> ## Content Index
> Fetch the complete content index at: https://blog.algorover.ai/llms.txt
> Use this file to discover other available public pages before exploring further.

# 用 AI 比较交易策略：均线回测与动态 DCA 模拟盘实录
- URL: https://blog.algorover.ai/zh/ai-strategy-parameter-comparison-chat-zh/
- Published: 2026-10-29T09:53:51.000Z
- Updated: 2026-10-29T09:53:51.000Z
- Description: 从用户与 AI 的真实对话中，看看如何通过 AlgoRover（策跃）比较均线参数、回测动态 DCA，再进入模拟盘检查成交与运行日志。
- Author: AlgoRover Team
- Tags: Backtest Validation, #zh-cn

比较几组均线参数，寻找交易频率更高的策略，再放到模拟盘里运行——用户通过这些具体要求，在 AlgoRover（中文名：策跃）这款 AI 量化交易工具中逐步推进策略研究。

通过用户与 AI 的真实对话，看看 BTC 4 小时策略的 EMA 均线参数怎样比较，以及 HYPE 动态 DCA 怎样从策略回测推进到 Binance 模拟盘、版本修改和日志检查。参数表、交易频率图和模拟成交记录，都跟随对应的问答展开。

接下来，一起看看用户怎样向 AI 提出要求，又怎样根据返回的结果继续追问。

## 比较四组 EMA 均线参数，再保存选中的版本

同一款 BTC 策略，EMA 均线参数从 20/50 改成 4/12、5/15 或 6/18，回测结果会有什么变化？这位用户先测原版，再让 AI 比较四组快慢周期，最后把选中的 4/12 版本另存为“周期优化”并复测。

这次策略参数比较使用 Binance BTCUSDT 永续的 4 小时线，回测区间为 2026 年 7 月 28 日至 10 月 26 日。

## BTC 4 小时策略回测：用户先测原版 20/50

用户

不修改策略参数的情况下运行 K-BTC金豆芽种子策略5 QuantElse  
v1.1.1 90 天历史回测

AI

已完成 **K-BTC金豆芽种子策略5 QuantElse v1.1.1** 的 90 天历史回测，策略参数未修改。

- **区间**：2026/07/28–2026/10/26（香港时间）
- **配置**：Binance BTCUSDT 永续、4小时线、初始资金 100,000 USDT、1倍杠杆

| 指标    | 结果             |
| ----- | -------------- |
| 总收益率  | +2.15%         |
| 已实现盈亏 | +2,153.69 USDT |
| 最大回撤  | 4.93%          |
| 夏普比率  | 0.60           |
| 胜率    | 31.82%         |
| 盈利因子  | 1.41           |
| 完成交易  | 22笔            |

**分析与建议：先留下原版的比较基准**

用户先明确“不修改策略参数”，让 AI 返回原版的 90 天回测结果。这样，后面每次调整都有一份原始记录可比较。开始测试时，可以像他一样说清策略名称、版本、测试长度和是否允许修改参数，并请 AI 列出市场、K 线周期、资金与杠杆配置。

原版结果有了，接下来就能把问题收窄到具体参数：哪些周期要改，哪些设置继续沿用。

## 修改 EMA 快慢周期：用户提出四组参数比较

**这次修改的参数是什么？**

EMA 指指数移动平均线。对话中的 4/12、5/15、6/18 和 20/50，分别表示快、慢两条 EMA 的周期。这里使用 4 小时 K 线，周期以 K 线根数计。用户要求保留原版，并在相同回测配置下比较其他周期。

用户

以原版为基线，将快慢周期 4/12 与 5/15、6/18 两组参数进行对比，只运行回测。

AI

请确认对比基线：保留原版 20/50 并对比 4/12、5/15、6/18 四组，还是仅对比 4/12、5/15、6/18 三组？修改周期需要另存为自定义策略；我建议命名为『K-BTC金豆芽种子策略5 QuantElse · 周期4-12』等，原版保持不变。确认后沿用上次的 90 天回测及其他配置。

- 四组：原版20/50 + 三组自定义，确认创建
- 三组：以4/12为基线，确认创建三组自定义

用户 · 确认选项

四组：原版20/50 + 三组自定义，确认创建

**分析与建议：把比较范围说清楚**

用户提出新周期后，AI 先确认是否把原版 20/50 一起纳入比较。用户选择四组，才确定了这次回测的范围。提出类似要求时，可以同时说明“比较哪几组”“只修改什么”“其余配置是否保持一致”，减少来回确认，也方便逐项核对结果。

