ruflo-neural-trader 插件 /trader 命令完全指南从策略创建、Rust/NAPI 回测到云容器训练的神经网络交易工作流【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo导读本文基于 ruflo 仓库中 trader.md 命令文档系统讲解ruflo-neural-trader插件的核心入口/trader命令——一个将neural-tradernpm 包Rust/NAPI 引擎112 MCP 工具封装进 Ruflo 智能体生态的神经网络交易工作台。读完本文你将掌握策略创建与回测的完整命令行流程、LSTM/Transformer/N-BEATS 模型训练、基于 Z-score 异常检测的信号扫描、VaR/Sharpe 风险度量与均值方差组合优化、熔断器机制、以及如何把重计算任务多年 walk-forward 回测、大规模 Monte-Carlo、参数扫描一键调度到 Anthropic Managed Agent 云容器而非本地执行并配套 AgentDB 记忆持久化与 Ed25519 签名防篡改的完整证据链。一、插件定位把neural-trader变成 Ruflo 智能体的一等公民ruflo-neural-trader是 ruflo 仓库中的一个插件其作用是把 npm 上的neural-trader包v2.8包装为 Ruflo 插件形态并在其上叠加四层能力见 插件 README4 个专职 Agenttrading-strategist策略设计与训练、risk-analystVaR/CVaR 与熔断、market-analystregime 检测与技术指标、backtest-engineerwalk-forward 验证与参数优化9 个 Skilltrader-backtest、trader-signal、trader-portfolio、trader-regime、trader-train、trader-risk、trader-cloud-backtest、trader-portfolio-cg、trader-explain1 个命令/trader即本文主角 commands/trader.md5 个 AgentDB 命名空间trading-strategies、trading-backtests、trading-risk、trading-analysis、trading-signals实现跨会话的策略、回测、风险状态与信号记忆。安装插件只需一条命令插件本身通过 ADR-0001 定义了契约由smoke.sh守护claude --plugin-dir plugins/ruflo-neural-trader如需让 Claude Desktop 直接访问 neural-trader 的 112 MCP 工具可另加claude mcp add neural-trader -- npx neural-trader mcp start运行前置条件命令通过npx neural-trader执行因此要求neural-tradernpm 包可用。插件 README 明确建议用--ignore-scripts安装以做纵深防御2.7.2 的安装钩子已安全但--ignore-scripts可防止该包或其传递依赖未来出现安装脚本回归npm install --ignore-scripts neural-trader^2.8.11注意平台差异linux-x64-gnu、darwin-arm64、darwin-x64有原生绑定linux-arm64-gnu与win32-x64-msvc上 JS 面可用但原生调用会抛错。仓库中的audit-neural-trader-safety.mjsCI 守卫仍强制所有文档化调用带--ignore-scripts。二、/trader 命令总览九大子命令一次看全/trader命令从$ARGUMENTS解析子命令通用形态为/trader subcommand [options]子命令功能典型形态strategy create创建策略/trader strategy create name --type momentum\|mean-reversion\|pairs\|adaptivebacktest历史回测Rust/NAPI8-19x 更快/trader backtest strategy --symbol TICKER --period rangetrain训练神经网络模型/trader train model --symbol TICKERlstm/transformer/nbeatssignal scan异常检测信号扫描/trader signal scan [--strategy name]risk assess风险度量VaR、Sharpe、回撤/trader risk assess [--symbol TICKER]portfolio optimize均值方差组合优化/trader portfolio optimize [--risk-target number]live实盘交易可选 swarm 协同/trader live --broker name [--swarm enabled]history查看交易历史与绩效汇总/trader historycloud把重任务调度到云容器/trader cloud backtest\|train\|sweep strategy-or-model --symbol TICKER [--period 2020-2024] [--mc-paths 1000]cloud子命令是「重计算卸载」的关键设计长周期 walk-forward 回测、大规模 Monte-Carlo、参数扫描、模型训练这类重任务可以放到 Anthropic Managed Agent 的云容器里执行而不是在本地跑。它需要ANTHROPIC_API_KEY成本按「容器时间 token」计费直到会话终止因此技能trader-cloud-backtest/SKILL.md强调只装一次、复用环境、预检便宜、及时终止。实现细节见 ADR-117 与 ADR-115。三、策略管理strategy create创建策略分两步——先调用 neural-trader 生成策略再把策略配置存入 Ruflo 记忆# 1. 创建策略type 支持 momentum / mean-reversion / pairs / adaptive npx neural-trader --strategy type --symbol TICKER --create # 2. 把策略配置存入记忆命名空间 trading-strategies npx claude-flow/clilatest memory store --key strategy-NAME --value CONFIG --namespace trading-strategies策略类型与对应的入场逻辑见 插件 README策略CLI Flag入场逻辑Momentum--strategy momentumRSI MACD 确认Mean-reversion--strategy mean-reversionZ-score 2.0Bollinger 极值Pairs trading--strategy pairs协整价差背离Multi-indicator--strategy multi-indicatorRSI MACD Bollinger 组合Adaptive--strategy adaptive按 regime 自动切换存储进trading-strategies命名空间后后续trader-backtest、trader-signal等技能会用memory_retrieve/memory_search读取该策略见 trader-backtest/SKILL.md 第 2 步实现「一次创建、处处复用」。