仓费对单笔与总体收益的影响。（5）归因维度：
按交易对、时间（小时/weekday/月）、市场状态（波动、趋势）、入场标签 enter_tag、退出原因 exit_reason、K线周期 timeframe、多空（合约）。
按交易对 Top/N：识别强/弱标的与黑名单候选。
按 exit_reason：ROI、止损、信号反转、强平等退出路径对收益的贡献。
按入场标签 enter_tag：哪类信号最有效？是否存在过拟合标签？
按时间：小时/工作日/节假日/事件前后（波动聚集时段适配度）。
按仓位与加仓：max_stake_amount 与收益关系，DCA 是否有效。

4. 微观交易分析 (Micro Trade Analysis)

深入到单笔交易，回答"策略为什么会这样交易？"的问题。

（1）分析典型交易：

最大盈利单：分析这笔交易为什么能抓住大幅行情。是指标信号精准，还是趋势跟随的结果？能否复制？
最大亏损单：分析亏损原因。是止损设置不合理？是假信号？还是市场突然的剧烈波动？如何避免？
连续亏损/盈利期：找出策略在哪些时间段表现特别好或特别差，并分析当时的市场特征（例如，高波动、低波动、趋势、盘整）。

（2） 进出场点位审查：

随机抽取几笔盈利和亏损的交易；
在 K 线图上标记出实际的进场点、出场点（止盈或止损）；
评估：这个进场点是否符合策略的设计初衷？出场是否过早或过晚？止损是否有效规避了更大的损失？

5. 策略逻辑与代码审查 (Strategy Logic & Code Review)

回归策略本身，检查其内在逻辑。（1）指标与信号：

策略中使用的技术指标（如 MA, RSI, MACD）是否仍然有效？
买入/卖出信号的触发条件是否过于敏感或迟钝？（2）风险管理：
止损逻辑：当前的止损方式（例如，固定百分比、ATR 止损）是否合理？是否过于频繁地被"扫损"？
资金管理：仓位大小是否合适？是否需要引入动态仓位管理？（3）代码健壮性：
检查日志，是否有运行时错误或异常？
代码逻辑是否与策略思想完全一致？有没有潜在的 bug？

6. 结论与行动计划 (Conclusion & Action Plan)

这是复盘的最终产出，指导下一步的工作。（1）总结发现：简洁地总结策略的优点、缺点和潜在风险。（2）做出决策：

继续运行 (Continue)：策略表现符合预期，无需改动。
参数优化 (Optimize)：策略逻辑有效，但部分参数（如指标周期、止损百分比）需要微调。
逻辑修正 (Revise)：发现策略逻辑上的缺陷，需要修改代码（例如，增加过滤条件、更换止损方式）。
暂停观察 (Halt)：策略表现远逊于预期，或市场环境已不适合，需要暂停实盘并返回研究阶段。
退役 (Decommission)：策略的盈利逻辑已被证实失效。（3） 制定具体行动：将决策转化为可执行的任务，并设定完成时间。例如："在下周末前，完成对止损逻辑的回测与修改。" （4）设定下次复盘日期：保持复盘的规律性。

7. SQL 快速复盘模板

仅统计已平仓单：

SELECT 
  COUNT(*) AS total_trades,
  SUM(CASE WHEN close_profit > 0 THEN 1 ELSE 0 END) AS win_trades,
  ROUND(AVG(close_profit) * 100, 2) AS avg_profit_pct,
  ROUND(SUM(close_profit_abs), 6) AS total_profit
FROM trades
WHERE is_open = 0;

按交易对：

SELECT pair,
       COUNT(*) AS trade_count,
       ROUND(SUM(close_profit_abs), 6) AS total_profit,
       ROUND(AVG(close_profit) * 100, 2) AS avg_profit_pct
FROM trades
WHERE is_open = 0
GROUP BY pair
ORDER BY total_profit DESC;

按退出原因：

SELECT exit_reason,
       COUNT(*) AS trade_count,
       ROUND(SUM(close_profit_abs), 6) AS total_profit,
       ROUND(AVG(close_profit) * 100, 2) AS avg_profit_pct
FROM trades
WHERE is_open = 0
GROUP BY exit_reason
ORDER BY total_profit DESC;

持仓时长（分钟）：

SELECT 
  ROUND((julianday(close_date) - julianday(open_date)) * 24 * 60) AS hold_minutes,
  COUNT(*) AS trade_count,
  ROUND(AVG(close_profit) * 100, 2) AS avg_profit_pct
FROM trades
WHERE is_open = 0
GROUP BY hold_minutes
ORDER BY hold_minutes;

执行质量（滑点）示例（需 orders）：

SELECT 
  o.ft_order_side,
  ROUND(AVG(
    CASE 
      WHEN o.ft_order_side = 'buy'  THEN (o.average - o.ft_price) / o.ft_price
      WHEN o.ft_order_side = 'sell' THEN (o.ft_price - o.average) / o.ft_price
      ELSE NULL
    END
  ) * 100, 3) AS avg_slippage_pct,
  COUNT(*) AS order_count
FROM orders o
WHERE o.average IS NOT NULL AND o.ft_price IS NOT NULL
GROUP BY o.ft_order_side;

冷静期锁定（当前仍有效）：

SELECT pair, side, reason, lock_time, lock_end_time
FROM pairlocks
WHERE active = 1 AND lock_end_time > CURRENT_TIMESTAMP
ORDER BY lock_end_time DESC;

8. Python/Pandas 模板

只读连接与基础查询：

import sqlite3
import pandas as pd

DB = r"C:/path/to/user_data/tradesv3.sqlite"
conn = sqlite3.connect(f"file:{DB}?mode=ro&cache=shared", uri=True)

trades = pd.read_sql_query(
    """
    SELECT * FROM trades
    WHERE is_open = 0
    ORDER BY close_date
    """,
    conn,
    parse_dates=["open_date", "close_date"],
)

orders = pd.read_sql_query("SELECT * FROM orders", conn, parse_dates=["order_date", "order_filled_date", "order_update_date"])
pairlocks = pd.read_sql_query("SELECT * FROM pairlocks", conn, parse_dates=["lock_time", "lock_end_time"])

# 计算日度收益
daily = (
    trades.assign(date=lambda df: df["close_date"].dt.date)
          .groupby("date", dropna=False)["close_profit_abs"]
          .sum()
          .to_frame("pnl")
)

# 简单滑点（方向归一）
def normalized_slippage(row):
    if pd.isna(row["average"]) or pd.isna(row["ft_price"]):
        return None
    if row["ft_order_side"] == "buy":
        return (row["average"] - row["ft_price"]) / row["ft_price"]
    if row["ft_order_side"] == "sell":
        return (row["ft_price"] - row["average"]) / row["ft_price"]
    return None

orders["slippage"] = orders.apply(normalized_slippage, axis=1)
print(orders.groupby("ft_order_side")["slippage"].mean() * 100)

conn.close()

1. 复盘目标与范围​

2. 数据准备与标准化 (Data Preparation)​

3. 宏观性能评估 (Macro Performance Review)​

4. 微观交易分析 (Micro Trade Analysis)​

5. 策略逻辑与代码审查 (Strategy Logic & Code Review)​

6. 结论与行动计划 (Conclusion & Action Plan)​

7. SQL 快速复盘模板​

8. Python/Pandas 模板​