比较范围确定后，关注点就从“怎样改参数”转向“改完发生了什么”。下面的结果表把收益、回撤和交易次数放在了一起。

## 均线参数回测结果：4/12 收益最高，5/15 回撤最低

AI

四组 **90 天回测均已完成**，仅修改 EMA 快慢周期，其余参数一致。

配置：Binance BTCUSDT 永续、4小时线、初始资金 100,000 USDT、1倍杠杆。区间为 **2026/07/28–10/26（香港时间）**。

可左右滑动查看全部指标

| 快/慢周期    | 收益率    | 最大回撤  | 夏普比率 | 盈利因子 | 完成交易 |
| -------- | ------ | ----- | ---- | ---- | ---- |
| 原版 20/50 | +2.15% | 4.93% | 0.60 | 1.41 | 22笔  |
| 4/12     | +4.80% | 2.73% | 1.81 | 1.85 | 49笔  |
| 5/15     | +3.38% | 2.12% | 1.34 | 1.63 | 44笔  |
| 6/18     | +2.20% | 2.36% | 0.90 | 1.41 | 39笔  |

**本次样本中，4/12 收益和夏普最高，5/15 回撤最低。** 相比原版，4/12 收益提高约 2.65 个百分点，但交易次数也由 22 笔增加至 49 笔。6/18 收益接近原版，回撤更低。

三个自定义版本均已保存为 r1：**周期4-12**、**周期5-15**、**周期6-18**。

**分析与建议：把不同指标放在一起比较**

4/12 的收益率为 +4.80%，夏普比率为 1.81；5/15 的最大回撤为 2.12%，低于 4/12 的 2.73%。原版完成 22 笔交易，4/12 完成 49 笔。读这类比较表时，可以请 AI 分别说明哪组收益更高、哪组回撤更低、交易次数怎样变化，再结合自己这次研究的问题继续追问。

用户接下来选择了 4/12，并提出“另存为新版本、原版保持不变”的要求，把比较结果变成一份可以继续研究的策略版本。

## 保存参数版本：用户选择 4/12 并再次回测

用户

将该策略的4/12 周期 另存为「周期优化」，原版保持不变；创建参数修订并运行回测。

AI

已保存为 **『K-BTC金豆芽种子策略5 QuantElse · 周期优化』r1**，快慢周期 **4/12**，其他参数及原版保持不变。

90 天回测已完成：

| 指标   | 结果     |
| ---- | ------ |
| 收益率  | +4.80% |
| 最大回撤 | 2.73%  |
| 夏普比率 | 1.81   |
| 完成交易 | 49笔    |

结果与此前 4/12 回测一致。

**分析与建议：保存版本后，再核对一次结果**

用户给选中的参数起了“周期优化”这个名字，并要求创建修订、运行回测。AI 返回了版本名称和对应结果。选定参数后，可以把保存名称、要保留的原版和复测要求一起说清楚，再核对版本里的参数及回测指标，方便以后继续比较。

如果还没有选定策略，可以先向 AI 说明自己的筛选目标。接下来这位用户提出的要求就很具体：推荐三个交易频率高的策略，再统一回测比较。

![用户运行原版回测、比较均线参数、保存版本并复测的案例过程](https://storage.ghost.io/c/6d/bb/6dbbb7cc-1f93-4cd3-8d75-e3c2cfce055f/content/images/2026/10/inline.zh-CN.9350435d5ddf.jpg)

这位用户先测原版，比较四组均线周期后，保存了 4/12 版本并完成复测。

## 从三策略回测比较，到动态 DCA 模拟盘与运行日志

用户希望找到交易更频繁的策略，便请 AI 推荐并比较动态 DCA、RSI＋SMA 和 Trend Surfer。看过回测结果后，他选择将动态 DCA 放到 Binance 模拟盘运行，随后继续提出修改参数、增加启动首单和查看运行日志的要求。案例中的 EdgePilot 现已更名为 AlgoRover（策跃）。

