记忆系统

Vibe Trading 的记忆系统基于 BM25 算法，能够从历史交易经验中学习，持续优化决策策略。

记忆系统概述

核心功能

决策记录：记录所有决策及其结果
经验检索：快速检索相关的历史决策
模式识别：识别成功和失败的模式
策略优化：基于经验优化决策参数

BM25 算法

BM25 是一种经典的文本检索算法，用于评估文档与查询的相关性：

BM25(D,Q) = Σ IDF(qi) × (f(qi,D) × (k1 + 1)) / (f(qi,D) + k1 × (1 - b + b × |D|/avgdl))

其中：

D：文档（历史决策）
Q：查询（当前市场情况）
f(qi,D)：词项频率
|D|：文档长度
avgdl：平均文档长度
k1, b：自由参数

使用记忆系统

存储决策

python

from vibe_trading.memory.memory import PersistentMemory

memory = PersistentMemory()

# 存储决策
await memory.store_decision({
    "symbol": "BTCUSDT",
    "decision": "BUY",
    "price": 65000,
    "quantity": 0.2,
    "timestamp": "2024-01-01T12:00:00Z",
    "rationale": "技术面和基本面支持上涨",
    "market_conditions": {
        "trend": "upward",
        "rsi": 65,
        "volume": "high"
    },
    "outcome": {
        "pnl": 500,
        "return": 0.05,
        "success": True
    }
})

检索相关经验

python

# 根据市场条件检索相关决策
query = {
    "symbol": "BTCUSDT",
    "market_conditions": {
        "trend": "upward",
        "rsi": [60, 70]  # RSI在60-70之间
    }
}

# 检索最相关的10条决策
results = await memory.retrieve_decisions(query, top_k=10)

for result in results:
    print(f"决策: {result['decision']}")
    print(f"收益率: {result['outcome']['return']:.2%}")
    print(f"相关性: {result['score']:.3f}")

学习模式

python

# 分析成功模式
success_patterns = await memory.analyze_patterns(
    min_return=0.05,  # 收益率>5%
    outcome="success"
)

print("成功模式:")
for pattern in success_patterns:
    print(f"- {pattern}")

# 分析失败模式
failure_patterns = await memory.analyze_patterns(
    max_return=-0.02,  # 收益率<-2%
    outcome="failure"
)

print("失败模式:")
for pattern in failure_patterns:
    print(f"- {pattern}")

集成到 Agent

在决策中使用记忆

python

from vibe_trading.memory.memory import PersistentMemory

class TechnicalAnalystAgent:
    def __init__(self):
        self.memory = PersistentMemory()
    
    async def analyze(self, context):
        # 分析当前市场
        current_analysis = await self._analyze_market(context)
        
        # 检索相关历史决策
        query = {
            "symbol": context.symbol,
            "market_conditions": current_analysis
        }
        similar_decisions = await self.memory.retrieve_decisions(query, top_k=5)
        
        # 根据历史经验调整分析
        adjusted_analysis = self._adjust_with_memory(
            current_analysis,
            similar_decisions
        )
        
        return adjusted_analysis

配置记忆系统

配置参数

python

class MemoryConfig:
    # 存储配置
    storage_path: str = "memory/decisions.db"
    max_decisions: int = 10000  # 最大存储决策数
    
    # BM25 参数
    k1: float = 1.2  # 控制词频饱和度
    b: float = 0.75  # 控制文档长度归一化
    
    # 检索配置
    default_top_k: int = 10
    min_similarity: float = 0.5
    
    # 学习配置
    enable_learning: bool = True
    learning_rate: float = 0.1
    min_samples: int = 10  # 最小学习样本数

修改配置

python

from vibe_trading.memory.memory import PersistentMemory, MemoryConfig

config = MemoryConfig(
    k1=1.5,  # 增加词频权重
    b=0.8,   # 增加文档长度权重
    default_top_k=20  # 检索更多相关决策
)

memory = PersistentMemory(config=config)

高级功能

语义相似度

python

# 使用向量相似度
from vibe_trading.memory.semantic_memory import SemanticMemory

semantic_memory = SemanticMemory()

# 添加决策
await semantic_memory.add_decision(decision_data)

# 语义检索
similar = await semantic_memory.semantic_search(
    query="上升趋势，RSI超买",
    top_k=5
)

时间衰减

python

# 近期决策权重更高
results = await memory.retrieve_decisions(
    query,
    top_k=10,
    time_decay=True,  # 启用时间衰减
    decay_days=30  # 30天内的决策权重更高
)