四、回测backtest与 walk-forward 验证回测是量化研究的心脏。/trader backtest的标准流程# 1. 运行回测Rust/NAPI 引擎--walk-forward 做前向验证 npx neural-trader --backtest --strategy name --symbol TICKER --period range --walk-forward # 2. 从输出抓取 Sharpe ratio、最大回撤、胜率、盈利因子 # 3. 结果存入记忆 npx claude-flow/clilatest memory store --key backtest-ID --value RESULTS --namespace trading-backtests # 4. 若 Sharpe 1.5训练 SONA 强化学习 npx claude-flow/clilatest neural train --pattern-type trading-strategy --epochs 10回测功能矩阵全部为 neural-trader 命令行参数功能命令Walk-forward--walk-forward --train-window 6M --test-window 1MMonte Carlo--monte-carlo --simulations 1000参数优化--optimize --param entry_z:1.5:3.0:0.25多标的--symbols AAPL,MSFT,GOOGL基准对比--benchmark SPY多指标策略的完整示例来自技能文档含 Kelly 仓位管理npx neural-trader --backtest --strategy multi-indicator --position-sizing kelly --symbol SPY --period 2020-2024从源码结构看回测命令的可验证性由 runtime-smoke.sh 守护——它真实安装neural-trader2.8.11并逐条执行文档化命令用 jq 断言输出的 JSON 结构覆盖 20 个入口点--backtest、--signal scan、--risk assess、--portfolio、--regime、--train、--predict、--strategy-create以及--walk-forward返回.walkForward.windowsRun、--monte-carlo返回.monteCarlo.distribution.median、--optimize返回.optimization.best.sharpeRatio等字段级校验。这意味着文档中的每条命令都有真实的执行测试背书。回测防篡改Ed25519 签名ADR-126 Phase 4trader-backtest技能SKILL.md还要求对回测结果签名为「paper → live」晋升门提供密码学篡改证据构造SignedBacktestArtifact主体{ strategyId, paramsHash, dataRange: {from,to}, metrics, runsHash, generatedAt }其中paramsHash sha256(规范化参数 JSON)、runsHash sha256(规范化 runs 数组 JSON)按RUFLO_WITNESS_KEY_PATH环境变量 →verification/witness-key.json的顺序解析签名私钥32 字节 Ed25519 私钥{ privateKey: 64位hex }必须放在仓库之外如~/.ruflo/witness-key.json调用 src/signed-artifact.mjs 的signBacktestArtifact(body, privateKeyHex)若两条密钥路径都解析不到则以「未签名降级模式」存储并输出响亮警告绝不静默降级存储到trading-backtests命名空间值含witnessSignaturewitnessPublicKey。验证端signed-artifact.ts 的verifyBacktestArtifact采用 CWE-347 模式钉死调用方提供的trustedPublicKey绝不信任工件上的witnessPublicKey字段该字段由攻击者可控。签名覆盖「去掉两个签名字段后的规范化主体」即普通JSON.stringify无空白、无排序与插件注册表签名方案保持一致。生产部署把公钥钉在项目配置中验证失败则拒绝晋升并返回错误。五、模型训练trainLSTM / Transformer / N-BEATS/trader train调用 neural-trader 的 ML 引擎训练三种深度模型模型类型适用场景LSTM循环网络序列预测、价格预测Transformer注意力机制多变量模式识别N-BEATS分解结构趋势/季节性分解# 1. 训练模型并输出置信区间 npx neural-trader --model lstm --symbol TICKER --confidence 0.95 npx neural-trader --model transformer --symbol TICKER --predict npx neural-trader --model nbeats --symbol TICKER --decompose # 2. 审查训练输出loss 曲线、验证指标、预测准确率 # 3. 生成带置信区间的预测--horizon 5d 指定预测窗口 npx neural-trader --model MODEL --symbol TICKER --predict --horizon 5d # 4. 跨模型对比 npx neural-trader --model-compare --symbol TICKER --models lstm,transformer,nbeats训练结果统一存入trading-analysis命名空间trader-train技能曾误用未声明的trading-models命名空间ADR-126 Phase 1 已修正为规范路径。随后用 SONA 轨迹学习对模型结果做模式提炼neural_train({ patternType: trading-model, epochs: 10 })。完整流程见 trader-train/SKILL.md。