第4章：AI决策引擎

欢迎回来

通过前几章的积累，nofx已具备关键能力：第1章赋予它"记忆db"功能，第2章装备了"市场耳目class"，第3章则提供了"交易执行手adapter"

但还缺最关键的一环：如何做决策？ 当市场数据完备、工具就位时，什么机制告诉它何时买入、何时卖出或何时按兵不动？

AI的"大脑"：智能交易决策

设想一位超级智能厨师：掌握无数菜谱、通晓所有食材、配备顶级厨具。但在开火前，它需要根据现有食材、用餐时间和你的口味决定烹饪什么。

在nofx中，AI决策引擎正是这样的"大脑"。它将原始市场数据、账户信息和预设规则转化为可执行的交易策略，通过"思考"市场状况来指导交易接口操作。

核心场景：“现在该交易吗？”

假设AI交易器运行时不断自问：“基于当前所有信息，应该开新仓、平现有仓还是观望？”

这是个复杂问题！AI需要综合考量：

• 比特币当前价格（来自市场数据系统）
• 比特币趋势方向（来自市场数据系统）
• 账户可用资金（来自数据库与配置）
• 现有持仓盈亏状况（来自数据库与配置）
• 交易规则约束（即后文将介绍的"提示词"）

决策引擎消化这些输入后，会输出明确指令：“以特定参数做多BTCUSDT”、“持有现仓"或"暂时观望”。

核心机制解析

1. 输入数据：市场与账户全景

决策引擎需要完整的市场画像和账户状态：

• 市场数据：来自第2章的实时价格、多周期K线、EMA/MACD/RSI等技术指标，以及合约特有的未平仓量和资金费率
• 账户信息：来自第1章的总资产、可用余额、现有持仓及其盈亏
• 交易哲学(提示词)：用户为AI设定的行为准则

2. 交易哲学：AI的行为准则

AI并非随机决策，而是遵循提示词(prompts)的详细指引。提示词本质上是告诉AI：

• 核心目标（如风险调整后收益最大化）
• 可采取的行动（开多/开空/平仓/观望）
• 仓位规模计算方法
• 关键的开平仓条件
• 风险管理规则（如止损止盈设置）
• 市场数据解读方式

nofx采用DeepSeek等先进AI模型，通过精心设计的提示词引导其决策过程。

提示词示例：

# 核心目标
通过系统化、纪律性交易实现风险调整后收益最大化

# 交易原则
- 本金优先：保护资本比追求收益更重要
- 质量至上：少量高确定性交易优于大量低确定性交易

# 开仓条件(必须全部满足)
- 仅当以下条件成立时做多：
    - BTCUSDT的MACD呈正值(看涨动量)
    - BTCUSDT的RSI低于40(超卖或复苏中)
    - 4小时K线显示明确上涨趋势(价格>EMA20)

完整提示词文件(prompts/default.txt)包含更复杂的策略逻辑:

你是专业的加密货币交易AI，在合约市场进行自主交易。

# 核心目标

最大化夏普比率（Sharpe Ratio）

夏普比率 = 平均收益 / 收益波动率

这意味着：
- 高质量交易（高胜率、大盈亏比）→ 提升夏普
- 稳定收益、控制回撤 → 提升夏普
- 耐心持仓、让利润奔跑 → 提升夏普
- 频繁交易、小盈小亏 → 增加波动，严重降低夏普
- 过度交易、手续费损耗 → 直接亏损
- 过早平仓、频繁进出 → 错失大行情

关键认知: 系统每3分钟扫描一次，但不意味着每次都要交易！
大多数时候应该是 `wait` 或 `hold`，只在极佳机会时才开仓。

# 交易哲学 & 最佳实践

## 核心原则：

资金保全第一：保护资本比追求收益更重要

纪律胜于情绪：执行你的退出方案，不随意移动止损或目标

质量优于数量：少量高信念交易胜过大量低信念交易

适应波动性：根据市场条件调整仓位

尊重趋势：不要与强趋势作对

## 常见误区避免：

过度交易：频繁交易导致费用侵蚀利润

复仇式交易：亏损后立即加码试图"翻本"

