[object Object]

{{TITLE}}

机会发现

市场现象：{{OPPORTUNITY_PHENOMENON}}

假设：{{OPPORTUNITY_HYPOTHESIS}}

初步验证：{{OPPORTUNITY_VALIDATION}}

策略机制

事件数据源

事件-信号映射

信号-动作映射

核心特征：

• {{CORE_FEATURE_1}}
• {{CORE_FEATURE_2}}
• {{CORE_FEATURE_3}}

完整策略设计见 research/strategy-design.md

验收标准

Backtest

1. ✅/⚠️/❌ 回测 PnL > ${{TARGET_PNL}} ({{NUM_MARKETS}} 个市场, {{NUM_DAYS}} 天) — <实际数值>
2. ✅/⚠️/❌ Sharpe > {{TARGET_SHARPE}} — <实际数值>
3. ✅/⚠️/❌ MaxDD < {{TARGET_MAXDD}}% — <实际数值>

Code

1. ✅/⚠️/❌ 策略实现位于 {{STRATEGY_PATH}}
2. ✅/⚠️/❌ 全量 pnpm build && pnpm test 通过
3. ✅/⚠️/❌ {{CODE_CHECK_3}}

Live

1. ✅/⚠️/❌ 实盘 {{NUM_LIVE_MARKETS}} 个市场运行 {{LIVE_HOURS}}h 无异常
2. ✅/⚠️/❌ {{LIVE_CHECK_2}}
3. ✅/⚠️/❌ 钱包地址可追溯、日志完整性检查通过

当前状态

Status: Not Started Phase: Research Deployment: <仅 Live phase 时填写，如 "GCE + PM2 (BTC 15m markets)">

已知问题 / Gotchas

记录策略开发/回测/实盘过程中发现的坑、边界条件、必须注意的配置等。

Skill Relationships

依赖关系 (Depends On)

参考关系 (References)

可选字段。如果策略依赖其他 task-/observe- skill 的输出、分析或基础设施，在这里标注。

经验 / 教训

核心发现

1. {{LESSON_TITLE_1}}

{{LESSON_DETAIL_1}}

2. {{LESSON_TITLE_2}}

{{LESSON_DETAIL_2}}

3. {{LESSON_TITLE_3}} (可选)

{{LESSON_DETAIL_3}}

因果链分析

调整: {{ITERATION_1_CHANGE}} 机制影响: {{ITERATION_1_MECHANISM}} 行为影响: {{ITERATION_1_BEHAVIOR}} 结果: {{ITERATION_1_RESULT}}

调整: {{ITERATION_2_CHANGE}} 机制影响: {{ITERATION_2_MECHANISM}} 行为影响: {{ITERATION_2_BEHAVIOR}} 结果: {{ITERATION_2_RESULT}}

每次回测迭代都应该填写一条因果链分析，不只是记录 "改了什么 → PnL 变化"。 好的因果链示例：

• 调整 spread_threshold 0.02→0.03 → 信号触发频率从 100 次降到 60 次 → 过滤掉 spread 0.02-0.03 区间的低质量机会（该区间胜率仅 45%）→ 整体胜率从 52% 提升到 61% → PnL 从 +5% 提升到 +8%

References