feat: 全面优化迭代所有文档 - 增加数据说明+计算公式+名词解释+内部链接

变更统计: - 70个文件变更 (39个新增 + 31个修改) - 新增 6554 行内容优化内容: 1. 30个核心文档增加附录(数据说明/计算公式/参数表/使用场景/常见误区) - 第一批: 量化基础/技术指标/策略/信号/品种/数据流/回测/风控/链上/EWO - 第二批: AI/案例复盘/多Agent/Hyperliquid/KOL/期权/RWA/券商/BTC/主流币 - 第三批: ETH/SOL/BNB_DOGE/XAUT/代币化美股/信号优化/tradehk系统 2. 新增38个名词解释wiki条目(Delta对冲/Gamma/Theta/Vega/IV/VaR/CVaR等) 3. 更新全局术语表索引(79个术语/12大类/知识图谱/学习路径) 4. 新增内部链接体系(wiki式交叉引用)
2026-03-06 05:09:34 -05:00
--- a/14_多Agent量化交易/多Agent量化交易系统完整指南.md
+++ b/14_多Agent量化交易/多Agent量化交易系统完整指南.md
@@ -247,3 +247,111 @@ class BTCSignalMultiAgent:
 [^2]: 新浪财经, "中美六大模型实盘量化交易竞赛结果", Nov 4, 2025. https://finance.sina.cn/stock/jdts/2025-11-04/detail-infwfawx0571809.d.html

 [^3]: OpenReview, "QuantAgent: Seeking Holy Grail in Trading by Self-Improving Large Language Model", 2025. https://openreview.net/pdf/873b287eb460fbd3ca55b52474ab8b4256296938.pdf
+
+---
+
+## 附录：数据说明与补充
+
+本文档旨在对多 Agent 量化交易系统中的核心概念、数据结构、关键参数及常见误区进行详细阐释，以深化理解并指导实践。
+
+### 一、核心指标数据说明
+
+在评估量化交易策略表现时，多个关键绩效指标（KPIs）被广泛使用。下表对文档中提到的核心指标进行了统一说明。
+
+| 指标名称 | 计算公式 (LaTeX) | 数据范围 | 单位 | 精度要求 | 数据来源 |
+| :--- | :--- | :--- | :--- | :--- | :--- |
+| **夏普比率 (Sharpe Ratio)** | `$$ \frac{R_p - R_f}{\sigma_p} $$` | 通常 > 0，越高越好 | 无量纲 | 小数点后 2-3 位 | 策略回测引擎、交易账户后台 |
+| **最大回撤 (Max Drawdown)** | `$$ \max_{t \in (0, T)} \frac{P(0) - P(t)}{P(0)} $$` | `[-1, 0]` | 百分比 (%) | 小数点后 1-2 位 | 策略回测引擎、交易账户后台 |
+| **年化收益率 (Annualized Return)** | `$$ (1 + R_{total})^{\frac{365}{N}} - 1 $$` | `[-1, \infty)` | 百分比 (%) | 小数点后 1-2 位 | 策略回测引擎、交易账户后台 |
+
+*注：在公式中，$R_p$ 代表投资组合回报率，$R_f$ 代表无风险利率，$\sigma_p$ 代表投资组合回报率的标准差（波动率），$P(t)$ 代表时间 $t$ 的资产净值，$R_{total}$ 为总回报率，$N$ 为交易总天数。*
+
+### 二、关键策略与概念解析
+
+多 Agent 系统能够融合多种交易策略，以下是对几种核心策略的应用场景说明。
+
+#### 1. 趋势跟踪 (Trend Following)
+趋势跟踪是一种旨在从市场的中长期价格动量中获利的策略。它假设市场价格的运动会持续一段时间。
+
+*   **实际应用场景**：
+    *   **商品期货**：当原油或黄金等商品因宏观经济事件（如地缘政治冲突）形成长期上涨或下跌趋势时，趋势跟踪 Agent 可以建立并持有相应头寸。
+    *   **加密货币牛市/熊市**：在比特币等主流加密货币进入明确的牛市或熊市周期时，该策略可通过跟踪如 [移动平均线 (Moving Average)](../../wiki/名词解释/移动平均线.md) 等指标，在趋势早期入场并持有，以捕捉大部分涨幅或跌幅。
+
+#### 2. 均值回归 (Mean Reversion)
+均值回归策略基于一个核心假设：资产价格和历史回报率最终会回归到其长期均值或平均水平。
+
+*   **实际应用场景**：
+    *   **配对交易**：选择两只相关性高的股票（如可口可乐与百事可乐），当它们的价差偏离历史均值时，做多被低估的股票，同时做空被高估的股票，等待价差回归。
+    *   **波动率套利**：在加密货币市场，某些代币的价格可能因短期市场情绪或流动性问题而急剧偏离其短期均值。均值回归 Agent 可以识别这些超卖或超买信号，进行反向操作。
+
+### 三、Agent 输入/输出数据格式规范
+
