第 24 课：交易监控与调整
⏱ 课时：1.5 小时
🎯 学习目标：掌握日常交易监控的最佳实践，学会适时调整而非过度干预
课程概述
实盘交易启动后，监控和调整成为日常工作。但过度监控会导致焦虑，过度调整会破坏策略的稳定性。
本课核心理念：
监控是为了及时发现问题，而不是找借口干预策略。
本课将帮助你：
- 建立高效的日常监控流程
- 识别真正需要调整的信号
- 区分正常波动和系统性问题
- 掌握调整的时机和方法
第一部分：日常监控最佳实践
1.1 三级监控体系
实时监控（自动化）
通过 Telegram 自动接收：
✅ 买入通知
✅ 卖出通知
✅ 止损通知
✅ 错误警报
✅ 保护机制触发
特点：
- 无需主动查看，被动接收
- 24/7 覆盖
- 关键事件不遗漏
建议配置：
"notification_settings": {
"status": "silent", // 状态查询不通知
"warning": "on", // 警告必须通知
"entry": "on", // 买入通知
"exit": "on", // 卖出通知
"protection_trigger": "on" // 保护触发通知
}
定时检查（主动）
每日 3 次固定时间检查：
早晨检查（8:00-9:00）：
- 查看过夜持仓
- 检查系统状态
- 浏览 Telegram 历史消息
时间：10-15 分钟
午间检查（12:00-13:00）：
- 查看当前持仓盈亏
- 确认无异常交易
- 检查新增信号
时间：5-10 分钟
晚间总结（21:00-22:00）：
- 查看当日交易明细
- 统计收益和胜率
- 记录交易日志
- 分析问题交易
时间：15-20 分钟
总时间：每日 30-45 分钟
深度分析（周期性）
每周分析（周日晚）：
- 生成周报告
- 对比回测和 Dry-run
- 分析最佳/最差交易
- 评估是否需要调整
时间：30-60 分钟
每月复盘（月初）：
- 生成月报告
- 计算关键指标
- 策略表现评估
- 制定下月计划
时间：1-2 小时
1.2 高效监控工具
工具 1：Telegram Bot 命令
常用命令：
/status
- 查看当前持仓
- 显示盈亏情况
- 最常用命令
/profit [天数]
- 查看盈利统计
- 示例：/profit 7（最近 7 天）
/daily [天数]
- 查看每日收益
- 示例：/daily 30
/performance
- 查看交易对表现
- 找出最佳/最差交易对
/count [天数]
- 查看交易次数统计
- 按交易对分组
/balance
- 查看账户余额
- 确认资金状况
/stopbuy
- 暂停买入（保留持仓）
- 应急使用
/reload_config
- 重新加载配置
- 修改配置后使用
工具 2：FreqUI 面板
优势：
✅ 可视化界面
✅ 实时图表
✅ 历史交易查询
✅ 一键操作
访问：
http://your-server-ip:8080
主要功能：
1. Dashboard - 总览
2. Trades - 交易历史
3. Performance - 性能分析
4. Charts - K 线图
5. Settings - 设置
工具 3：自定义监控脚本
创建 daily_summary.py：
#!/usr/bin/env python3
"""
每日自动总结脚本
每天定时运行，生成总结并发送到 Telegram
"""
import sqlite3
import requests
from datetime import datetime, timedelta
# 配置
DB_PATH = 'tradesv3.sqlite'
TELEGRAM_TOKEN = 'YOUR_BOT_TOKEN'
TELEGRAM_CHAT_ID = 'YOUR_CHAT_ID'
def send_telegram_message(message):
"""发送 Telegram 消息"""
url = f"https://api.telegram.org/bot{TELEGRAM_TOKEN}/sendMessage"
payload = {
'chat_id': TELEGRAM_CHAT_ID,
'text': message,
'parse_mode': 'Markdown'
}
try:
requests.post(url, data=payload)
except Exception as e:
print(f"发送失败: {e}")
def get_today_stats():
"""获取今日统计"""
conn = sqlite3.connect(DB_PATH)
cursor = conn.cursor()
today = datetime.now().date()
today_start = datetime.combine(today, datetime.min.time())
# 今日已关闭的交易
cursor.execute("""
SELECT
close_profit_abs,
close_profit,
pair
FROM trades
WHERE close_date >= ?
