AutoSignals — 自主交易信号优化系统

监控并控制 AutoSignals 自主研究循环。

它是什么

AutoSignals 是 Karpathy 提出的 autoresearch 模式在交易信号优化场景下的适配实现。该系统运行一个持续不断的自主循环，动态生成子智能体（sub-agents），用于修改 signals.py、回测变更效果，并保留所有性能提升。

架构：

• signals.py — 唯一允许智能体修改的文件（因子权重、阈值、技术指标、打分逻辑等）
• backtest.py — 固定的评估引擎（执行 5 年期回测，采用复合得分指标）
• prepare.py — 数据下载脚本（标普 500 指数成分股 + 持仓标的股票）
• program.md — 研究智能体的操作指南
• run.py — 自主循环控制器
• experiments.jsonl — 完整实验日志（每行一条 JSON 格式记录）

所在路径： /Users/clawdiri/Projects/autosignals/

如何使用

查看当前状态

bash /Users/clawdiri/Projects/autosignals/status.sh

输出内容包括：

• 运行状态（PID、已运行时长）
• 迄今达成的最佳复合得分
• 已完成实验总数
• 最近 10 次实验及其结果
• 得分趋势（最近 20 次实验）
• 任何错误信息

启动自主循环

bash /Users/clawdiri/Projects/autosignals/start.sh

以后台方式启动自主循环，将持续运行直至被手动终止。

停止自主循环

kill $(cat /Users/clawdiri/Projects/autosignals/autosignals.pid)

查看日志

tail -f /Users/clawdiri/Projects/autosignals/logs/autosignals.log

查看最优信号定义

cat /Users/clawdiri/Projects/autosignals/best_score.json

然后读取对应提交中的 signals.py 文件：

cd /Users/clawdiri/Projects/autosignals
git show :signals.py

监控脚本（用于 DaVinci 心跳检测）

bash /Users/clawdiri/Projects/autosignals/monitor.sh

返回 JSON 格式数据，字段包括：

• running：布尔值，表示循环是否正在运行
• experiment_count：整数，已完成实验总数
• best_score：浮点数，历史最佳复合得分
• best_commit：字符串，对应最优结果的 Git 提交哈希
• trend：字符串，取值为 "improving" | "declining" | "flat"
• errors：最近发生的错误列表

评估指标

composite_score = (0.35 * sharpe_normalized) + 
                  (0.25 * (1 - max_drawdown)) + 
                  (0.20 * win_rate) + 
                  (0.20 * profit_factor_normalized)

所有分项均已归一化至 [0, 1] 区间。

基线目标：

• 夏普比率（Sharpe）：1.57 / 1.46 / 1.24
• 初始权重分配：40% 内幕交易因子 / 35% 盈利因子 / 25% 行业轮动因子

良好： 超越基线表现
优秀： 夏普比率 > 2.0，最大回撤 < 15%
卓越： 夏普比率 > 2.5，最大回撤 < 10%

数据

• 行情数据： 标普 500 成分股 + META、GOOG、AMZN、TSLA、BTC-USD、IAU 的 5 年日频 OHLCV 数据
• 因子数据： 当前为模拟数据（内幕交易、盈利、行业），后续可接入真实 API 数据增强
• 缓存路径： /Users/clawdiri/Projects/autosignals/data/prices.parquet

刷新数据：

cd /Users/clawdiri/Projects/autosignals
source .venv/bin/activate
python prepare.py

设计原则（源自 Karpathy）

1. 单一可修改文件 — 所有智能体仅能编辑 signals.py
2. 固定评估逻辑 — backtest.py 是不可变的评估真理来源
3. 自包含性 — 回测过程不依赖外部 API 调用（仅使用本地缓存数据）
4. Git 追踪演进 — 每一次改进均通过一次 Git 提交持久化
5. 鲁棒的循环机制 — 单个实验失败不会中断整个系统运行

告警条件（面向 DaVinci）

• 循环意外中止 → 发送 WhatsApp 告警
• 若处于运行状态，但过去 30 分钟无新实验 → 检查日志
• 最近 10 次实验中错误率 > 50% → 启动问题排查
• 达成新历史最佳得分 → 庆祝 🎉

何时介入

无需干预（Hands-off）：

• 正常运行（实验持续进行，结果混合为“保留”与“丢弃”）
• 得分呈渐进式上升趋势
• 错误率较低

建议检查（Check it out）：

• 全部实验均失败（是否存在智能体生成异常？数据损坏？）
• 连续 20+ 次实验得分持续下降（是否过拟合？假设本身存在缺陷？）
• 循环已停止（是否发生崩溃？资源耗尽？）

值得庆祝（Celebrate）：

• 达成全新历史最佳得分
• 首次实现夏普比率 > 2.0
• 取得重大突破（例如：复合得分提升 ≥ 10%）

未来增强方向

• 接入真实因子数据（Finnhub 内幕交易 API、FMP 盈利数据、行业 ETF 动量指标）
• 多标的组合优化（替代当前单只标的信号模式）
• 滚动向前验证（walk-forward validation）—— 使用滑动窗口回测以防止过拟合
• 集成信号（ensemble signals）—— 组合多个表现最优的信号变体
• 风险调整型仓位管理（Kelly 准则、波动率目标法）
• 实盘模拟交易集成（Alpaca API）