使用手册 | Walkthrough

端到端循环：从参数到决策再到监控

Author

Edgekit Team

Published

June 13, 2026

🎯 本页目标

走通 Edgekit 的端到端循环：solver → Policy → position_size → monitor。每一步的输入、输出和约束都对应 src/edgekit/ 里的真实函数。

1 端到端循环概览

Edgekit 不寻找优势，只决定如何使用已知的优势、以及何时停止。整个使用过程是一个闭环：

solver：用样本证据（胜率、盈亏比、样本量）算出稳健的执行参数。
Policy：把 solver 的输出固化成一份离线生成、人工评审的策略版本。
position_size：在每笔交易前，依据 Policy 和当前权益算出仓位。
monitor：每笔交易后检测优势是否衰减，决定继续、降档还是停止。

下面逐环走一遍。

2 第 1 步：solver —— 计算执行参数

solver 接收样本证据，输出基于 Wilson 置信下界的稳健参数，而不是用点估计。

from edgekit.solver import solver

result = solver(wins=60, losses=40, RR=1.5)
# result 给出交易许可与风险比例（half-Kelly、风险上限 2%）

关键约束：参数永远来自置信下界（p_LB、RR_LB），用半 Kelly 抑幅，并套上风险上限。

3 第 2 步：Policy —— 固化策略版本

solver 的结果连同离线 sim 产出的 x-rebase 参数，打包成一份 Policy。 Policy 是离线生成、人工评审后落盘的版本，核心库从不在运行时触发模拟。

from edgekit.policy import Policy, save_policy, load_policy

policy = Policy(...)        # 由 solver 输出 + sim 的 x 组装
save_policy(policy, "policy.json")
policy = load_policy("policy.json")

4 第 3 步：position_size —— 算每笔仓位

每笔交易前，用 Policy 里的风险比例、当前 risk_multiplier 和止损距离算出仓位。

from edgekit.engine import position_size

size = position_size(
    base=100_000,
    risk_fraction=policy.risk_fraction,
    risk_multiplier=1.0,
    stop_distance=0.05,
)
# size.risk_budget 是止损被打掉时的最大亏损（按 base 的百分比）
# size.notional 是名义敞口

风险定义：Risk = 止损被触发时的最大资金损失，不是仓位、不是保证金、不是杠杆。

5 第 4 步：monitor —— 检测优势衰减

每笔交易后，把基线和最新统计喂给 monitor，判断优势是否还在。

from edgekit.monitor import monitor

state = monitor(baseline, snapshot, S_prev)
# 状态：OK / DEGRADED / INVALID / INSUFFICIENT_DATA

停止侧是两条独立的止损线，任一触发即停，互不否决：

回撤硬熔断：当前回撤深度 ≥ DD_hard，从第 1 笔交易起生效。
单边 CUSUM：对标准化复合优势量做序贯检验，半阈值降档（risk_multiplier 0.5），满阈值 PAUSE。

PAUSE 后不自动恢复——恢复需要一份新的、经人工评审的 Policy 版本，于是回到第 1 步，闭环。

6 小结

这条 solver → Policy → position_size → monitor 的循环就是 Edgekit 的全部使用方式：先算稳健参数，固化成策略，逐笔定仓，持续监控，失效即停、重审再启。

--- title: "使用手册 | Walkthrough" subtitle: "端到端循环：从参数到决策再到监控" author: "Edgekit Team" date: last-modified format: html: toc: true --- ::: {.callout-note icon=false} ## 🎯 本页目标走通 Edgekit 的端到端循环：**solver → Policy → position_size → monitor**。每一步的输入、输出和约束都对应 `src/edgekit/` 里的真实函数。 ::: ## 端到端循环概览 Edgekit 不寻找优势，只决定如何使用已知的优势、以及何时停止。整个使用过程是一个闭环： 1. **solver**：用样本证据（胜率、盈亏比、样本量）算出稳健的执行参数。 2. **Policy**：把 solver 的输出固化成一份离线生成、人工评审的策略版本。 3. **position_size**：在每笔交易前，依据 Policy 和当前权益算出仓位。 4. **monitor**：每笔交易后检测优势是否衰减，决定继续、降档还是停止。下面逐环走一遍。 ## 第 1 步：solver —— 计算执行参数 `solver` 接收样本证据，输出基于 Wilson 置信下界的稳健参数，而不是用点估计。 ```python from edgekit.solver import solver result = solver(wins=60, losses=40, RR=1.5) # result 给出交易许可与风险比例（half-Kelly、风险上限 2%） ``` 关键约束：参数永远来自置信下界（`p_LB`、`RR_LB`），用半 Kelly 抑幅，并套上风险上限。 ## 第 2 步：Policy —— 固化策略版本 solver 的结果连同离线 sim 产出的 x-rebase 参数，打包成一份 `Policy`。 `Policy` 是离线生成、人工评审后落盘的版本，核心库从不在运行时触发模拟。 ```python from edgekit.policy import Policy, save_policy, load_policy policy = Policy(...) # 由 solver 输出 + sim 的 x 组装 save_policy(policy, "policy.json") policy = load_policy("policy.json") ``` ## 第 3 步：position_size —— 算每笔仓位每笔交易前，用 `Policy` 里的风险比例、当前 `risk_multiplier` 和止损距离算出仓位。 ```python from edgekit.engine import position_size size = position_size( base=100_000, risk_fraction=policy.risk_fraction, risk_multiplier=1.0, stop_distance=0.05, ) # size.risk_budget 是止损被打掉时的最大亏损（按 base 的百分比） # size.notional 是名义敞口 ``` 风险定义：**Risk = 止损被触发时的最大资金损失**，不是仓位、不是保证金、不是杠杆。 ## 第 4 步：monitor —— 检测优势衰减每笔交易后，把基线和最新统计喂给 `monitor`，判断优势是否还在。 ```python from edgekit.monitor import monitor state = monitor(baseline, snapshot, S_prev) # 状态：OK / DEGRADED / INVALID / INSUFFICIENT_DATA ``` 停止侧是两条独立的止损线，任一触发即停，互不否决： 1. **回撤硬熔断**：当前回撤深度 ≥ `DD_hard`，从第 1 笔交易起生效。 2. **单边 CUSUM**：对标准化复合优势量做序贯检验，半阈值降档（`risk_multiplier` 0.5），满阈值 PAUSE。 PAUSE 后不自动恢复——恢复需要一份新的、经人工评审的 Policy 版本，于是回到第 1 步，闭环。 ## 小结这条 **solver → Policy → position_size → monitor** 的循环就是 Edgekit 的全部使用方式：先算稳健参数，固化成策略，逐笔定仓，持续监控，失效即停、重审再启。