## 先找策略：用户想要交易更频繁的选择

用户

给我推荐3个交易频率高的策略

AI · 对话节选

通过 EdgePilot Local 筛选了支持 1 分钟 K 线的策略，按回测 Sharpe 和策略类型多样性，推荐以下 3 个进行研究。

__最初推荐的策略与目录指标__
| 策略                     | 回测年化    | 最大回撤  | Sharpe |
| ---------------------- | ------- | ----- | ------ |
| 基于成交量的动态定投策略           | +18.10% | 2.02% | 12.97  |
| RSI 下跌 SMA 交叉底部做多      | +31.80% | 2.16% | 3.00   |
| Trend Surfer DI 振荡器括号单 | +41.86% | 7.18% | 1.72   |

动态 DCA 利用价格下跌枢轴和相对成交量动态分批入场；RSI＋SMA 结合 RSI 超卖下跌与 SMA 死叉寻找短期反转机会；Trend Surfer 使用趋势背景和 DI 振荡器过滤进场信号。

用户

对这 3 个策略统一回测，比较日均交易次数、单笔净收益、手续费占比及最大回撤

AI · 对话节选

### 三个策略的回测比较

已通过 EdgePilot Local 读取到 3 个策略的官方基准回测数据。基准区间为 2026-07-22 至 2026-10-20，UTC，Binance，HYPE/USDT，1 分钟策略。

__三个策略的官方基准数据__
| 指标      | 动态定投 DCA | RSI＋SMA  | Trend Surfer DI |
| ------- | -------- | -------- | --------------- |
| 已平仓交易次数 | 317      | 66       | 60              |
| 日均交易次数  | 3.52     | 0.73     | 0.67            |
| 累计收益率   | +4.18%   | +7.04%   | +9.00%          |
| 最大回撤    | 2.02%    | 2.16%    | 7.18%           |
| Sharpe  | 12.97    | 3.00     | 1.72            |
| 盈利因子    | 46.30    | 1.94     | 1.54            |
| 持仓时间中位数 | 11 分钟    | 402.5 分钟 | 1070 分钟         |

#### 日均已平仓交易次数

次数 / 天，按相同的 90 天基准期计算

*3.8* *2.85* *1.9* *0.95* *0*

3.52

0.73

0.67

动态 DCARSI＋SMATrend Surfer

用户

继续测试

AI · 对话节选

### EdgePilot Local 统一回测

3/3 回测完成 

三个策略的 v1.1.0 版本均已成功安装，回测配置也已读取。

__统一测试条件__
| 配置        | 设置            |
| --------- | ------------- |
| 交易所       | Binance       |
| 交易标的      | HYPEUSDT 永续合约 |
| K 线周期     | 1 分钟          |
| 回测长度      | 90 天          |
| 初始资金      | 100,000 USDT  |
| 杠杆        | 1 倍           |
| Maker 手续费 | 0.02%         |
| Taker 手续费 | 0.05%         |

保留各自的原始策略参数，比较在统一市场和交易成本下的实际表现。

__统一回测结果__
| 指标        | 动态 DCA     | RSI＋SMA     | Trend Surfer |
| --------- | ---------- | ----------- | ------------ |
| 已平仓次数     | 326        | 66          | 59           |
| 日均平仓次数    | 3.62       | 0.73        | 0.66         |
| 日均提交订单数   | 7.50       | 1.47        | 1.31         |
| 每笔已实现盈亏均值 | 12.95 USDT | 103.26 USDT | 159.63 USDT  |
| 累计已实现盈亏   | +4,221.91  | +6,815.17   | +9,418.33    |
| 累计回报      | +4.22%     | +6.82%      | +9.42%       |
| 最大回撤      | 2.02%      | 2.16%       | 7.17%        |
| Sharpe    | 12.42      | 2.92        | 1.75         |
| 手续费占比     | 未提供        | 未提供         | 未提供          |

每笔已实现盈亏均值 = 回测报告 realized\_pnl ÷ 平仓次数。

#### 实际回测日均平仓次数

按 90 天计算，动态 DCA 的交易频率显著更高

*4* *3* *2* *1* *0*

3.62

0.73

0.66

动态 DCARSI＋SMATrend Surfer

### 关键发现

- **交易频率最高：动态 DCA。**日均提交 7.5 个订单，平仓 3.62 次，最大回撤约 2.02%。
- **收益与回撤相对均衡：RSI＋SMA。**回报 6.82%，最大回撤 2.16%。
- **累计回报最高：Trend Surfer。**90 天累计回报 9.42%，最大回撤 7.17%。