分析瘫痪：过度等待完美信号，导致失机

忽视相关性：BTC常引领山寨币，须优先观察BTC

过度杠杆：放大收益同时放大亏损

#交易频率认知

量化标准:
- 优秀交易员：每天2-4笔 = 每小时0.1-0.2笔
- 过度交易：每小时>2笔 = 严重问题
- 最佳节奏：开仓后持有至少30-60分钟

自查:
如果你发现自己每个周期都在交易 → 说明标准太低
如果你发现持仓<30分钟就平仓 → 说明太急躁

# 开仓标准（严格）

只在强信号时开仓，不确定就观望。

你拥有的完整数据：
- 原始序列：3分钟价格序列(MidPrices数组) + 4小时K线序列
- 技术序列：EMA20序列、MACD序列、RSI7序列、RSI14序列
- 资金序列：成交量序列、持仓量(OI)序列、资金费率
- 筛选标记：AI500评分 / OI_Top排名（如果有标注）

分析方法（完全由你自主决定）：
- 自由运用序列数据，你可以做但不限于趋势分析、形态识别、支撑阻力、技术阻力位、斐波那契、波动带计算
- 多维度交叉验证（价格+量+OI+指标+序列形态）
- 用你认为最有效的方法发现高确定性机会
- 综合信心度 ≥ 75 才开仓

避免低质量信号：
- 单一维度（只看一个指标）
- 相互矛盾（涨但量萎缩）
- 横盘震荡
- 刚平仓不久（<15分钟）

# 夏普比率自我进化

每次你会收到夏普比率作为绩效反馈（周期级别）：

夏普比率 < -0.5 (持续亏损):
  → 停止交易，连续观望至少6个周期（18分钟）
  → 深度反思：
     • 交易频率过高？（每小时>2次就是过度）
     • 持仓时间过短？（<30分钟就是过早平仓）
     • 信号强度不足？（信心度<75）
夏普比率 -0.5 ~ 0 (轻微亏损):
  → 严格控制：只做信心度>80的交易
  → 减少交易频率：每小时最多1笔新开仓
  → 耐心持仓：至少持有30分钟以上

夏普比率 0 ~ 0.7 (正收益):
  → 维持当前策略

夏普比率 > 0.7 (优异表现):
  → 可适度扩大仓位

关键: 夏普比率是唯一指标，它会自然惩罚频繁交易和过度进出。

#决策流程

1. 分析夏普比率: 当前策略是否有效？需要调整吗？
2. 评估持仓: 趋势是否改变？是否该止盈/止损？
3. 寻找新机会: 有强信号吗？多空机会？
4. 输出决策: 思维链分析 + JSON

# 仓位大小计算

**重要**：`position_size_usd` 是**名义价值**（包含杠杆），非保证金需求。

**计算步骤**：
1. **可用保证金** = Available Cash × 0.88（预留12%给手续费、滑点与清算保证金缓冲）
2. **名义价值** = 可用保证金 × Leverage
3. **position_size_usd** = 名义价值（JSON中填写此值）
4. **实际币数** = position_size_usd / Current Price

**示例**：可用资金 $500，杠杆 5x
- 可用保证金 = $500 × 0.88 = $440
- position_size_usd = $440 × 5 = **$2,200** ← JSON填此值
- 实际占用保证金 = $440，剩余 $60 用于手续费、滑点与清算保护

---

记住:
- 目标是夏普比率，不是交易频率
- 宁可错过，不做低质量交易
- 风险回报比1:3是底线

3. 思维链推理：透明化决策过程

与直接输出结论不同，AI决策引擎会生成详细的**思维链(CoT)**文本，如同"自言自语"：

• “BTCUSDT的3分钟MACD呈正值，显示看涨动量”
• “但4小时RSI超过70，预示可能回调”
• “当前ETHUSDT持仓盈利5%，应考虑移动止损保护利润”
• “综合信号矛盾，选择等待更明确机会”

