新闻详情

新闻详情

首页 / 资讯中心 / 详情

PanWatch 模拟盘实战:AI 建议一键跟单,净值曲线见证策略成色

发布时间:2026/11/21 23:32:44来源:尧图网络
PanWatch 模拟盘实战:AI 建议一键跟单,净值曲线见证策略成色
PanWatch 模拟盘实战AI 建议一键跟单净值曲线见证策略成色【免费下载链接】PanWatchPanWatch — AI stock monitoring for A-shares, HK US markets, powered by TradingAgents. Portfolio insights, real-time alerts automated reports.盯盘侠覆盖 A股/港股/美股的 AI 盯盘、持仓分析、实时提醒与自动报告。项目地址: https://gitcode.com/GitHub_Trending/pa/PanWatchPanWatch盯盘侠是一款面向 A 股、港股、美股的自托管 AI 盯盘工具内置AI 模拟盘Paper Trading模块它把你信任的 AI 建议与量化策略信号变成一笔笔可追溯的虚拟交易用真实的净值曲线、最大回撤与胜率来检验策略的成色。不用真金白银就能先跑一个月看看 AI 到底靠不靠谱。为什么先跑模拟盘再考虑真仓多数人在AI 炒股上栽跟头不是因为模型不行而是缺少验证环节AI 说买入就买亏了也不知道是信号差还是执行差。PanWatch 的解法很直接——让 AI 先在模拟盘里打工信号自动跟单策略引擎产生信号后模拟盘引擎 自动按信号建仓、平仓全程无人工干预真实交易成本买卖手续费与滑点与回测共用同一套 成本模型曲线不掺水风控内置浮盈 5% 后启动移动止损回撤 10% 离场默认持有超过 20 个自然日自动时间止损见 止损参数一句话你看到的是策略裸奔后的真实表现而不是理想回测。AI 建议从哪来三个 Agent 的建议池模拟盘不是孤立存在的它和 PanWatch 的 AI 盯盘体系咬合在一起。盘中三个 Agent 会持续产出可操作的建议买入 / 加仓 / 减仓 / 卖出 / 观察 / 回避统一汇入建议池Agent触发时机建议有效期盘前分析每日开盘前当日约 12 小时盘中监测交易时段实时6 小时收盘复盘每日收盘后隔夜约 16 小时建议会自动去重、按时间窗过期避免同一个信号推你八遍。你在机会页看到的 AI 评分选股正是这套信号体系的产物一键跟单之后引擎在做什么打开模拟盘开关后后台调度器每 60 秒扫一轮仅在 A 股/港股/美股任一市场处于交易时段时执行休市自动跳过扫描逻辑见 paper_trading_scheduler.py。每轮它会做四件事捡信号读取策略产生的买入信号按信号强度rank_score分配仓位——85 分以上投 25% 预算65 分以下只投 8%评分越高分量越足逻辑在 仓位权重函数算股数A 股按一手100 股整数倍计算并扣除手续费后受可用现金约束买不起一手就跳过盯持仓逐笔检查止损、止盈、移动止损与时间止损触发即离场记账每笔平仓落一条完整交易记录入场价 / 出场价 / 盈亏 / 持有天数 / 离场原因为净值曲线供数净值曲线与策略绩效一张图看懂成色模拟盘页面前端入口PaperTrading.tsx把最关键的绩效全部摊开净值曲线按日累计的权益曲线当天未平仓仓位按最新价折算绘制逻辑见 构建收益曲线最大回撤曲线从峰值到谷底的百分比是策略抗压能力的硬指标胜率与盈亏比总交易数、盈利笔数、平均单笔收益策略绩效榜按策略代码聚合已平仓 持仓中按总盈亏排序——哪个策略在给你赚钱一目了然聚合逻辑见 策略绩效统计还能按 A 股 / 港股 / 美股分别切换市场视图只看某一个市场的子池表现。分市场资金配置与通知推送模拟盘默认把总资金按A 股 50% / 港股 30% / 美股 20%拆成三个子池默认配置见 market_trading_engine.py在页面里改资金总额和比例即可每个市场独立核算现金与盈亏互不串账。通知方面模拟盘接入了 PanWatch 的全渠道推送Telegram / 企业微信 / 钉钉 / 飞书 / Bark / Webhook三类消息可分别开关实时交易通知每次模拟开仓 / 平仓即刻推送盘前计划每个交易日 09:00 推送当日计划日终摘要每个交易日 15:30 推送当日战报快速上手4 步开启 AI 跟单之旅启动 PanWatchDocker 一条命令即可见 README 快速开始完成登录与 AI 服务商配置进入「模拟盘」页面打开账户开关设置初始资金如 50 万按需调整 A 股 / 港股 / 美股的资金比例选择跟单通知渠道等待信号策略产生买入信号后引擎自动建仓之后每天看净值曲线和日终摘要即可想更了解底层实现可以从这几个入口读起模拟盘引擎与止损逻辑src/modules/paper_trading/paper_trading_engine.py调度与定时通知src/modules/paper_trading/paper_trading_scheduler.py建议池AI 建议汇聚src/modules/automation/suggestion_pool.py整体后端架构src/ARCHITECTURE.md结语AI 盯盘的尽头不是听 AI 的而是验证过 AI 再听它的。PanWatch 的模拟盘把 AI 建议、策略信号和真实成本模型放进同一个虚拟账户用净值曲线和回撤数据说话——等这条曲线跑出了一个让你信服的形状再考虑真仓也不迟。【免费下载链接】PanWatchPanWatch — AI stock monitoring for A-shares, HK US markets, powered by TradingAgents. Portfolio insights, real-time alerts automated reports.盯盘侠覆盖 A股/港股/美股的 AI 盯盘、持仓分析、实时提醒与自动报告。项目地址: https://gitcode.com/GitHub_Trending/pa/PanWatch创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/21 14:14:45

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/21 14:14:26

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/21 21:08:55

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/20 16:11:20

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/21 19:02:25

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/21 14:13:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