+为了确保多 Agent 系统中信息传递的准确性和一致性，需要对各类数据的格式进行标准化定义。
+
+#### 1. 市场行情数据 (OHLCV)
+这是技术分析师 Agent 的基础输入数据。
+
+*   **JSON 数组格式**:
+    ```json
+    [
+      {
+        "timestamp": 1672531200000, // Unix 毫秒时间戳
+        "open": 16500.50,
+        "high": 16600.75,
+        "low": 16480.25,
+        "close": 16550.00,
+        "volume": 12345.67
+      }
+    ]
+    ```
+*   **字段类型说明**:
+    *   `timestamp`: `Integer`
+    *   `open`, `high`, `low`, `close`, `volume`: `Float` (建议使用高精度 `Decimal` 类型处理)
+
+#### 2. 链上数据 (On-chain Data)
+链上数据 Agent 的核心输入，用于捕捉“聪明钱”的动向。
+
+*   **JSON 对象格式**:
+    ```json
+    {
+      "transaction_hash": "0x...",
+      "timestamp": 1672531500000,
+      "event_type": "large_transfer", // e.g., large_transfer, whale_deposit_exchange
+      "from_address": "0x...",
+      "to_address": "0x...",
+      "token": "ETH",
+      "amount": 5000.0,
+      "is_whale": true
+    }
+    ```
+*   **字段类型说明**:
+    *   `timestamp`: `Integer`
+    *   `amount`: `Float`
+    *   `is_whale`: `Boolean`
+    *   其他字段: `String`
+
+### 四、系统参数参考表
+
+合理的参数配置是多 Agent 系统成功的关键。下表整理了文档中提到的关键可配置参数及其推荐值。
+
+| 参数名称 | 推荐值 | 取值范围 | 适用 Agent/策略 | 说明 |
+| :--- | :--- | :--- | :--- | :--- |
+| `risk_score` 置信度阈值 | 0.7 | `0.5` - `0.9` | `DecisionAgent` | 用于过滤掉低置信度的交易信号，值越高越保守。 |
+| 技术指标 Agent 权重 | 40% | `0%` - `100%` | 信号综合 | 决定 [技术分析](../../wiki/名词解释/技术分析.md) 在最终决策中的重要性。 |
+| 链上数据 Agent 权重 | 25% | `0%` - `100%` | 信号综合 | 决定链上异动信号在决策中的权重。 |
+| 情绪 Agent 权重 | 20% | `0%` - `100%` | 信号综合 | 决定市场情绪（如 [恐贪指数](../../wiki/名词解释/恐贪指数.md)）的权重。 |
+| 迭代优化次数 | 20-30 次 | `10` - `100` | `QuantAgent` | 策略自动优化循环的次数，过多可能导致过拟合。 |
+
+### 五、常见误区与正确理解
+
+1.  **误区：Agent 越多越好。**
+    *   **正确理解**：增加 Agent 数量会提高系统的复杂度和通信开销，可能导致决策延迟和资源浪费。关键在于 Agent 的**专业化分工**和高效协作，而非单纯的数量堆砌。一个设计精良、权责明确的少数 Agent 系统，通常比一个臃肿、功能重叠的庞大系统更有效。
+
+2.  **误区：LLM 可以完全替代人类交易员。**
+    *   **正确理解**：当前的 LLM 在处理结构化数据、执行指令和生成初步分析方面表现出色，但它们缺乏真正的市场直觉和应对“黑天鹅”事件的创造力。多 Agent 系统应被视为增强人类交易员决策的**强大工具**，而非完全替代品。人工监督和最终决策权至关重要。
+
+3.  **误区：历史回测的高收益等于未来实盘的高收益。**
+    *   **正确理解**：历史回测是验证策略有效性的必要步骤，但存在 [过拟合](../../wiki/名词解释/过拟合.md) 的风险。一个在历史数据上表现完美的策略，可能只是过度拟合了特定时期的市场模式。必须通过严格的样本外测试、前向分析和在不同市场环境下的压力测试，来评估策略的稳健性。
+
+4.  **误区：多 Agent 系统适用于所有交易场景。**
+    *   **正确理解**：如文档所述，由于 LLM 的推理延迟，多 Agent 系统目前主要适用于中低频交易策略，如日内趋势跟踪和波段交易。对于需要微秒级响应的 [高频交易 (HFT)](../../wiki/名词解释/高频交易.md) 场景，其适用性非常有限。