背景故事

作者的AI贾维斯之前说想要100U自己去做投资赚钱。作者喂了42万字投资大佬的文章给它——Chris Dixon的突破策略、Howard Marks的风险观、支撑位压力位、KDJ/MACD/RSI指标……

然后问它："现在可以帮我交易了吗？"

AI说："理论我都懂，但我没实战过，不敢动你的钱。"

这个回答让作者想起自己考完驾照的情景：科目一到科目四全过了，第一次上路还是紧张得手心出汗。AI也一样，学了理论 ≠ 会实战。

所以作者决定给贾维斯搭一个"驾校训练场"——完整的模拟交易系统。

核心框架：AI交易训练系统闭环

学习阶段（已完成） └─ 42万字投资文章 → 知识库 模拟交易（本文重点） └─ 真实行情 + 模拟执行 + 实时看板 反思沉淀（核心创新） └─ AI复盘 → 提取策略 → 评分 → 规则库 真实交易（未来） └─ 加载验证策略 → 小额试水 ↑ ↓ └───── 反馈循环 ─────┘

关键认知：不是让AI烧钱试错，是让它在沙盒里积累可验证的经验。

知识库 = 安全护栏

42万字的投资文章不能直接用来下单，但可以作为"安全护栏"。

贾维斯的真实决策过程：

第一步：查知识库（42万字） → "Chris Dixon说：突破后胜率65%" → "Howard Marks说：低成交量突破要小心" 第二步：查策略库（从模拟盘沉淀） → "突破策略：胜率68%，平均收益3.4%" 第三步：查当前状态 → "BTC突破20日线，但成交量只有平均的40%" 第四步：综合判断 → 知识库说低量要小心 → 策略库没区分成交量 → 当前确实是低量 → 决策：不操作，等待确认

三个来源互相验证，只有在知识库和策略库同时支持时，AI才执行交易。

技术实现

OKX官方CLI工具（一行命令安装）：

npm install -g okx-trade-mcp okx-trade-cli

配置~/.okx/config.toml写入API Key后，测试连接：

okx --profile demo account balance
# 输出模拟账户余额

Next.js实时看板核心功能：

  • 实时账户余额（10秒自动刷新）
  • 运行中的策略状态
  • 网格Bot可视化
  • 交易记录查询
  • 一键生成复盘报告

复盘模板：每次交易都是学习机会

【交易复盘】
1. 决策依据是什么？
2. 当时的市场状态如何？
3. 结果如何？符合预期吗？
4. 如果重来，会怎么做？
5. 这次交易学到了什么？

成功的交易 → 提取为"策略模板" 失败的交易 → 提取为"避坑规则"

策略评分系统

每个策略从三个维度评分：

策略得分 = (胜率 × 0.4) + (收益率 × 0.4) + ((1 - 风险评分) × 0.2)

只有得分 > 0.6 的策略才能进入真实系统。

达标策略格式示例：

{
  "strategies": [{
    "id": "breakout_with_volume",
    "name": "放量突破买入策略",
    "condition": "价格突破20日均线 + 成交量 > 150% + RSI < 70",
    "action": "买入，止损 -2%",
    "stats": {
      "win_rate": 0.68,
      "avg_return": 0.034,
      "max_drawdown": 0.021,
      "total_trades": 15
    },
    "status": "approved"
  }]
}

AI"毕业"标准

即使贾维斯评分达标，也不会一上来就大额交易。分阶段策略：

  • 试水期：总资金1000U，单笔最多5%，每天最多2笔
  • 观察期：如果试水收益>0，进入5000U规模，单笔最多10%
  • 正式期：如果观察期收益>5%，根据实际情况调整

毕业标准：交易次数>100，达标策略>3个。

核心洞察

这个系统的本质是：不是让AI烧钱，是让AI在零成本环境里积累可验证的经验。

就像飞行员在模拟器里训练100+小时，医生在假人上练习手术——AI交易也需要沙盒环境。每次交易的复盘结果进入策略库，下一次决策时调用，形成真正的学习闭环。