多维度检索

python

# 综合多个维度检索
results = await memory.multi_dimensional_search({
    "symbol": "BTCUSDT",
    "trend": "upward",
    "rsi_range": [60, 70],
    "time_range": ["2024-01-01", "2024-01-31"],
    "min_return": 0.03
})

性能优化

索引优化

python

# 为常用查询创建索引
await memory.create_index("symbol")
await memory.create_index("timestamp")
await memory.create_index("outcome")

批量操作

python

# 批量存储决策
decisions = [decision1, decision2, decision3, ...]
await memory.batch_store(decisions)

缓存策略

python

# 启用缓存
memory.enable_cache(ttl=3600)  # 缓存1小时

# 预热缓存
await memory.warmup_cache()

监控和分析

统计信息

python

# 获取记忆系统统计
stats = await memory.get_statistics()

print(f"总决策数: {stats['total_decisions']}")
print(f"成功决策: {stats['successful_decisions']}")
print(f"失败决策: {stats['failed_decisions']}")
print(f"平均收益率: {stats['avg_return']:.2%}")

性能分析

python

# 分析检索性能
perf = await memory.analyze_performance()

print(f"平均检索时间: {perf['avg_query_time']:.3f}ms")
print(f"缓存命中率: {perf['cache_hit_rate']:.2%}")

最佳实践

定期清理：删除过时的决策数据
python
```
await memory.cleanup(before_days=90)
```

平衡检索：避免过度依赖历史经验

python

# 结合当前分析和历史经验
final_decision = blend(
    current_analysis=0.7,
    historical_experience=0.3
)

验证模式：验证识别的模式是否有效

python

pattern_confidence = await memory.validate_pattern(pattern)
if pattern_confidence > 0.8:
    apply_pattern(pattern)

持续学习：定期更新记忆系统

python

# 每天学习新经验
await memory.learn_from_recent_trades(days=1)

故障排除

检索结果不相关

问题：检索到的决策与当前情况不相关

解决方案：

调整 BM25 参数
优化查询条件
增加决策描述的详细程度

性能问题

问题：检索速度慢

解决方案：

创建索引
启用缓存
减少存储的决策数量

记忆偏差

问题：过度依赖历史经验

解决方案：

降低历史经验的权重
增加随机性
定期清理过时数据

示例应用

策略优化

python

# 基于记忆优化止损止盈
from vibe_trading.memory.memory import PersistentMemory

memory = PersistentMemory()

# 分析成功交易的止损止盈设置
successful_trades = await memory.retrieve_decisions(
    {"outcome": "success"},
    top_k=100
)

# 计算最佳止损止盈比例
avg_stop_loss = calculate_avg(
    [t['stop_loss'] for t in successful_trades]
)
avg_take_profit = calculate_avg(
    [t['take_profit'] for t in successful_trades]
)

print(f"建议止损: {avg_stop_loss:.2%}")
print(f"建议止盈: {avg_take_profit:.2%}")

风险预警

python

# 基于历史经验预警风险
query = {
    "symbol": "BTCUSDT",
    "market_conditions": current_conditions
}

similar_failures = await memory.retrieve_decisions(
    query,
    top_k=10,
    outcome="failure"
)

if len(similar_failures) > 5:
    print("警告：当前市场条件下历史失败率较高！")
    print("建议：降低仓位或暂不交易")

下一步

学习自定义Agent 集成记忆系统
查看配置说明优化参数
了解 API文档使用记忆API

记忆系统 ​

记忆系统概述 ​

核心功能 ​

BM25 算法 ​

使用记忆系统 ​

存储决策 ​

检索相关经验 ​

学习模式 ​

集成到 Agent ​

在决策中使用记忆 ​

配置记忆系统 ​

配置参数 ​

修改配置 ​

高级功能 ​

语义相似度 ​

时间衰减 ​

多维度检索 ​

性能优化 ​

索引优化 ​

批量操作 ​

缓存策略 ​

监控和分析 ​

统计信息 ​

性能分析 ​

最佳实践 ​

故障排除 ​

检索结果不相关 ​

性能问题 ​

记忆偏差 ​

示例应用 ​

策略优化 ​

风险预警 ​

下一步 ​

记忆系统

记忆系统概述

核心功能

BM25 算法

使用记忆系统

存储决策

检索相关经验

学习模式

集成到 Agent

在决策中使用记忆

配置记忆系统

配置参数

修改配置

高级功能

语义相似度

时间衰减

多维度检索

性能优化

索引优化

批量操作

缓存策略

监控和分析

统计信息

性能分析

最佳实践

故障排除

检索结果不相关

性能问题

记忆偏差

示例应用

策略优化

风险预警

下一步