六、信号扫描signal scan与 Z-score 异常检测信号生成基于 neural-trader 的异常检测引擎对 OHLCV 做 Z-score 复合打分# 全局扫描 npx neural-trader --signal scan --symbols TICKERS # 指定策略扫描会加载该策略的过滤条件 npx neural-trader --signal scan --strategy name信号存入记忆时带24 小时 TTL日内信号不应污染长期记忆npx claude-flow/clilatest memory store --key signal-TIMESTAMP --value SIGNALS --namespace trading-signalsneural-trader 自动将异常分类每类都有明确的市场解读trader-signal/SKILL.md异常类型判定市场解读spikemaxZ 5突破/跳空——动量入场或均值回归 fadedrift1-2 维持续偏高趋势形成——趋势跟随信号flatline各维接近零横盘——准备突破oscillation交替波动区间震荡——极值处均值回归pattern-break多维多 Zregime 切换——平仓重估cluster-outlier50% 维度偏高多因子错位——套利信号落地前还可叠加 SONA regime 预测neural_predict({ input: anomaly types: [...], scores: [...] })与历史模式检索agentdb_pattern-search最终按「标的、方向、置信度、异常类型、入场/止损/目标」呈现排序后的信号。七、风险度量risk assess与熔断器# 1. 单标的风险度量VaR / CVaR / Sharpe / 回撤 npx neural-trader --risk assess --symbol TICKER npx neural-trader --var --symbol TICKER --investment amount # 2. 组合级风险 npx neural-trader --risk assess --portfolio current npx neural-trader --correlation --portfolio current --flag-threshold 0.8 # 3. 仓位管理风险预算 2% / Kelly npx neural-trader --risk-tolerance 0.02 --symbol TICKER npx neural-trader --position-sizing kelly --symbol TICKER评估结果写入trading-risk命名空间memory store --key risk-ID --value METRICS --namespace trading-risk。熔断器Circuit Breakers是live交易的安全底线trader.md 明确「熔断器自动强制」两个核心阈值README 给出完整六项熔断器触发条件动作日亏损单日回撤 3%暂停新开仓周亏损周回撤 5%仓位减半相关性飙升组合相关性 0.85削减相关仓位波动率 regimeVIX 历史 2 倍最小仓位持仓上限开仓数超限阻止新开仓集中度单一仓位 10%强制减仓完整风险流程见 trader-risk/SKILL.md。八、组合优化portfolio optimize与 CG 加速路径# 1. 均值方差组合优化 npx neural-trader --portfolio optimize # 或指定风险目标 npx neural-trader --portfolio optimize --risk-target number # 2. 生成再平衡交易计划 npx neural-trader --portfolio rebalance # 输出所需交易、当前 vs 目标权重、预估成本 # 3. 存储配置 npx claude-flow/clilatest memory store --key portfolio-TIMESTAMP --value ALLOCATION --namespace trading-portfolio性能进阶ADR-126 Phase 3 / ADR-123 Wedge 8插件内置了比默认 Neumann 级数求解更快的 Conjugate Gradient 路径trader-portfolio-cg技能通过mcp__ruflo-sublinear__solve求解Σ·x μ基准显示 n256 时~816nsCG vs ~50µsNeumann实测 40-60× 提速。其工作方式读取npx neural-trader --portfolio current --json的协方差与预期收益向量派发到mcp__ruflo-sublinear__solve未注册ruflo-sublinear插件时src/sublinear-adapter.mjs 内置约 50 行自包含 CG 内核做本地兜底权重写入trading-risk命名空间并带method: cg-sublinear | cg-local | neumann-fallback溯源元数据设RUFLO_NEURAL_TRADER_DISABLE_CG1可整体关闭 CG 路径退回旧路线一致性保证每个基准种子上||cg − neumann||_∞ 1e-4由 benchmarks/portfolio-cg.bench.mjs 验证scripts/smoke-neural-trader-portfolio-cg.mjs断言。九、实盘与历史live和history# 实盘启动--swarm enabled 启用群协同 npx neural-trader --broker name --strategy name --swarm enabled实盘期间监控交易执行与风险告警熔断器自动生效日亏 3% 停新仓、周亏 5% 减半。交易历史则通过记忆检索npx claude-flow/clilatest memory search --query trade history --namespace trading-history随后展示近期交易的 PnL、策略归因与聚合指标。十、重任务云卸载cloud backtest|train|sweep当回测/训练任务过重多年 walk-forward、大规模 Monte-Carlo、网格参数扫描、LSTM/Transformer/N-BEATS 训练时/trader cloud会把它调度到 Anthropic Managed Agent 云容器。技能 trader-cloud-backtest/SKILL.md 给出完整七步这也是 ADR-117 的落地配方先估算成本≈容器分钟数 × 费率 token长扫描是深思熟虑的选择而非默认创建或复用容器——用managed_agent_create指定claude-haiku-4-5-20251001编排只用轻模型真正的计算是 Rust 引擎、packages: { npm: [neural-trader] }与initScript一次性安装参数扫描务必「一个环境、一条 prompt 跑完全部配置」而不是开 N 个会话便宜预检——跑一个 1 MC path / 约 3 个月的小冒烟几秒内暴露策略名/标的名错误maxWaitMs: 60000正式任务——managed_agent_prompt要求报告 total return、annualized return、Sharpe、Sortino、max drawdown、win rate、profit factor、交易数、95% CVaR并把权益曲线写到/tmp/equity.csv、交易日志写到/tmp/trades.csv拉取产物cat /tmp/equity.csv本地入库 Ed25519 验证fail-closed 门——按signBacktestArtifact构造签名工件用钉死的项目公钥verifyBacktestArtifact验证失败则拒绝晋升实盘并输出显式错误验证通过后memory_store到trading-backtestsSharpe 1.5 时agentdb_pattern-store存为盈利模式并把容器时间与 token 成本记入 cost-tracking 命名空间立即终止——managed_agent_terminate({ sessionId, environmentId })绝不留空闲计费容器ruflo doctor/ GC 会兜底清理孤儿。