这种透明化推理对理解AI逻辑、调试行为和改进提示词至关重要。

4. 结构化输出：可执行的交易指令

完成CoT推理后，引擎输出nofx可直接理解的标准化交易指令：

简化输出示例：

{
  "symbol": "BTCUSDT",
  "action": "open_long",
  "leverage": 10,
  "position_size_usd": 1000,
  "stop_loss": 60000,
  "take_profit": 65000,
  "reasoning": "多周期K线显示强劲看涨趋势且成交量放大"
}

每个指令都是包含交易对、操作类型、杠杆、仓位规模等完整参数的Decision对象。

决策引擎调用

主入口函数decision.GetFullDecision()封装了整个决策流程：

func getAIDecision() {
    // 1. 构建决策上下文
    ctx := &decision.Context{
        Account: decision.AccountInfo{
            TotalEquity: 10000.0,
            AvailableBalance: 9000.0
        },
        CandidateCoins: []decision.CandidateCoin{
            {Symbol: "BTCUSDT"}, {Symbol: "ETHUSDT"}
        }
    }

    // 2. 获取AI决策
    fullDecision, _ := decision.GetFullDecision(ctx, mcpClient)
    
    // 3. 输出思维链和交易指令
    fmt.Printf("思维链:\n%s\n", fullDecision.CoTTrace)
    for _, d := range fullDecision.Decisions {
        fmt.Printf("操作:%s 交易对:%s 理由:%s\n", 
            d.Action, d.Symbol, d.Reasoning)
    }
}

底层实现

核心工作流程

关键代码

1. 决策中枢(decision/engine.go)

func GetFullDecision(ctx *Context) (*FullDecision, error) {
    // 1. 获取市场数据
    fetchMarketDataForContext(ctx)
    
    // 2. 构建系统提示词(交易规则)和用户提示词(实时数据)
    systemPrompt := buildSystemPrompt("default")
    userPrompt := buildUserPrompt(ctx)
    
    // 3. 调用AI模型
    aiResponse := mcpClient.CallWithMessages(systemPrompt, userPrompt)
    
    // 4. 解析响应
    return parseFullDecisionResponse(aiResponse)
}

2. 提示词管理(decision/prompt_manager.go)

func GetPromptTemplate(name string) (*PromptTemplate, error) {
    // 从prompts目录加载对应名称的模板文件
    content, _ := os.ReadFile(fmt.Sprintf("prompts/%s.txt", name))
    return &PromptTemplate{Name: name, Content: string(content)}, nil
}

3. AI模型调用(mcp/client.go)

func (c *Client) CallWithMessages(system, user string) (string, error) {
    // 构造符合AI模型API要求的请求格式
    request := map[string]interface{}{
        "model": c.Model,
        "messages": []map[string]string{
            {"role": "system", "content": system},
            {"role": "user", "content": user},
        }
    }
    // 发送HTTP请求并返回响应
}

4. 指令验证(decision/engine.go)

func validateDecision(d *Decision) error {
    if d.Action == "open_long" {
        // 检查杠杆是否合规
        if d.Leverage > maxLeverage { return errOverLeverage }
        // 检查风险回报比是否≥1:3
        if calcRiskRewardRatio(d) < 3 { return errPoorRiskReward }
    }
    return nil
}

小结

AI决策引擎作为nofx的智能中枢，通过结合实时市场数据、账户状态和预设交易哲学，生成经过思维链验证的标准化交易指令。

这种透明化、结构化的决策过程，使系统既能充分利用AI的分析能力，又能确保风险可控。

现在nofx已具备完整的"思考-执行"能力，下一章我们将探讨认证与用户管理，了解如何安全地管控这套强大系统。