### 手续费占比如何计算？

回测报告提供了汇总 PnL，手续费占比需要成交级数据，包括手续费总额、成交额及每笔订单的 Maker/Taker 成交归属。

**手续费占毛利润比例 = 手续费总额 ÷ 扣费前交易毛利润 × 100%。**

**分析与建议：先说筛选目标，再统一比较条件**

用户的出发点是“交易频率高”，随后又指定比较日均交易次数、单笔收益、手续费占比和最大回撤。统一本地回测中，动态 DCA 日均平仓 3.62 次，RSI＋SMA 为 0.73 次，Trend Surfer 为 0.66 次。找策略时，可以先说明自己的研究目标，再要求候选在相同市场、周期和资金设置下测试，让比较围绕具体问题展开。

汇总表回答了“交易有多频繁”。用户接着想看到每次交易发生在哪里，于是把问题推进到了 K 线上的买卖点。

## 用户继续追问：能把回测买卖点放到 TradingView 上吗？

用户

动态 DCA 的回测记录使用tradingview在k线上标记出买卖点

AI · 对话节选

TradingView 标记买卖点，需要的是“逐笔回测明细”。

__逐笔交易记录的字段__
| 字段        | 含义                                |
| --------- | --------------------------------- |
| timestamp | 成交时间                              |
| side      | BUY / SELL                        |
| price     | 成交价                               |
| qty       | 成交数量                              |
| action    | ENTRY 首次开仓、DCA 补仓、EXIT 平仓、TP / SL |

可以生成两种版本：简化版只标记首次买入点和最终卖出点；完整版包含首次开仓、每次 DCA 补仓、最终止盈 / 止损 / 平仓。动态 DCA 的这次回测有 326 次平仓、675 笔订单，也可以按月份或最近 N 笔拆开查看。

**分析与建议：想看交易过程，就明确需要哪些明细**

用户提出在 TradingView 上标记买卖点后，AI 列出了时间、方向、价格、数量和动作类型这些字段。研究中想看整体表现，可以先用汇总表；想解释一次开仓、补仓或离场，就可以继续索要逐笔明细，并说明想按月份、最近几笔还是完整区间查看。

这段对话接下来转向了实际使用：用户选择先把动态 DCA 放进 Binance 模拟盘，观察策略运行。

## 进入 Binance 模拟盘：从配置检查到启动

用户

先把 动态 DCA 放到模拟盘上跑

AI · 对话节选

__首次部署检查__
| 检查项目              | 状态                   |
| ----------------- | -------------------- |
| EdgePilot Runtime | Ready                |
| 动态 DCA v1.1.0     | 已安装                  |
| Binance Demo 账户   | 已识别                  |
| 策略部署预检            | credentials\_missing |
| 策略实例              | 未创建                  |

请打开 EdgePilot Local Dashboard，进入账户或 API 凭证配置，添加并验证 Binance Demo 的凭证。

用户

继续启动

AI · 对话节选

Binance Demo 账户的 API 凭证已验证成功，REST 和 WebSocket 连接均正常。已成功创建并保存 `demo-1000` 配置。

__资金配置核对__
| 项目           | 结果                         |
| ------------ | -------------------------- |
| 策略           | 动态 DCA v1.1.0              |
| 市场           | Binance Demo · HYPEUSDT 永续 |
| 计划策略资金       | 1,000 USDT                 |
| Demo USDT 余额 | 7,388.42 USDT              |
| 杠杆           | 1 倍                        |
| 最多 DCA 加仓段数  | 5                          |
| 部署引用预设       | default                    |
| 策略包解析资金      | 100,000 USDT               |

用户

重试部署模拟盘

AI · 对话节选

已完成部署检查。`demo-1000` 资金配置已保存，模拟盘部署配置尚未正确关联，策略运行实例为 0。

用户

用当前参数覆盖default参数然后启动

AI · 对话节选

已通过 EdgePilot Local 将当前资金配置写入动态 DCA v1.1.0 的 `default` 工作区配置，平台确认配置来源为 `user_override`。

__工作区覆盖后的参数__
| 参数               | 当前值           |
| ---------------- | ------------- |
| 配置资金             | 1,000 USDT    |
| 杠杆               | 1 倍           |
| 基础下单比例           | 6.25%         |
| 最大 DCA 段数        | 5             |
| 最大总敞口比例          | 83%           |
| 最大等效杠杆           | 1 倍           |
| Maker / Taker 费率 | 0.02% / 0.05% |