成本规则小结装一次、复用环境、扫描批量进一条 prompt、预检要便宜、终止要果断、agent 循环用 Haiku/Sonnet、启动前先估算。没有ANTHROPIC_API_KEY或 Managed Agents 权限时技能自动降级到本地trader-backtest。十一、记忆与命名空间五命名空间契约插件拥有五个规范 AgentDB 命名空间ADR-126 Phase 1 定义插件 README 详述命名空间用途trading-strategies策略定义、参数、regime 条件映射trading-backtests历史回测结果长期ADR-126 Phase 4 签名trading-risk风险模型状态、VaR/CVaR 快照、熔断触发trading-analysis市场分析输出——regime 分类、技术指标摘要、训练结果trading-signals短期信号事件日内24h TTL注意前缀是trading-而非neural-trader-这是刻意的可用性设计——「trading」才是下游消费方真正关心的语义ADR-0001 明确记录。保留命名空间pattern、claude-memories、default不得遮蔽全部访问经memory_*命名空间路由。记忆生命周期由claude-flow/memory3.0.0-alpha.18保证ADR-125HNSW 索引热重启.hnsw边车文件、RRFMMR 混合检索embedding 不可用时优雅降级为纯关键词、信号 24h TTL 由MemoryConsolidator.sweepExpired()从所有索引含 HNSW清除、回测按(strategyId, paramsHash)去重keep-newest整合器默认每 6 小时跑一次sweepExpired dedup compactHnsw。十二、性能基线与验证体系性能声明来自插件 README针对 Rust/NAPI 绑定比 Python 等价实现快 8-19 倍订单执行与风控检查 200ms可用 WASM/SIMD 加速行情数据写入 52,000 条/秒。契约级验证分两层结构层bash plugins/ruflo-neural-trader/scripts/smoke.sh输出11 passed, 0 failed检查版本/关键词、9 个技能 frontmatter含allowed-tools无通配符、4 个 Agent、trader命令、CLI v3.6 钉版、五命名空间声明、回测功能文档化、ADR-0001 状态运行时层bash plugins/ruflo-neural-trader/scripts/runtime-smoke.sh真实安装neural-trader2.8.11对文档化命令做 JSON 字段级断言20 个入口点端到端覆盖 Kelly、walk-forward、Monte Carlo、optimize、多标的、pairs、adaptive、multi-indicator。性能预算docs/perf-notes.mdADR-126 基准驱动的热路径分析signal 最差标的均值 1000µs、全扫描均值合计 10ms、回测均值 10ms、回测吞吐 25,000 bars/sec、N5000 时记忆检索 p95 50ms、recall10 ≥0.8。任一接受线在 CI 上被突破即视为性能回归。其中 Neumann 求解器的每次迭代分配已通过双缓冲 ping-pong 优化消除n256 实测 ~18% 提速||cg − neumann||_∞ 2.12e-8一致性保持。十三、可解释性trader-explain特征归因针对 LSTM/Transformer 信号的「黑箱」问题trader-explain技能ADR-126 Phase 6 / ADR-123为任意signalId构建特征贡献图节点特征边共注意力权重运行单入口 forward-push PageRank 产出 top-K 特征排序。输出是写入trading-analysis的SignedAttributionArtifactEd25519 签名带seed保证可复现——同一signalId 同一--seed产生字节级一致的排序scripts/smoke-neural-trader-feature-attribution.mjs断言。典型输出形如## Feature attribution for signal sig-momentum-spy-20260519-001 (model: transformer-attn8h-v2) | Rank | Feature | Score | |------|------------------|-------| | 1 | rsi_14 | 0.42 | | 2 | attention_head_3 | 0.21 | | 3 | price_close_t-7 | 0.13 | | 4 | macd_signal | 0.09 | - PageRank iterations: 18 | Graph: 17 nodes, 42 edges | Seed: 42 (reproducible) - Signature: ed25519:abcd…适用场景包括交易前风险审查、欧盟 AI 法案第 13 条等监管透明度要求、止损事件复盘、paper→live 晋升前的risk-analyst输入。若neural-trader未暴露--predict --explain --json则降级为输入向量的 z-score 幅度启发式并标记attribution_method: input-zscore-fallback下游可过滤。结语一条从研究到实盘的完整证据链/trader命令把量化交易的完整生命周期——策略创建、walk-forward 回测、深度模型训练、异常信号扫描、风险度量、组合优化、实盘执行、历史归因——压缩进一条可复用的 CLI并借助五命名空间记忆、Ed25519 签名防篡改、云容器重计算卸载和契约级 smoke 验证让每一次「paper → live」晋升都有据可查、有证可验。无论是个人研究还是智能体协同的多策略组合trader.md 都是这套工作流的权威入口。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/9/10 16:29:02 · 阅读 1.2k ruflo-neural-trader 插件 /trader 命令完全指南：从策略创建、Rust/NAPI 回测到云容器训练的神经网络交易工作流
