TradeGuard：离线分析8种爆仓交易习惯的开源工具

一位交易员在自营交易公司（prop-firm）的挑战中，三周内把 5 万美元账户做到了 10.5 万美元。然后在一个下午全部亏光。平台的风险仪表盘清楚地记录了发生了什么——但那是在一切结束<em>之后</em>。回看数据，每次亏损后仓位悄悄翻倍，典型的马丁格尔策略，仅仅五笔连续亏损，就抹掉了六周的收益。

仪表盘看到了所有交易，但它无法说出那句最关键的话：「这一连串行为正是账户的死法——问题就从这笔交易开始。」

这正是 TradeGuard 想要解决的问题。

TradeGuard 是什么

TradeGuard 是一个完全离线、零依赖的交易行为分析器，用纯 Python 标准库编写。使用方式很直接：把交易历史和账户指标导出为 CSV，工具会对照 8 条反复摧毁散户账户的行为风险规则进行审计，而每一条发现都会精确引用触发它的交易编号、时间戳和具体数字。

从示例输出可以看到，它的审计风格非常「检察官」式——不是模糊地给一个风险评分，而是把证据摆在桌面上：

RISK SCORE: 100 / 100  (HIGH — account at serious risk)

[HIGH] OVER_LEVERAGE — Trade #14: notional 12.4x equity on EURUSD
[HIGH] MARTINGALE — Lot size doubled after each of 4 consecutive losses
[HIGH] REVENGE_TRADING — 6 trades within 9 minutes after a -$840 loss
[HIGH] DRAWDOWN — current drawdown 19.8% vs 10% plan limit

作者强调，重点从来不是那个 100 分的评分，而是证据链。每一条指控都指向一行可以打开、可以核对的数据，这样反馈才经得起争辩，也才有真正的说服力。

8 条规则背后的逻辑

每一条规则都编码了一种有据可查的「账户杀手」。这些规则并非凭空设计，而是来自公开的爆仓复盘案例：

规则	捕捉的行为	为何致命
OVER_LEVERAGE	名义价值 > 10 倍权益	一根坏 K 线即触发追加保证金
MARTINGALE	亏损后加倍仓位	几何级数必然走向破产
REVENGE_TRADING	大亏后快速重新入场	情绪驱动的仓位
RISK_PER_TRADE	单笔风险 > 2% 权益	波动吃掉盈利优势
DRAWDOWN	超出计划回撤限制	自营公司直接取消资格
LOSS_STREAK	连续亏损	心态崩盘前兆
CONCENTRATION	单一品种占比 > 40%	伪装的相关性风险
OVERTRADING	频率超过自身基线	手续费侵蚀 + 疲劳失误

这张表的价值在于它把抽象的「交易纪律」拆解成可量化的阈值。马丁格尔式的仓位加倍会「几何级数地保证破产」，而报复性交易则把情绪直接写进了仓位大小——这些都是散户账户反复倒下的真实模式。

马丁格尔策略（Martingale）源自18世纪法国赌场，核心逻辑是每次亏损后将赌注翻倍，理论上只要最终赢一次就能回本。然而这一策略在交易中有一个致命缺陷：它假设本金无限且没有持仓限制。现实中，连续5次亏损后仓位会变为初始的32倍，连续10次则是1024倍——账户在几何级数的复利下会被迅速清零。更危险的是，马丁格尔会让交易者在最不该加仓的时候（连续亏损、市场趋势明确反向）反而持有最重的仓位。自营交易公司（prop firm）的挑战规则通常设有最大回撤限制（如10%），马丁格尔式操作几乎必然在达到盈利目标前先触发强制止损线。

报复性交易（Revenge Trading）是指交易者在遭受重大亏损后，因情绪驱动急于「扳回来」而立即重新入场的行为。神经科学研究表明，金融损失会激活大脑与身体疼痛相同的区域，触发「战或逃」反应，导致决策质量急剧下降。TradeGuard 将「大亏后9分钟内连续6笔交易」识别为报复性交易，正是因为这个时间窗口内的操作几乎不可能来自理性分析，而是情绪接管的直接证据。

内置评测：工具自己也要被审计

TradeGuard 的一个少见亮点是它随代码附带一套评测（eval）套件。运行 python eval.py 会跑完 16 条断言，覆盖从「检测杠杆过高并附带引用」到「清白的交易历史得分为零」等多个场景。

PASS  detects_martingale_doubling
PASS  detects_revenge_trading_cluster
PASS  clean_history_scores_zero
PASS  every_finding_has_evidence
PASS  no_network_access
... 16/16 assertions passed.

作者坦言其中两条断言对他最重要：clean_history_scores_zero（对纪律良好的交易不产生误报）和 every_finding_has_evidence（工具永远不能在没有证据的情况下做出指控）。这两条共同保证了工具既不会「狼来了」，也不会「空口无凭」——这对于一个要被人信任的风险分析器来说至关重要。

为什么坚持离线运行

你的完整交易历史，是你拥有的最敏感的文件之一——它本质上是你最糟糕决策的一张地图。基于这个认识，TradeGuard 选择完全在本地机器上运行：纯标准库、无需注册账户、不上传数据、不需要 API 密钥。

评测套件中专门有一条 no_network_access 断言，确保代码不发起任何网络调用。换句话说，你完全可以在一台物理隔离（air-gapped）的笔记本上审计自己的交易记录，数据不会离开你的设备。对于处理高度敏感财务数据的工具而言，这种可验证的隐私承诺比任何口头保证都更有分量。

**Air-gapped（物理隔离）**指一台计算机与互联网及任何其他网络完全断开的安全状态，是金融机构、军事系统处理高度敏感数据时采用的最高级别隔离措施。对于普通交易者而言，完整的交易历史CSV文件包含进出场时间、仓位大小、盈亏记录等信息，一旦泄露，不仅暴露交易策略，还可能被用于针对性的社会工程学攻击或账户安全威胁。当前许多「免费」交易分析工具实际上通过上传用户数据来训练模型或进行商业变现。TradeGuard在评测套件中以代码级断言（no_network_access）而非隐私政策来保证离线承诺，意味着任何人都可以审计这一声明是否属实，这是可验证隐私（verifiable privacy）与口头承诺之间的本质区别。

技术栈与设计取舍

TradeGuard 的技术选择体现了克制：

• 纯 Python 标准库（csv、datetime、argparse）——克隆即用，无需安装任何依赖。
• 确定性规则 + 透明阈值——没有黑箱式的「AI 风险评分」，每个判断都可追溯、可解释。
• HTML 报告——方便分享给导师、自营公司审核人员，或是未来的自己。

值得玩味的是，尽管这是为 Deriv「Rise of AI Agents」黑客松打造的项目，作者却刻意避开了黑箱 AI 评分，转而采用确定性规则。这是一个耐人寻味的取舍：在风险管理这种后果严重的领域，可解释性和可验证性往往比模型的「智能」更重要。

如何试用

项目仓库地址为 github.com/Zhiyilang/tradeguard，其中附带了一份故意充满坏习惯的示例交易历史，以及那套 16 条断言的评测套件。你可以先运行 python eval.py 验证工具行为，再把它指向自己导出的交易记录。

作者还抛出了一个开放问题：你会往这份清单里加哪条行为规则？他自己的候选是——入金 30 分钟内就开始交易，因为「资金冲动」是有据可查的心态失衡触发器。

正如作者所说，最有价值的风险报告，是你在回撤发生<em>之前</em>读到的那一份，而不是之后。TradeGuard 的核心理念，正是把事后的复盘前移成事前的预警。