部署预检读取到的工作区资金为 1,000 USDT，策略包 `initial_capital` 仍为 100,000 USDT。

用户

直接启动

AI · 对话节选

已向 EdgePilot Local 提交启动请求，并显示平台确认入口。

用户

给出链接我点击

AI · 对话节选

打开后，进入 Binance Demo 模拟盘部署页面，检查资金参数并完成启动确认。确认完成后回复「已确认」，我再核实策略是否真正运行。

用户

已确认

AI · 对话节选

模拟盘启动成功

已通过 EdgePilot Local 核实：动态 DCA v1.1.0 已在 Binance Demo 模拟盘正式运行。

__启动后的实际状态__
| 项目        | 实际状态                      |
| --------- | ------------------------- |
| 交易账户      | Binance Demo              |
| 交易标的      | HYPEUSDT 永续               |
| 引擎状态      | ready                     |
| 策略状态      | running                   |
| 风控状态      | normal                    |
| 当前持仓 / 挂单 | 0 / 0                     |
| 启动时间      | 2026-10-20 17:24:36（北京时间） |

**分析与建议：启动前后都要求返回具体状态**

这几轮对话涉及账户凭证、策略资金、部署预检和启动确认。用户最终让 AI 核实了策略的运行状态。推进类似操作时，可以请 AI 按阶段返回实际读取到的配置：使用哪个模拟账户、策略采用多少资金、预检结果是什么，以及启动后的策略状态和持仓情况。

策略运行后，用户又提出了更具体的疑问：当前入场逻辑是什么，怎样增加成交机会？接下来的讨论因此从部署转向策略规则与参数。

## 研究动态 DCA 的入场逻辑，再创建高频实验版

用户

动态 DCA v1.1.0 当前逻辑是什么，有什么方案可以提高成交频率，我想立刻看到成交

AI · 对话节选

我已直接读取 EdgePilot Local 中的策略配置、运行实例和日志。

### 当前策略怎么交易？

**第一步：等待下跌机会**确认局部低点 + 价格达到下跌阈值 + 成交量放大

↓

**第二步：首次做多**满足所有条件才发出买入信号

↓

**第三步：动态加仓**浮亏达到设定阈值，按 DCA 规则增加仓位

↓

**达到动态止盈**卖出平仓

**达到止损**卖出平仓

__实际参数与优化方向__
| 参数                            | 当前   | 高频测试建议 |
| ----------------------------- | ---- | ------ |
| 枢轴确认 swing\_points            | 3    | 2      |
| 下跌系数 median\_drop\_multiplier | 1.1  | 0.7    |
| 成交量倍数 volume\_multiplier      | 2.0  | 1.2    |
| 成交量均值周期                       | 20 根 | 10 根   |
| DCA 浮亏触发                      | −5%  | −1%    |
| 动态止盈倍数                        | 1.0  | 0.5    |
| 止损                            | 20%  | 暂时保持   |
| DCA 最大段数                      | 5    | 保持     |

`volume_multiplier=2` 要求相对成交量明显放大；`swing_points=3` 需要左右各 3 根 K 线确认枢轴低点；降低止盈倍数可能缩短持仓时间。

用户

创建动态 DCA 高频实验自定义版本，初始资金1000 USDT，swing\_points=2，median\_drop\_multiplier=0.7，volume\_multiplier=1.2，relative\_volume\_length=10，floating\_loss\_pct=-1，take\_profit\_multiplier=0.5，其余风控参数保持。先回测比较交易次数和手续费，再准备 Binance Demo 部署，不影响当前运行实例。

AI · 对话节选

### 高频实验版本已创建

自定义版本保存成功

已通过 EdgePilot Local 从原版 v1.1.0 复制创建独立策略。策略名称为“基于成交量的动态定投策略 · 高频实验”，版本为 r1。

__参数变更__
| 参数                       | 原版      | 高频实验版 |
| ------------------------ | ------- | ----- |
| initial\_capital         | 100,000 | 1,000 |
| swing\_points            | 3       | 2     |
| median\_drop\_multiplier | 1.1     | 0.7   |
| volume\_multiplier       | 2.0     | 1.2   |
| relative\_volume\_length | 20      | 10    |
| floating\_loss\_pct      | −5%     | −1%   |
| take\_profit\_multiplier | 1.0     | 0.5   |
| num\_orders              | 5       | 5     |
| stop\_loss\_pct          | 20%     | 20%   |
| 杠杆                       | 1 倍     | 1 倍   |