AND close_date IS NOT NULL
ORDER BY close_date DESC
""", (today_start,))
trades = cursor.fetchall()
conn.close()
if not trades:
return None
# 统计
total_profit = sum(t[0] for t in trades)
win_trades = [t for t in trades if t[0] > 0]
loss_trades = [t for t in trades if t[0] < 0]
stats = {
'total_trades': len(trades),
'win_trades': len(win_trades),
'loss_trades': len(loss_trades),
'win_rate': len(win_trades) / len(trades) * 100 if trades else 0,
'total_profit': total_profit,
'best_trade': max(trades, key=lambda x: x[0]) if trades else None,
'worst_trade': min(trades, key=lambda x: x[0]) if trades else None,
}
return stats
def generate_summary():
"""生成每日总结"""
stats = get_today_stats()
if not stats:
return "📊 *今日交易总结*\n\n今日无已完成的交易"
message = f"""📊 *今日交易总结* - {datetime.now().strftime('%Y-%m-%d')}
📈 *交易概览*
总交易：{stats['total_trades']} 笔
胜率：{stats['win_rate']:.1f}% ({stats['win_trades']}胜 / {stats['loss_trades']}负)
💰 *盈亏情况*
今日盈亏：{stats['total_profit']:.2f} USDT
🏆 *最佳交易*
{stats['best_trade'][2]}: +{stats['best_trade'][0]:.2f} USDT ({stats['best_trade'][1]*100:.2f}%)
📉 *最差交易*
{stats['worst_trade'][2]}: {stats['worst_trade'][0]:.2f} USDT ({stats['worst_trade'][1]*100:.2f}%)
---
_自动生成于 {datetime.now().strftime('%H:%M:%S')}_
"""
return message
if __name__ == '__main__':
summary = generate_summary()
send_telegram_message(summary)
print("每日总结已发送")
设置定时任务：
# 每天晚上 21:00 发送总结
crontab -e
0 21 * * * cd /path/to/freqtrade && python3 daily_summary.py
1.3 监控检查清单
每日早晨检查清单（5-10 分钟）
□ 系统状态
□ Freqtrade 进程运行正常
□ CPU/内存使用正常
□ 无错误日志
□ 持仓状况
□ 当前持仓数量：____
□ 持仓总盈亏：____
□ 是否有需要关注的持仓
□ 过夜交易
□ 过夜期间是否有交易
□ 是否有止损触发
□ 是否有异常情况
□ 市场环境
□ BTC 走势：____ （涨/跌/震荡）
□ 整体市场情绪：____
□ 是否有重大新闻
每日晚间总结清单（15-20 分钟）
□ 交易统计
- 今日交易次数：____
- 胜率：____%
- 今日盈亏：____ USDT (____%)
- 累计盈亏：____ USDT (____%)
□ 交易分析
□ 最佳交易原因分析
□ 最差交易原因分析
□ 是否有规律可循
□ 问题记录
□ 是否有系统错误
□ 是否有异常交易
□ 是否需要调整
□ 明日计划
□ 是否需要调整参数
□ 是否需要更换交易对
□ 是否需要暂停交易
第二部分：识别调整信号
2.1 正常波动 vs 系统性问题
正常波动（无需调整）
特征：
✅ 短期（1-3 天）表现波动
✅ 胜率在 ±10% 范围内波动
✅ 单日盈亏在 ±3% 范围内
✅ 交易逻辑符合预期
