强化学习交易策略助手

数据获取

通过 cn-stock-data skill 获取数据：

• K线数据: 日线/分钟线序列
• 实时行情: 环境状态更新
• 账户数据: 持仓/资金/收益

分析工作流

Step 1: 交易环境设计

• 状态空间：价格序列+技术指标+持仓状态
• 动作空间：买入/卖出/持有(离散)或仓位比例(连续)
• 奖励函数：收益率/Sharpe/风险调整收益
• A股约束：T+1、涨跌停、手续费建模

Step 2: RL算法选择

• DQN：离散动作空间，适合简单买卖决策
• PPO/A2C：连续动作空间，适合仓位管理
• SAC：最大熵框架，探索与利用平衡好
• 多智能体RL：多股票组合的协同决策

Step 3: 训练与调优

• 经验回放：打破时序相关性
• 课程学习：从简单市场环境逐步增加复杂度
• 奖励塑形：避免稀疏奖励导致训练困难
• 超参数：学习率/折扣因子/网络结构搜索

Step 4: 策略评估与部署

• 样本外回测：未见过的市场数据测试
• 与基准策略对比：买入持有/均线策略
• 鲁棒性测试：不同市场状态下的表现
• 实盘模拟：Paper trading验证

Step 5: 输出报告

输出格式

formal 风格（研报级）

# RL交易策略报告

## 一、环境设计
| 组件 | 配置 |
|------|------|

## 二、训练结果
[学习曲线、收敛情况]

## 三、策略表现
[收益/Sharpe/回撤]

## 四、部署建议
[实盘注意事项]

brief 风格（快速分析）

## RL策略速览
- PPO算法，状态维度64
- 训练收敛，样本外Sharpe 1.8
- 年化收益 18%，最大回撤 12%
- 优于买入持有基准 +8%

参考 references/reinforcement-trading-guide.md 获取详细方法论与 A股实证研究。

使用示例

示例 1: 基本使用

# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})

示例 2: 命令行使用

python scripts/run_skill.py --input data.json