保持原始下单比例 6.25%、最大总敞口比例 83% 和最大等效杠杆 1 倍。Maker/Taker 手续费仍为 0.02% / 0.05%。

### 90 天回测比较

Binance · HYPEUSDT 永续 · 1 分钟 · 90 天

__原版 v1.1.0 与高频实验 r1__
| 指标     | 原版 v1.1.0    | 高频实验 r1    |
| ------ | ------------ | ---------- |
| 初始资金   | 100,000 USDT | 1,000 USDT |
| 已平仓次数  | 326          | 1,036      |
| 日均平仓次数 | 3.62         | 11.51      |
| 提交订单数  | 675          | 2,289      |
| 日均订单数  | 7.50         | 25.43      |
| 累计回报   | +4.22%       | −0.57%     |
| 最大回撤   | 2.02%        | 7.85%      |
| Sharpe | 12.42        | −0.13      |
| 胜率     | 99.69%       | 88.42%     |
| 盈利因子   | 25.22        | 0.92       |

两次回测均覆盖约 90 天，结束时间相差约 1 小时 51 分钟；初始资金分别为 100,000 和 1,000 USDT。

#### 日均平仓次数

*16* *12* *8* *4* *0*

3.62

11.51

原版高频实验

平仓频率提升**3.18 倍**

实验版回测盈亏**−5.65 USDT**

### 手续费比较

__两版使用相同费率；按等额开平仓计算的理论往返费率__
| 假设的成交方式  | 往返手续费率 |
| -------- | ------ |
| 双边 Maker | 0.04%  |
| 双边 Taker | 0.10%  |

高频实验版成交显著增加，盈利因子降至 0.92。我建议下一步先做手续费敏感性分析，检查亏损是否集中在连续加仓及较大亏损交易中。

__Binance Demo 部署准备情况__
| 项目              | 状态             |
| --------------- | -------------- |
| 策略版本            | r1             |
| 策略包初始资金         | 1,000 USDT，已核实 |
| 杠杆              | 1 倍            |
| 最大敞口            | 83%            |
| Binance Demo 预检 | 已通过            |
| 实验版运行实例         | 未启动            |
| 原版 v1.1.0       | 继续运行           |

**分析与建议：把目标转成具体修改，再查看整组结果**

用户先询问入场逻辑，随后一次列出要修改的参数、保留的风控设置，以及“先回测、再准备模拟盘部署”的顺序。r1 的 90 天平仓次数从 326 增至 1,036，累计回报从 +4.22% 变为 −0.57%。提出优化要求时，可以把目标、修改项、保留项和验证顺序一起交代，并要求同时返回交易次数、收益和回撤。

这次修改增加了交易频率。用户接着把“想尽快看到成交”变成了一条明确的规则：在策略启动时增加一笔 Taker 买单。

## 增加启动首单：从 r1 到 r3，再核对实际成交

用户

高频实验 r1 增加一个逻辑，策略启动的时候立刻下一笔taker单

AI · 对话节选

### 动态 DCA 高频实验 r2 已创建

已从 r1 创建独立的 r2，新增启动首单逻辑。

- **订单类型：**Market BUY，按 Taker 成交方式执行。
- **首单目标金额：**62.50 USDT，按 1,000 USDT × 6.25% 计算。
- **触发时机：**启动后立即尝试；没有可靠实时报价时，使用第一根实时 1 分钟 K 线的价格计算下单数量。
- **安全检查：**同一合约已有仓位或未完成订单时跳过；单次启动只尝试一次。
- **后续交易：**首单之后恢复原有 DCA 加仓、动态止盈及止损逻辑。

r2 首次回测失败，修复行情接口兼容问题后保存为 r3。r3 的 90 天回测已成功完成。

__r1 原实验版与 r3 启动 Taker 版__
| 指标    | r1 原实验版 | r3 启动 Taker 版 |
| ----- | ------- | ------------- |
| 订单数量  | 2,289   | 2,291         |
| 已平仓次数 | 1,036   | 1,037         |
| 累计回报  | −0.57%  | −0.81%        |
| 最大回撤  | 7.85%   | 7.85%         |

