# 方案：GameFi“盘下特征”量化及FSM状态转移集成

**制定者:** Gemini
**日期:** 2025-08-21
**目标:** 将`GAMEFI_SYSTEM_SUMMARY.md`中定义的“交易者心境”和“十二长生”（四季轮回）概念，转化为可量化的数据模型，并将其作为“太公心易”FSM系统状态转移的核心驱动条件。

---

## 1. 核心思想

交易者的心境、经验和偏见是驱动其市场行为的“盘下特征”。通过量化这些特征，我们可以让主FSM的决策更具个性化和前瞻性。当检测到交易者进入特定的心理阶段（如“秋季失道”）或表现出强烈的偏见（如“趋势醉”）时，FSM可以主动进入相应状态（如`Refine`或`Validation`）进行干预和辅助。

## 2. “盘下特征”量化方案

我们将构建一个**“交易者状态向量”（Trader State Vector, TSV）**来统一描述交易者的当前心境。该向量由以下三组量化指标构成：

### 2.1. **伤疤资本 (Scar Capital)** - 经验与教训的量化

基于`TradingScar`概念，我们将从交易历史中计算以下指标：

*   **总痛苦值 (TotalPain):** 所有`TradingScar`的`pain_level`之和。反映交易者经历的总挫折。
*   **平均智慧 (AverageWisdom):** 所有`wisdom_gained`的平均值。反映交易者从错误中学习的能力。
*   **伤疤密度 (ScarDensity):** 单位时间（如每季度）内产生的`TradingScar`数量。高密度可能意味着鲁莽或市场环境恶化。
*   **恢复能力 (Resilience):** 从重大亏损（高`pain_level`的`Scar`）后，恢复盈利所需的时间。

### 2.2. **偏见画像 (Bias Profile)** - “醉八仙”的量化

通过分析交易行为，为每个交易者生成一个包含八种偏见得分（0到1之间）的画像：

*   **趋势醉 (蓝采和):** 在价格接近阶段性高点时买入的频率和资金比例。
*   **价值醉 (汉钟离):** 在亏损头寸上持续加仓（“补仓”）的行为频率。
*   **消息醉 (曹国舅):** 在重大新闻或财报发布窗口期内，交易频率显著上升。
*   **经验醉 (张果老):** 策略的同质性过高，例如只交易特定几只股票或只使用单一指标。
*   **技术醉 (韩湘子):** 交易行为与特定技术指标（如MACD金叉/死叉）的强相关性。
*   **保守醉 (何仙姑):** 空仓时间占比过高，或在明显上涨趋势中过早卖出。
*   **逆向醉 (铁拐李):** 在市场普遍下跌时买入，或在普遍上涨时卖出的频率。
*   **理性醉 (吕洞宾):** 交易频率极低，可能错失过多机会（机会成本）。

### 2.3. **修仙阶段 (Journey Stage)** - “猴王四季”的量化

结合**伤疤资本**和**偏见画像**，我们可以为交易者划分出当前的“修仙”阶段：

*   **春季·觉醒 (Awakening):**
    *   `TotalPain`较低，`ScarDensity`较低。
    *   `AverageWisdom`较高（学习意愿强）。
    *   偏见画像尚未固化。
*   **夏季·得道 (Attainment):**
    *   交易胜率高，账户稳定增长。
    *   `AverageWisdom`可能开始下降（过度自信）。
    *   某几种偏见得分开始显著升高。
*   **秋季·失道 (Loss):**
    *   出现一次或多次高`pain_level`的`Scar`。
    *   `TotalPain`急剧上升，`Resilience`指标被考验。
    *   高偏见得分与重大亏损有强相关性。
*   **冬季·悟道 (Enlightenment):**
    *   `Resilience`高，能够从亏损中快速恢复。
    *   整体偏见画像得分较低且均衡。
    *   `AverageWisdom`稳定在较高水平。

## 3. FSM状态转移集成方案

“交易者状态向量”（TSV）将被整合到“太公心易”FSM的上下文中，作为状态转移的核心判断依据。

### 3.1. 触发条件示例

FSM不再仅仅响应外部市场事件，更会主动响应交易者的内在状态变化。

*   **进入`Refine`状态（太上老君整理）:**
    *   **触发器:** 检测到交易者进入“秋季·失道”阶段。
    *   **条件:** `IF trader.stage == 'Loss' AND trader.bias_profile['TrendChasing'] > 0.8`
    *   **目的:** 交易者因强烈的趋势偏见而遭受重创，FSM需要启动`Refine`流程，帮助其“祛魅”并重构策略。

*   **进入`Validation`状态（内部验证/祛魅）:**
    *   **触发器:** 交易者处于“夏季·得道”阶段，表现出过度自信。
    *   **条件:** `IF trader.stage == 'Attainment' AND trader.AverageWisdom < threshold`
    *   **目的:** 在交易者最容易忽视风险时，FSM主动进入`Validation`状态，对其当前的策略进行压力测试和一致性检查。

*   **进入`ExternalFetch`状态（灵宝道君核查）:**
    *   **触发器:** “消息醉”交易者准备进行一笔交易。
    *   **条件:** `IF trader.bias_profile['NewsTrading'] > 0.7 AND event == 'pre_trade_check'`
    *   **目的:** 在该交易者依据消息行动前，FSM强制启动`ExternalFetch`，从多个独立信源交叉验证该消息的可靠性。

### 3.2. 状态转移逻辑 (伪代码)

```python
class EnhancedTaigongFSM:
    def __init__(self, trader_state_vector):
        self.tsv = trader_state_vector
        # ... other FSM initializations

    def determine_next_state(self, market_event):
        # 优先处理由交易者内在状态触发的转移
        if self.tsv.stage == 'Loss':
            # 如果交易者遭受重创，无论市场如何，优先帮助其反思
            return FSMState.REFINE

        if self.tsv.is_overconfident():
            # 如果交易者过度自信，主动进行风险检查
            return FSMState.VALIDATION

        # ... 再处理由外部市场事件触发的转移
        if market_event == 'HighVolatility':
            return FSMState.COLLECTING
        
        return self.current_state
```

## 4. 实施步骤

1.  **数据建模:** 在代码中定义`TradingScar`, `BiasProfile`, 和 `TraderStateVector`的类结构。
2.  **分析模块开发:** 创建一个分析器，能够接收交易历史数据，并计算出完整的TSV。
3.  **FSM上下文集成:** 将TSV对象添加到`TaigongXinyiFSM`的上下文中。
4.  **规则引擎实现:** 在FSM的`transition`逻辑中，实现基于TSV的动态状态转移规则。
5.  **模拟与回测:** 构建一个模拟环境，使用历史交易数据回测该集成系统的有效性，验证其是否能在关键时刻做出正确的状态转移。