ruflo-neural-trader 插件 /trader 命令完全指南从策略创建、Rust/NAPI 回测到云容器训练的神经网络交易工作流【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo导读本文基于 ruflo 仓库中 trader.md 命令文档系统讲解ruflo-neural-trader插件的核心入口/trader命令——一个将neural-tradernpm 包Rust/NAPI 引擎112 MCP 工具封装进 Ruflo 智能体生态的神经网络交易工作台。读完本文你将掌握策略创建与回测的完整命令行流程、LSTM/Transformer/N-BEATS 模型训练、基于 Z-score 异常检测的信号扫描、VaR/Sharpe 风险度量与均值方差组合优化、熔断器机制、以及如何把重计算任务多年 walk-forward 回测、大规模 Monte-Carlo、参数扫描一键调度到 Anthropic Managed Agent 云容器而非本地执行并配套 AgentDB 记忆持久化与 Ed25519 签名防篡改的完整证据链。一、插件定位把neural-trader变成 Ruflo 智能体的一等公民ruflo-neural-trader是 ruflo 仓库中的一个插件其作用是把 npm 上的neural-trader包v2.8包装为 Ruflo 插件形态并在其上叠加四层能力见 插件 README4 个专职 Agenttrading-strategist策略设计与训练、risk-analystVaR/CVaR 与熔断、market-analystregime 检测与技术指标、backtest-engineerwalk-forward 验证与参数优化9 个 Skilltrader-backtest、trader-signal、trader-portfolio、trader-regime、trader-train、trader-risk、trader-cloud-backtest、trader-portfolio-cg、trader-explain1 个命令/trader即本文主角 commands/trader.md5 个 AgentDB 命名空间trading-strategies、trading-backtests、trading-risk、trading-analysis、trading-signals实现跨会话的策略、回测、风险状态与信号记忆。安装插件只需一条命令插件本身通过 ADR-0001 定义了契约由smoke.sh守护claude --plugin-dir plugins/ruflo-neural-trader如需让 Claude Desktop 直接访问 neural-trader 的 112 MCP 工具可另加claude mcp add neural-trader -- npx neural-trader mcp start运行前置条件命令通过npx neural-trader执行因此要求neural-tradernpm 包可用。插件 README 明确建议用--ignore-scripts安装以做纵深防御2.7.2 的安装钩子已安全但--ignore-scripts可防止该包或其传递依赖未来出现安装脚本回归npm install --ignore-scripts neural-trader^2.8.11注意平台差异linux-x64-gnu、darwin-arm64、darwin-x64有原生绑定linux-arm64-gnu与win32-x64-msvc上 JS 面可用但原生调用会抛错。仓库中的audit-neural-trader-safety.mjsCI 守卫仍强制所有文档化调用带--ignore-scripts。二、/trader 命令总览九大子命令一次看全/trader命令从$ARGUMENTS解析子命令通用形态为/trader subcommand [options]子命令功能典型形态strategy create创建策略/trader strategy create name --type momentum\|mean-reversion\|pairs\|adaptivebacktest历史回测Rust/NAPI8-19x 更快/trader backtest strategy --symbol TICKER --period rangetrain训练神经网络模型/trader train model --symbol TICKERlstm/transformer/nbeatssignal scan异常检测信号扫描/trader signal scan [--strategy name]risk assess风险度量VaR、Sharpe、回撤/trader risk assess [--symbol TICKER]portfolio optimize均值方差组合优化/trader portfolio optimize [--risk-target number]live实盘交易可选 swarm 协同/trader live --broker name [--swarm enabled]history查看交易历史与绩效汇总/trader historycloud把重任务调度到云容器/trader cloud backtest\|train\|sweep strategy-or-model --symbol TICKER [--period 2020-2024] [--mc-paths 1000]cloud子命令是「重计算卸载」的关键设计长周期 walk-forward 回测、大规模 Monte-Carlo、参数扫描、模型训练这类重任务可以放到 Anthropic Managed Agent 的云容器里执行而不是在本地跑。它需要ANTHROPIC_API_KEY成本按「容器时间 token」计费直到会话终止因此技能trader-cloud-backtest/SKILL.md强调只装一次、复用环境、预检便宜、及时终止。实现细节见 ADR-117 与 ADR-115。三、策略管理strategy create创建策略分两步——先调用 neural-trader 生成策略再把策略配置存入 Ruflo 记忆# 1. 创建策略type 支持 momentum / mean-reversion / pairs / adaptive npx neural-trader --strategy type --symbol TICKER --create # 2. 