zh Scorecard and Paper Trading

评分与纸上交易

评分 (mosaic/scorecard/)

一个 SQLite 支撑的 CIO 推荐及其实际表现的台账。

评分算法 (scorer.py)

对每条待评分推荐行:

1. 解析第 0 日收盘与第 N 日收盘(N = 5 与 21 个交易日,非自然日)。
2. forward_return_N = (close_N − close_d0) / close_d0。
3. alpha_5d = forward_return_5d − benchmark_return_5d(默认基准 000300.SH,MOSAIC_BENCHMARK_TICKER 覆盖)。

_fetch_close 的价格路由:

• A 股指数(如 000300.SH)→ pro.index_daily。
• A 股 ETF(5xxxxx.SH / 1xxxxx.SZ)→ pro.fund_daily。
• 否则个股/港/美 → 经 _fetch_price_data 的 pro.daily。

这正是让 ETF 推荐像个股一样被评分(从而出现在胜率 / 技能里)的关键。

防前视

score_pending 把「今天」回退到最后一个已完成交易日,只给前向窗口已成熟的行评分;未成熟/缺失行被跳过(缺失行仍标记为已评分以离开待处理集)。

视图 / RPC

• scorecard.append —— 摄入一次 daily-cycle state。
• scorecard.score_pending(cohort, today) —— 回填已成熟收益(幂等;是 RPC,非 CLI 子命令)。
• scorecard.list_skill —— 逐 agent alpha / Sharpe / n。
• scorecard.win_rate —— 逐标的方向命中率:sign(action) · 未来5日收益 > 0 的占比,带样本数 n。
• scorecard.latest_cio_actions —— 最新 CIO 组合。

关于「胜率」的诚实说明

胜率是本系统自身 CIO 历史的方向命中率(在已评分行上)。需要积累若干天的 daily-cycle + 回填才有意义(n 太小不可信)。它不是对某只股票「会涨」的普适预测。

Darwinian 权重

darwinian.compute / darwinian.get_weights(mosaic/scorecard/weights.py)把 agent 技能转成演化权重,供下游使用(如 autonomous_execution)。

纸上交易 (mosaic/paper_trading/)

自建纸上交易引擎(项目已弃 backtrader;这不是 backtrader 实现)。

• 认证 —— register / login / logout / current_user(bcrypt 哈希;trading extra)。会话在 ~/.mosaic/paper_session.json,DB 在 ~/.mosaic/paper_trading.db。
• 交易 —— buy / sell,T+1 结算(当日买入不可当日卖)、佣金、持仓跟踪(get_positions、get_trades、get_account)。
• 信号 → 下单 —— suggest_order_from_signal 把 agent 决策转成定量订单(paper.suggest_order_from_signal)。
• 读写路径均做跨用户鉴权。

CLI:paper register|login|logout|account|buy|sell|positions|trades|suggest。