✅ 无系统错误
示例：
- 周一：+2.5%
- 周二：-1.2%
- 周三：+3.1%
- 周四：-0.8%
- 周五：+1.8%
分析：虽有起伏，但整体向上，无需调整
系统性问题（需要调整）
特征：
❌ 持续（>7 天）表现不佳
❌ 胜率持续低于 40%
❌ 连续多日亏损（>5 天）
❌ 频繁触发保护机制
❌ 与回测差异巨大（>70%）
示例：
- 第1周：-2.5%
- 第2周：-1.8%
- 第3周：-3.2%
- 第4周：-2.1%
分析：连续 4 周亏损，明显系统性问题，需要调整
2.2 需要调整的信号
信号 1：胜率持续低于 40%
现象：
- 连续 2 周胜率 < 40%
- 多数交易止损出场
- 盈利交易很少
可能原因：
1. 市场环境变化，策略不适应
2. 止损设置过紧
3. 入场信号质量差
调整方案：
A. 分析亏损交易原因
- 是逆势交易？
- 是假突破？
- 是止损过紧？
B. 根据原因调整
- 增加趋势过滤（ADX）
- 放宽止损（-3% → -4%）
- 提高入场标准
C. 如果市场环境不适合
- 暂停交易，等待更好时机
- 或切换适合当前环境的策略
信号 2：最大回撤超过预期
现象：
- 回测最大回撤：-12%
- 实盘最大回撤：-20%+
- 超出可承受范围
可能原因：
1. 仓位过大
2. 止损未有效执行
3. 连续亏损未及时止损
调整方案：
A. 立即降低风险敞口
- 降低单笔投入（-30%）
- 减少最大持仓数（-1到-2）
- 加强止损执行
B. 启用保护机制
"protections": [
{
"method": "MaxDrawdown",
"max_allowed_drawdown": 0.15, // 15%
"lookback_period_candles": 200,
"stop_duration_candles": 50
}
]
C. 如果已超过 -20%
- 考虑暂停交易
- 深入分析问题
- 小资金重新测试
信号 3：交易频率异常
现象 A：交易频率过高
- 预期：每天 3-5 笔
- 实际：每天 15-20 笔
- 手续费侵蚀利润
调整方案：
- 延长持仓时间（调整卖出条件）
- 增加入场过滤条件
- 提高 ROI 目标
现象 B：交易频率过低
- 预期：每天 3-5 笔
- 实际：每周 1-2 笔
- 资金利用率低
调整方案：
- 放宽入场条件
- 增加交易对数量
- 降低指标阈值
信号 4：特定交易对表现差
使用 /performance 查看各交易对表现：
BTC/USDT: 15 trades, Win rate: 73%, Profit: +125.50 USDT
ETH/USDT: 18 trades, Win rate: 61%, Profit: +82.30 USDT
BNB/USDT: 22 trades, Win rate: 36%, Profit: -45.20 USDT ❌
ADA/USDT: 12 trades, Win rate: 42%, Profit: -18.50 USDT ❌
分析：
- BNB/USDT 和 ADA/USDT 明显拖累整体表现
- 胜率低，累计亏损
调整方案：
- 将表现差的交易对移入 blacklist
- 或单独分析这些交易对的问题
- 考虑增加新的优质交易对
2.3 不应该调整的情况
❌ 错误的调整动机：
1. 因为 1-2 天亏损就调整
- 短期波动是正常的
- 频繁调整破坏策略一致性
2. 因为看到新策略就切换
- "草总是别人的绿"
- 没有完美的策略
3. 因为市场波动就改参数
- 每次市场波动都改，永远在追逐
- 策略应该适应多种环境
4. 因为追求更高收益而冒险
- 提高杠杆
- 关闭止损
- 满仓操作
5. 因为情绪而做决定
- 恐惧：连续亏损后降低仓位到极低
- 贪婪：连续盈利后大幅加仓
第三部分：调整的时机与方法
3.1 调整决策流程
发现问题
↓
记录并观察（至少 7 天）
↓
数据分析（是正常波动还是系统问题？）
↓
┌─────────────┬─────────────┐
│ 正常波动 │ 系统问题 │
│ 继续观察 │ 制定方案 │
└─────────────┴─────────────┘
↓
在测试环境验证（Dry-run）
↓
┌──────────────┐
│ 验证成功？ │
└──────────────┘
↙ ↘
是 否
↓ ↓
应用到实盘 放弃或重新设计
↓
小幅度调整（单一变量）
↓
观察 7-14 天
↓
评估效果
3.2 调整的黄金法则
法则 1：一次只调整一个变量
❌ 错误做法：
同时修改：
- stake_amount: 200 → 300