把策略配置存入记忆命名空间 trading-strategies npx claude-flow/clilatest memory store --key strategy-NAME --value CONFIG --namespace trading-strategies策略类型与对应的入场逻辑见 插件 README策略CLI Flag入场逻辑Momentum--strategy momentumRSI MACD 确认Mean-reversion--strategy mean-reversionZ-score 2.0Bollinger 极值Pairs trading--strategy pairs协整价差背离Multi-indicator--strategy multi-indicatorRSI MACD Bollinger 组合Adaptive--strategy adaptive按 regime 自动切换存储进trading-strategies命名空间后后续trader-backtest、trader-signal等技能会用memory_retrieve/memory_search读取该策略见 trader-backtest/SKILL.md 第 2 步实现「一次创建、处处复用」。四、回测backtest与 walk-forward 验证回测是量化研究的心脏。/trader backtest的标准流程# 1. 运行回测Rust/NAPI 引擎--walk-forward 做前向验证 npx neural-trader --backtest --strategy name --symbol TICKER --period range --walk-forward # 2. 从输出抓取 Sharpe ratio、最大回撤、胜率、盈利因子 # 3. 结果存入记忆 npx claude-flow/clilatest memory store --key backtest-ID --value RESULTS --namespace trading-backtests # 4. 若 Sharpe 1.5训练 SONA 强化学习 npx claude-flow/clilatest neural train --pattern-type trading-strategy --epochs 10回测功能矩阵全部为 neural-trader 命令行参数功能命令Walk-forward--walk-forward --train-window 6M --test-window 1MMonte Carlo--monte-carlo --simulations 1000参数优化--optimize --param entry_z:1.5:3.0:0.25多标的--symbols AAPL,MSFT,GOOGL基准对比--benchmark SPY多指标策略的完整示例来自技能文档含 Kelly 仓位管理npx neural-trader --backtest --strategy multi-indicator --position-sizing kelly --symbol SPY --period 2020-2024从源码结构看回测命令的可验证性由 runtime-smoke.sh 守护——它真实安装neural-trader2.8.11并逐条执行文档化命令用 jq 断言输出的 JSON 结构覆盖 20 个入口点--backtest、--signal scan、--risk assess、--portfolio、--regime、--train、--predict、--strategy-create以及--walk-forward返回.walkForward.windowsRun、--monte-carlo返回.monteCarlo.distribution.median、--optimize返回.optimization.best.sharpeRatio等字段级校验。这意味着文档中的每条命令都有真实的执行测试背书。回测防篡改Ed25519 签名ADR-126 Phase 4trader-backtest技能SKILL.md还要求对回测结果签名为「paper → live」晋升门提供密码学篡改证据构造SignedBacktestArtifact主体{ strategyId, paramsHash, dataRange: {from,to}, metrics, runsHash, generatedAt }其中paramsHash sha256(规范化参数 JSON)、runsHash sha256(规范化 runs 数组 JSON)按RUFLO_WITNESS_KEY_PATH环境变量 →verification/witness-key.json的顺序解析签名私钥32 字节 Ed25519 私钥{ privateKey: 64位hex }必须放在仓库之外如~/.ruflo/witness-key.json调用 src/signed-artifact.mjs 的signBacktestArtifact(body, privateKeyHex)若两条密钥路径都解析不到则以「未签名降级模式」存储并输出响亮警告绝不静默降级存储到trading-backtests命名空间值含witnessSignaturewitnessPublicKey。验证端signed-artifact.ts 的verifyBacktestArtifact采用 CWE-347 模式钉死调用方提供的trustedPublicKey绝不信任工件上的witnessPublicKey字段该字段由攻击者可控。签名覆盖「去掉两个签名字段后的规范化主体」即普通JSON.stringify无空白、无排序与插件注册表签名方案保持一致。生产部署把公钥钉在项目配置中验证失败则拒绝晋升并返回错误。五、模型训练trainLSTM / Transformer / N-BEATS/trader train调用 neural-trader 的 ML 引擎训练三种深度模型模型类型适用场景LSTM循环网络序列预测、价格预测Transformer注意力机制多变量模式识别N-BEATS分解结构趋势/季节性分解# 1. 训练模型并输出置信区间 npx neural-trader --model lstm --symbol TICKER --confidence 0.95 npx neural-trader --model transformer --symbol TICKER --predict npx neural-trader --model nbeats --symbol TICKER --decompose # 2. 审查训练输出loss 曲线、验证指标、预测准确率 # 3. 生成带置信区间的预测--horizon 5d 指定预测窗口 npx neural-trader --model MODEL --symbol TICKER --predict --horizon 5d # 4. 跨模型对比 npx neural-trader --model-compare --symbol TICKER --models lstm,transformer,nbeats训练结果统一存入trading-analysis命名空间trader-train技能曾误用未声明的trading-models命名空间ADR-126 Phase 1 已修正为规范路径。随后用 SONA 轨迹学习对模型结果做模式提炼neural_train({ patternType: trading-model, epochs: 10 })。完整流程见 trader-train/SKILL.md。