Crypto Trading Decision Framework — 加密货币交易决策框架
v1.0.0针对加密货币交易者的结构化决策系统——仓位规模、入市检查清单、出市框架和停止决策树。消除了临时决策,并在每笔交易中强制执行纪律化的风险管理。在调整新仓位规模、评估入市机会、管理实时交易或决定何时停止策略时使用。防止了交易者最常见的失败模式:仓位过大、移动止损位和持有亏损头寸。
运行时依赖
安装命令
点击复制技能文档
加密货币交易决策框架 底线:每个交易决策都需要通过三个门槛——仓位大小、入场检查清单、退出计划。如果任何一个门槛失败,交易就不会发生。没有例外。
何时调用 任何涉及以下内容的交易讨论: 新仓位入场推荐 任何资产的仓位大小 止损/止盈校准 风险回报分析 实时交易管理 策略暂停/终止决策 投资组合集中度调用
门槛1 — 仓位大小 步骤1:每笔交易的风险 默认:单笔交易占总流动投资组合的1% 激进:如果信心≥85%且回测样本n≥30笔交易,则为2% 保守:在新策略或不熟悉的资产的第一笔交易中为0.5% 步骤2:止损距离 硬止损:始终在技术上无效的水平 时间止损:默认4小时48根,1小时24根(如果策略没有按计划进行=退出) .trailing止损:在达到第一次1R后激活;以当前价格以下0.5R为跟踪 步骤3:仓位大小公式 仓位大小(名义)=(风险%÷止损距离%)×流动投资组合 例子:1%风险,1.5%止损距离→(1/1.5)×$50,000 = ~$33,333名义 对于杠杆账户:新策略的杠杆上限为3倍,已证明的策略的杠杆上限为5倍,且n≥50笔实盘交易。
门槛2 — 入场检查清单(必须全部回答YES) _backtest样本大小n ≥ 20笔交易 _out-of-sample测试窗口的盈利因子(PF)≥ 1.3(不仅仅是训练) 最大回撤(MDD)≤ 20% _out-of-sample(OOS)回报为正 策略有明确的论文——不仅仅是曲线拟合 当前市场环境与策略的设计环境相符(在波动的市场中使用均值回归,在趋势的市场中使用趋势跟踪) 仓位大小符合门槛1以上的要求 入场前已确定硬止损水平 入场前已确定时间退出水平 入场前已确定止盈梯度(如果是多目标) 评分:10/10 YES → 继续 8-9/10 YES → 谨慎继续,注意缺口 < 8/10 YES → 不要进入 < 6/10 YES → 完全终止策略
门槛3 — 退出框架 退出的优先顺序 硬止损触发——论文被驳斥。无条件退出。 时间止损触发——策略没有在预期的时间框架内发挥作用。市价退出。 止盈触发——预先规划的止盈达到。按照梯度退出(例如,50%在TP1,25%在TP2,25%跟踪)。 信号翻转——策略生成相反的信号。退出并翻转。 环境变化——宏观背景发生了重大变化(例如,主导地位翻转,恐惧和贪婪环境变化)。自主——用户决策。完成。
什么不应该做(最常见的损失) 移动止损距离,使其远离中间交易(“给它更多的空间”) 在破碎的论文上对亏损仓位进行平均(“在破碎的论文上平均”) 除非论文明确破碎,否则在达到TP1之前过早退出获胜仓位 因为希望或FOMO而重新评估计划好的退出 因为“它可能会回来”而在时间止损后继续持有
R:R最低限额(按策略类型) 策略类型 最低R:R 获胜率地板 均值回归 1.5:1 60% 趋势跟踪 2.5:1 40% 突破 3:1 35% 新闻驱动/事件 4:1 30% 资金/收益携带 N/A N/A 如果设置没有同时满足R:R最低限额和历史获胜率地板→ 不要推荐。
策略终止决策树 当实盘策略表现不佳时,从上到下遍历此树:
- 策略是否触发了账户级别的终止损失?是→ 立即终止。重新开始之前进行事后分析。
- 策略是否触发了-3R回撤,超过预期的回测MDD?是→ 暂停5个交易日。重新评估环境适应性。
- 实盘盈利因子≤ 回测PF的50%,且n≥10笔实盘交易?是→ 缩小仓位大小50%,运行另外10笔交易,重新评估。
- 策略是否在N天内产生零信号,且N > 2×预期信号频率?是→ 策略在当前环境中已死亡。终止或重新调整阈值。
实盘加码规则 这些规则始终需要人工批准——永远不会自主执行: 任何规模的新实盘资本部署 增加现有的实盘资本分配 将策略从纸上移到实盘 止损覆盖或删除 对亏损仓位进行加码 手动关闭开放的实盘仓位 任何单一操作都可能将账户权益减少>5%
4模型共识规则(用于大规模资本决策) 对于任何重大资本部署: 主要LLM — 带有置信标签的完整推荐 第二LLM — 独立的宏观和资产特定意见 第三LLM — 代码/执行路径审计+边缘情况检查 第四LLM — 风险/尺寸理智检查 如果2+模型不同意→ 推迟24小时,重新运行共识明天。 不同意=边缘情况,不足以采取行动。
置信标签(包括在每个交易推荐中) 始终将3个标签附加到任何交易调用中: 置信度:%相信推荐是正确的(60-95%典型) 研究深度:%实际提取的相关数据此次会话(50-90%典型) 现实差距:%未知数