- max_open_trades: 3 → 5
- stoploss: -0.03 → -0.04
- 添加新的交易对
- 更换指标参数
问题：无法知道哪个改动有效
✅ 正确做法：
第1周：只调整 stake_amount: 200 → 250
观察效果
第2周：如果效果好，再调整下一个参数
法则 2：小步快走，逐步调整
❌ 错误：stake_amount: 200 → 500 (激进，+150%)
✅ 正确：stake_amount: 200 → 250 → 300 (渐进，每次 +25%)
❌ 错误：stoploss: -0.03 → -0.06 (翻倍)
✅ 正确：stoploss: -0.03 → -0.035 → -0.04 (小幅)
法则 3：调整前先在 Dry-run 验证
流程：
1. 修改配置文件
2. 启动新的 Dry-run 进程（使用不同数据库）
3. 运行至少 3-7 天
4. 对比新旧配置的表现
5. 如果新配置更好，应用到实盘
命令：
# 新配置 Dry-run（独立数据库）
freqtrade trade \
-c config.new.json \
--strategy YourStrategy \
--db-url sqlite:///tradesv3.dryrun.test.sqlite
# 对比
freqtrade backtesting-analysis \
--db-url sqlite:///tradesv3.sqlite \
--export-filename trades_old.json
freqtrade backtesting-analysis \
--db-url sqlite:///tradesv3.dryrun.test.sqlite \
--export-filename trades_new.json
法则 4：设置调整冷静期
调整后必须观察至少：
- 参数微调：7 天
- 交易对变更：7 天
- 策略切换：14 天
- 资金调整：14 天
期间：
- 不再做其他调整
- 详细记录表现
- 客观评估效果
3.3 常见调整场景
场景 1：市场环境改变（趋势 → 震荡）
症状：
- 策略突然表现不佳
- 频繁止损
- 胜率大幅下降
分析：
- 趋势跟随策略在震荡市中失效
应对方案 A：暂停交易
- 使用 /stopbuy 暂停买入
- 等待市场重回趋势
应对方案 B：调整策略
- 增加 ADX 趋势过滤
"minimal_adx": 25 // 只在趋势明显时交易
- 或切换到震荡策略
- 均值回归策略
- 网格策略
应对方案 C：减少风险敞口
- 降低仓位 50%
- 减少持仓数
- 维持运行但降低风险
场景 2：止损频繁触发
症状：
- 胜率 < 40%
- 多数交易止损出场
- 平均持仓时间很短（< 1 小时）
分析：
可能是止损设置过紧
调整方案：
1. 计算平均波动幅度（ATR）
- 如果 BTC 的 5m ATR = 0.3%
- 当前止损 = -2%
- 比值 = 2% / 0.3% = 6.67 倍 ATR
2. 调整到合理范围
- 建议：8-10 倍 ATR
- 新止损 = -2.5% 到 -3%
3. 在 Dry-run 测试 7 天
4. 对比止损触发频率
- 调整前：每天 5-6 次
- 调整后：每天 2-3 次
场景 3：单个交易对表现差
症状：
BNB/USDT: 20 trades, Win rate: 35%, Profit: -50 USDT
调整方案 A：移除该交易对
"pair_blacklist": [
"BNB/USDT"
]
调整方案 B：单独优化该交易对
- 分析该交易对的特点
- 调整专属参数（如果策略支持）
- 或该交易对使用不同策略
调整方案 C：增加替代交易对
- 移除表现差的
- 增加流动性好、波动适中的
- 如：SOL/USDT, AVAX/USDT
场景 4：收益稳定但低于预期
症状：
- 月收益 +2%（预期 5-8%）
- 胜率正常（55%）
- 无大问题，就是收益低
分析：
- 策略本身可能趋于保守
- 或市场波动率降低
调整方案 A：提高资金利用率
- 增加 max_open_trades: 3 → 4
- 适度提高 stake_amount
调整方案 B：优化卖出条件
- 放宽止盈条件，让利润奔跑
- 使用追踪止盈
"trailing_stop": true,
"trailing_stop_positive": 0.01,
"trailing_stop_positive_offset": 0.02
调整方案 C：增加交易频率
- 降低入场阈值
- 增加交易对数量
3.4 调整记录模板