六、信号扫描signal scan与 Z-score 异常检测信号生成基于 neural-trader 的异常检测引擎对 OHLCV 做 Z-score 复合打分# 全局扫描 npx neural-trader --signal scan --symbols TICKERS # 指定策略扫描会加载该策略的过滤条件 npx neural-trader --signal scan --strategy name信号存入记忆时带24 小时 TTL日内信号不应污染长期记忆npx claude-flow/clilatest memory store --key signal-TIMESTAMP --value SIGNALS --namespace trading-signalsneural-trader 自动将异常分类每类都有明确的市场解读trader-signal/SKILL.md异常类型判定市场解读spikemaxZ 5突破/跳空——动量入场或均值回归 fadedrift1-2 维持续偏高趋势形成——趋势跟随信号flatline各维接近零横盘——准备突破oscillation交替波动区间震荡——极值处均值回归pattern-break多维多 Zregime 切换——平仓重估cluster-outlier50% 维度偏高多因子错位——套利信号落地前还可叠加 SONA regime 预测neural_predict({ input: anomaly types: [...], scores: [...] })与历史模式检索agentdb_pattern-search最终按「标的、方向、置信度、异常类型、入场/止损/目标」呈现排序后的信号。七、风险度量risk assess与熔断器# 1. 单标的风险度量VaR / CVaR / Sharpe / 回撤 npx neural-trader --risk assess --symbol TICKER npx neural-trader --var --symbol TICKER --investment amount # 2. 组合级风险 npx neural-trader --risk assess --portfolio current npx neural-trader --correlation --portfolio current --flag-threshold 0.8 # 3. 仓位管理风险预算 2% / Kelly npx neural-trader --risk-tolerance 0.02 --symbol TICKER npx neural-trader --position-sizing kelly --symbol TICKER评估结果写入trading-risk命名空间memory store --key risk-ID --value METRICS --namespace trading-risk。熔断器Circuit Breakers是live交易的安全底线trader.md 明确「熔断器自动强制」两个核心阈值README 给出完整六项熔断器触发条件动作日亏损单日回撤 3%暂停新开仓周亏损周回撤 5%仓位减半相关性飙升组合相关性 0.85削减相关仓位波动率 regimeVIX 历史 2 倍最小仓位持仓上限开仓数超限阻止新开仓集中度单一仓位 10%强制减仓完整风险流程见 trader-risk/SKILL.md。八、组合优化portfolio optimize与 CG 加速路径# 1. 均值方差组合优化 npx neural-trader --portfolio optimize # 或指定风险目标 npx neural-trader --portfolio optimize --risk-target number # 2. 生成再平衡交易计划 npx neural-trader --portfolio rebalance # 输出所需交易、当前 vs 目标权重、预估成本 # 3. 存储配置 npx claude-flow/clilatest memory store --key portfolio-TIMESTAMP --value ALLOCATION --namespace trading-portfolio性能进阶ADR-126 Phase 3 / ADR-123 Wedge 8插件内置了比默认 Neumann 级数求解更快的 Conjugate Gradient 路径trader-portfolio-cg技能通过mcp__ruflo-sublinear__solve求解Σ·x μ基准显示 n256 时~816nsCG vs ~50µsNeumann实测 40-60× 提速。其工作方式读取npx neural-trader --portfolio current --json的协方差与预期收益向量派发到mcp__ruflo-sublinear__solve未注册ruflo-sublinear插件时src/sublinear-adapter.mjs 内置约 50 行自包含 CG 内核做本地兜底权重写入trading-risk命名空间并带method: cg-sublinear | cg-local | neumann-fallback溯源元数据设RUFLO_NEURAL_TRADER_DISABLE_CG1可整体关闭 CG 路径退回旧路线一致性保证每个基准种子上||cg − neumann||_∞ 1e-4由 benchmarks/portfolio-cg.bench.mjs 验证scripts/smoke-neural-trader-portfolio-cg.mjs断言。九、实盘与历史live和history# 实盘启动--swarm enabled 启用群协同 npx neural-trader --broker name --strategy name --swarm enabled实盘期间监控交易执行与风险告警熔断器自动生效日亏 3% 停新仓、周亏 5% 减半。交易历史则通过记忆检索npx claude-flow/clilatest memory search --query trade history --namespace trading-history随后展示近期交易的 PnL、策略归因与聚合指标。十、重任务云卸载cloud backtest|train|sweep当回测/训练任务过重多年 walk-forward、大规模 Monte-Carlo、网格参数扫描、LSTM/Transformer/N-BEATS 训练时/trader cloud会把它调度到 Anthropic Managed Agent 云容器。