每次调整都应详细记录：
==========================================
调整记录 #1
==========================================
日期：2023-05-15
调整类型：参数优化
问题描述：
- 过去 2 周胜率持续低于 45%
- 止损频繁触发
- 平均持仓时间仅 1.2 小时
数据支持：
- 第1周：胜率 42%，盈亏 -12 USDT
- 第2周：胜率 43%，盈亏 -8 USDT
- 止损次数：28 次（占比 65%）
根本原因分析：
- ATR 分析显示止损设置过紧
- 当前止损 -2% = 5 倍 ATR
- 建议范围：8-10 倍 ATR
调整方案：
修改参数：
- stoploss: -0.02 → -0.03 (+50%)
验证计划：
1. 在 Dry-run 测试 7 天
2. 对比止损触发频率
3. 评估胜率变化
预期结果：
- 止损触发减少 30-40%
- 胜率提升到 50% 以上
- 平均持仓时间增加到 2-3 小时
------------------------------------------
跟踪更新（7 天后）：
实际结果：
- Dry-run 表现：胜率 52%，盈亏 +15 USDT
- 止损触发：12 次（减少 57%）
- 平均持仓时间：2.5 小时
评估：✅ 效果符合预期
决策：应用到实盘
应用日期：2023-05-22
------------------------------------------
最终评估（实盘运行 14 天后）：
实盘结果：
- 胜率：54%（达标）
- 盈亏：+28 USDT（显著改善）
- 止损触发：20 次（大幅减少）
结论：✅ 调整成功
经验总结：
- 止损设置应该基于 ATR 动态调整
- 小幅调整（-2% → -3%）即可显著改善
- 必须先在 Dry-run 验证
==========================================
第四部分：长期监控策略
4.1 建立监控仪表板
使用 Excel 或 Google Sheets 创建监控仪表板：
表格 1：每日快照
| 日期 | 交易数 | 胜率 | 日盈亏 | 累计盈亏 | 持仓数 | 最大回撤 | 备注 |
|---|---|---|---|---|---|---|---|
| 05/15 | 4 | 75% | +8.5 | +125.5 | 2 | -1.2% | 正常 |
| 05/16 | 5 | 60% | +3.2 | +128.7 | 3 | -1.5% | 正常 |
| 05/17 | 3 | 33% | -5.1 | +123.6 | 1 | -2.8% | 连续止损 ⚠️ |
表格 2：周度对比
| 周次 | 交易数 | 胜率 | 周盈亏 | 对比Dry-run | 对比回测 | 评级 |
|---|---|---|---|---|---|---|
| 第1周 | 28 | 57% | +4.6% | 25% | 18% | A- |
| 第2周 | 32 | 53% | +3.2% | 18% | 13% | B+ |
| 第3周 | 25 | 60% | +5.8% | 32% | 23% | A |
| 第4周 | 30 | 55% | +4.1% | 23% | 16% | A- |
表格 3：关键指标趋势
图表展示：
- 累计收益曲线（应平稳上升）
- 胜率趋势线（应稳定在 50% 以上）
- 回撤曲线（应控制在安全范围）
- 每周交易次数（应相对稳定）
4.2 自动化报告
创建自动化周报脚本 weekly_report.py：
#!/usr/bin/env python3
"""
自动化周报生成脚本
每周日晚上运行，生成详细报告
"""
import sqlite3
from datetime import datetime, timedelta
import pandas as pd
DB_PATH = 'tradesv3.sqlite'
def generate_weekly_report():
"""生成周报"""
conn = sqlite3.connect(DB_PATH)
# 获取最近 7 天的交易
week_ago = datetime.now() - timedelta(days=7)
query = """
SELECT
pair,
open_date,
close_date,
profit_abs,
profit_ratio,
sell_reason
FROM trades
WHERE close_date >= ?
AND close_date IS NOT NULL
ORDER BY close_date DESC
"""
df = pd.read_sql_query(query, conn, params=(week_ago,))
conn.close()
if len(df) == 0:
return "本周无交易"
# 统计
total_trades = len(df)
win_trades = len(df[df['profit_abs'] > 0])
loss_trades = len(df[df['profit_abs'] <= 0])
win_rate = win_trades / total_trades * 100
total_profit = df['profit_abs'].sum()
avg_profit = df['profit_abs'].mean()
best_trade = df.loc[df['profit_abs'].idxmax()]
worst_trade = df.loc[df['profit_abs'].idxmin()]
# 按交易对分组
pair_stats = df.groupby('pair').agg({
'profit_abs': ['sum', 'count'],
'profit_ratio': 'mean'
}).round(2)
# 按卖出原因分组
sell_reason_stats = df.groupby('sell_reason').size()
# 生成报告
report = f"""
╔══════════════════════════════════════╗
║ 周度交易报告 ║
║ {datetime.now().strftime('%Y-%m-%d')} ║
╚══════════════════════════════════════╝
📊 整体表现
─────────────────────────────────────
总交易次数: {total_trades}
胜率: {win_rate:.1f}% ({win_trades}胜/{loss_trades}负)
总盈亏: {total_profit:.2f} USDT
平均盈亏: {avg_profit:.2f} USDT
🏆 最佳交易
{best_trade['pair']}: +{best_trade['profit_abs']:.2f} USDT ({best_trade['profit_ratio']*100:.2f}%)
时间: {best_trade['close_date']}
📉 最差交易
{worst_trade['pair']}: {worst_trade['profit_abs']:.2f} USDT ({worst_trade['profit_ratio']*100:.2f}%)
时间: {worst_trade['close_date']}
💹 交易对表现
─────────────────────────────────────
{pair_stats.to_string()}
📋 退出原因分布
─────────────────────────────────────
{sell_reason_stats.to_string()}
═══════════════════════════════════════
报告生成时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}
═══════════════════════════════════════
"""
return report
if __name__ == '__main__':
report = generate_weekly_report()
print(report)
# 保存到文件
filename = f"weekly_report_{datetime.now().strftime('%Y%m%d')}.txt"
with open(filename, 'w', encoding='utf-8') as f:
f.write(report)
print(f"\n报告已保存到: {filename}")
4.3 性能退化检测
创建检测脚本 performance_check.py：
#!/usr/bin/env python3
"""
性能退化检测
对比实盘与历史基准，检测策略是否退化
"""
import sqlite3
from datetime import datetime, timedelta
DB_PATH = 'tradesv3.sqlite'
# 基准数据（来自回测或早期实盘）
BENCHMARK = {
'win_rate': 55.0, # 基准胜率
'avg_profit': 1.5, # 基准平均盈利（USDT）
'profit_ratio': 0.015, # 基准盈利率
}
# 警戒阈值
THRESHOLD = {
'win_rate': 0.85, # 胜率低于基准的 85% 警报
'avg_profit': 0.70, # 平均盈利低于基准的 70% 警报
}
def check_performance():
"""检查最近表现是否退化"""
conn = sqlite3.connect(DB_PATH)
cursor = conn.cursor()
# 最近 14 天的交易
days_ago = datetime.now() - timedelta(days=14)
cursor.execute("""
SELECT
profit_abs,
profit_ratio
FROM trades
WHERE close_date >= ?