技能 trader-cloud-backtest/SKILL.md 给出完整七步这也是 ADR-117 的落地配方先估算成本≈容器分钟数 × 费率 token长扫描是深思熟虑的选择而非默认创建或复用容器——用managed_agent_create指定claude-haiku-4-5-20251001编排只用轻模型真正的计算是 Rust 引擎、packages: { npm: [neural-trader] }与initScript一次性安装参数扫描务必「一个环境、一条 prompt 跑完全部配置」而不是开 N 个会话便宜预检——跑一个 1 MC path / 约 3 个月的小冒烟几秒内暴露策略名/标的名错误maxWaitMs: 60000正式任务——managed_agent_prompt要求报告 total return、annualized return、Sharpe、Sortino、max drawdown、win rate、profit factor、交易数、95% CVaR并把权益曲线写到/tmp/equity.csv、交易日志写到/tmp/trades.csv拉取产物cat /tmp/equity.csv本地入库 Ed25519 验证fail-closed 门——按signBacktestArtifact构造签名工件用钉死的项目公钥verifyBacktestArtifact验证失败则拒绝晋升实盘并输出显式错误验证通过后memory_store到trading-backtestsSharpe 1.5 时agentdb_pattern-store存为盈利模式并把容器时间与 token 成本记入 cost-tracking 命名空间立即终止——managed_agent_terminate({ sessionId, environmentId })绝不留空闲计费容器ruflo doctor/ GC 会兜底清理孤儿。成本规则小结装一次、复用环境、扫描批量进一条 prompt、预检要便宜、终止要果断、agent 循环用 Haiku/Sonnet、启动前先估算。没有ANTHROPIC_API_KEY或 Managed Agents 权限时技能自动降级到本地trader-backtest。十一、记忆与命名空间五命名空间契约插件拥有五个规范 AgentDB 命名空间ADR-126 Phase 1 定义插件 README 详述命名空间用途trading-strategies策略定义、参数、regime 条件映射trading-backtests历史回测结果长期ADR-126 Phase 4 签名trading-risk风险模型状态、VaR/CVaR 快照、熔断触发trading-analysis市场分析输出——regime 分类、技术指标摘要、训练结果trading-signals短期信号事件日内24h TTL注意前缀是trading-而非neural-trader-这是刻意的可用性设计——「trading」才是下游消费方真正关心的语义ADR-0001 明确记录。保留命名空间pattern、claude-memories、default不得遮蔽全部访问经memory_*命名空间路由。记忆生命周期由claude-flow/memory3.0.0-alpha.18保证ADR-125HNSW 索引热重启.hnsw边车文件、RRFMMR 混合检索embedding 不可用时优雅降级为纯关键词、信号 24h TTL 由MemoryConsolidator.sweepExpired()从所有索引含 HNSW清除、回测按(strategyId, paramsHash)去重keep-newest整合器默认每 6 小时跑一次sweepExpired dedup compactHnsw。十二、性能基线与验证体系性能声明来自插件 README针对 Rust/NAPI 绑定比 Python 等价实现快 8-19 倍订单执行与风控检查 200ms可用 WASM/SIMD 加速行情数据写入 52,000 条/秒。契约级验证分两层结构层bash plugins/ruflo-neural-trader/scripts/smoke.sh输出11 passed, 0 failed检查版本/关键词、9 个技能 frontmatter含allowed-tools无通配符、4 个 Agent、trader命令、CLI v3.6 钉版、五命名空间声明、回测功能文档化、ADR-0001 状态运行时层bash plugins/ruflo-neural-trader/scripts/runtime-smoke.sh真实安装neural-trader2.8.11对文档化命令做 JSON 字段级断言20 个入口点端到端覆盖 Kelly、walk-forward、Monte Carlo、optimize、多标的、pairs、adaptive、multi-indicator。性能预算docs/perf-notes.mdADR-126 基准驱动的热路径分析signal 最差标的均值 1000µs、全扫描均值合计 10ms、回测均值 10ms、回测吞吐 25,000 bars/sec、N5000 时记忆检索 p95 50ms、recall10 ≥0.8。任一接受线在 CI 上被突破即视为性能回归。其中 Neumann 求解器的每次迭代分配已通过双缓冲 ping-pong 优化消除n256 实测 ~18% 提速||cg − neumann||_∞ 2.12e-8一致性保持。十三、可解释性trader-explain特征归因针对 LSTM/Transformer 信号的「黑箱」问题trader-explain技能ADR-126 Phase 6 / ADR-123为任意signalId构建特征贡献图节点特征边共注意力权重运行单入口 forward-push PageRank 产出 top-K 特征排序。输出是写入trading-analysis的SignedAttributionArtifactEd25519 签名带seed保证可复现——同一signalId 同一--seed产生字节级一致的排序scripts/smoke-neural-trader-feature-attribution.mjs断言。典型输出形如## Feature attribution for signal sig-momentum-spy-20260519-001 (model: transformer-attn8h-v2) | Rank | Feature | Score | |------|------------------|-------| | 1 | rsi_14 | 0.42 | | 2 | attention_head_3 | 0.21 | | 3 | price_close_t-7 | 0.13 | | 4 | macd_signal | 0.09 | - PageRank iterations: 18 | Graph: 17 nodes, 42 edges | Seed: 42 (reproducible) - Signature: ed25519:abcd…适用场景包括交易前风险审查、欧盟 AI 法案第 13 条等监管透明度要求、止损事件复盘、paper→live 晋升前的risk-analyst输入。若neural-trader未暴露--predict --explain --json则降级为输入向量的 z-score 幅度启发式并标记attribution_method: input-zscore-fallback下游可过滤。结语一条从研究到实盘的完整证据链/trader命令把量化交易的完整生命周期——策略创建、walk-forward 回测、深度模型训练、异常信号扫描、风险度量、组合优化、实盘执行、历史归因——压缩进一条可复用的 CLI并借助五命名空间记忆、Ed25519 签名防篡改、云容器重计算卸载和契约级 smoke 验证让每一次「paper → live」晋升都有据可查、有证可验。无论是个人研究还是智能体协同的多策略组合trader.md 都是这套工作流的权威入口。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考