AND close_date IS NOT NULL
""", (days_ago,))
trades = cursor.fetchall()
conn.close()
if len(trades) < 10:
print("⚠️ 交易样本不足（< 10），无法评估")
return
# 计算当前指标
win_trades = [t for t in trades if t[0] > 0]
current_win_rate = len(win_trades) / len(trades) * 100
current_avg_profit = sum(t[0] for t in trades) / len(trades)
# 对比基准
win_rate_ratio = current_win_rate / BENCHMARK['win_rate']
avg_profit_ratio = current_avg_profit / BENCHMARK['avg_profit']
print("=" * 50)
print("性能退化检测报告")
print("=" * 50)
print(f"\n指标对比（最近 14 天 vs 基准）：\n")
print(f"胜率:")
print(f" 当前: {current_win_rate:.1f}%")
print(f" 基准: {BENCHMARK['win_rate']:.1f}%")
print(f" 比值: {win_rate_ratio:.2f} ", end="")
if win_rate_ratio < THRESHOLD['win_rate']:
print("❌ 警报：低于阈值")
else:
print("✅")
print(f"\n平均盈利:")
print(f" 当前: {current_avg_profit:.2f} USDT")
print(f" 基准: {BENCHMARK['avg_profit']:.2f} USDT")
print(f" 比值: {avg_profit_ratio:.2f} ", end="")
if avg_profit_ratio < THRESHOLD['avg_profit']:
print("❌ 警报：低于阈值")
else:
print("✅")
# 总体评估
print(f"\n总体评估:")
if win_rate_ratio < THRESHOLD['win_rate'] or avg_profit_ratio < THRESHOLD['avg_profit']:
print("❌ 检测到性能退化，建议：")
print(" 1. 检查市场环境是否改变")
print(" 2. 分析近期亏损交易")
print(" 3. 考虑调整策略或暂停交易")
else:
print("✅ 性能正常，继续运行")
print("=" * 50)
if __name__ == '__main__':
check_performance()
设置每周自动检测：
# 每周日晚上 22:00 运行
0 22 * * 0 cd /path/to/freqtrade && python3 performance_check.py | mail -s "Performance Check" your@email.com
📝 实践任务
任务 1：建立监控体系
- 配置 Telegram Bot 所有通知
- 设置每日3次固定检查时间（手机日历提醒）
- 创建监控表格（Excel/Google Sheets）
- 部署自动化总结脚本
任务 2：制定调整准则
创建你的调整决策文档：
何时观察：
- ________
何时警惕：
- ________
何时调整：
- ________
何时停止：
- ________
任务 3：模拟调整流程
选择一个假设的问题场景，完整走一遍调整流程：
- 问题描述
- 数据分析
- 制定方案
- Dry-run 验证
- 应用到实盘
- 效果评估
任务 4：建立月度复盘习惯
设置每月1号的日历提醒，进行月度复盘：
- 回顾上月所有交易
- 统计关键指标
- 找出问题和亮点
- 制定下月计划
📌 核心要点
监控的三个层次
1. 实时监控（自动化）
- Telegram 通知
- 被动接收
- 24/7 覆盖
2. 定时检查（主动）
- 每日 3 次
- 固定时间
- 30-45 分钟
3. 深度分析（周期）
- 每周 + 每月
- 数据驱动
- 1-2 小时
调整的黄金法则
1. 一次一个变量
2. 小步快走
3. 先 Dry-run 验证
4. 设置冷静期
5. 详细记录
何时该调整，何时不该
✅ 应该调整：
- 连续 7 天表现不佳
- 胜率持续 < 40%
- 与基准差异 > 70%
- 出现系统性问题
❌ 不应调整：
- 1-2 天波动
- 单笔交易亏损
- 看到新策略就想换
- 基于情绪做决定
🎯 下节预告
第 25 课：风险控制与心态管理
在下一课中，我们将学习：
- 高级风险控制技术
- 心态管理的重要性
- 如何应对连续亏损
- 长期稳定盈利的关键
监控和调整是技术层面，但真正决定长期成败的是风险控制和心态管理。
🎓 学习建议：
- 定时监控：建立固定的监控习惯
- 数据驱动：用数据而非情绪做决策
- 小心调整：宁可慢一些，也要稳一些
- 详细记录：每次调整都要记录和跟踪
- 长期视角：关注趋势而非单日波动
记住：好的监控是发现问题，好的调整是解决问题，但最好的策略是不需要频繁调整的策略。
Top comments (0)