订单增加 2 笔、完整交易增加 1 轮，与启动时额外买入、随后卖出的设计一致。

### 原版 Demo 已模拟成交

在最后检查时，原版动态 DCA v1.1.0 已自行触发买入信号并完成了一笔 Taker 成交。

__原版模拟买入记录__
| 项目      | 成交结果                      |
| ------- | ------------------------- |
| 方向 / 市场 | BUY · HYPEUSDT 永续         |
| 成交价格    | 78.17700                  |
| 成交数量    | 5.90 HYPE                 |
| 成交手续费   | 0.23062215 USDT           |
| 成交方式    | Market · Taker            |
| 成交时间    | 2026-10-20 17:46:01（北京时间） |

用户

停止并平仓 原版动态 DCA v1.1.0

AI · 对话节选

已向 EdgePilot Local 提交原版动态 DCA v1.1.0 的停止并平仓请求。请在确认界面批准操作。

用户

已确认

AI · 对话节选

停止并平仓成功

已通过 EdgePilot Local 核实：原版动态 DCA v1.1.0 已停止，Binance Demo 持仓全部平仓。

__本次模拟交易记录__
| 项目                          | 结果                        |
| --------------------------- | ------------------------- |
| 开仓买入价格                      | 78.17700                  |
| 平仓卖出价格                      | 78.23900                  |
| 平仓数量                        | 5.90 HYPE                 |
| 平仓方式                        | Market · Taker            |
| 已实现净盈亏                      | −0.0956272 USDT           |
| 双边手续费合计                     | 0.4614272 USDT            |
| 平仓成交时间                      | 2026-10-20 17:51:06（北京时间） |
| 策略运行状态                      | stopped                   |
| HYPEUSDT 持仓 / 未完成订单 / 待执行指令 | 0 / 0 / 0                 |

用户

已启动r3版本，能读取到策略运行日志吗

AI · 对话节选

### 已成功读取 r3 的运行状态与交易事件

r3 运行中，首笔 Taker 单已成交 

EdgePilot Local 确认：动态 DCA 高频实验 r3 已成功启动，并完成了一笔模拟盘市价买单。

__r3 首笔模拟成交__
| 项目        | 实际结果                      |
| --------- | ------------------------- |
| 交易账户      | Binance Demo              |
| 引擎 / 策略状态 | ready / running           |
| 成交价格      | 78.286 USDT               |
| 成交数量      | 5.89 HYPE                 |
| 订单名义金额    | 461.10 USDT               |
| Taker 手续费 | 0.23055227 USDT           |
| 成交时间      | 2026-10-20 17:53:00（北京时间） |
| 订单类型      | Market BUY                |
| 当前持仓 / 挂单 | 5.89 HYPE 多头 / 0          |
| 原版 v1.1.0 | 已停止                       |

### 读取到的实际运行日志

以下日志时间为 UTC。

09:52:28 INFO  ExecEngine: Registered OMS.NETTING
09:52:28 INFO  TRADER-001: Registered Strategy
09:52:37 INFO  VolumeBasedDynamicDcaStrategy: RUNNING
09:52:37 INFO  Startup Taker entry awaiting first live 1-minute bar

__结合交易事件还原的启动过程（北京时间）__
| 时间       | 事件                 |
| -------- | ------------------ |
| 17:52:37 | r3 正式运行            |
| 17:52:37 | 启动买单等待第一根实时 K 线    |
| 17:53:00 | 提交 Market BUY      |
| 17:53:00 | 交易所接受订单            |
| 17:53:00 | Taker 成交 5.89 HYPE |
| 17:53:46 | 持仓同步成功             |

### 日志与成交暴露出的两个问题

策略配置为 `initial_capital=1000`、`order_fraction=0.0625`，首单目标金额为 62.50 USDT，实际成交名义金额约 461.10 USDT。我会重点排查资金基数与下单数量的计算。

日志还出现了一条 `instrument_status` 订阅错误。为继续分析策略为何下单、如何计算数量，我建议将 SIGNAL、ORDER\_SIZING、ORDER\_SUBMIT、FILL、DCA、EXIT 分开记录。

**分析与建议：用成交记录和日志核对实际行为**

用户增加启动首单后，又追问 r3 的运行日志。AI 返回了启动、提交订单、接受订单、成交和持仓同步的时间线，也发现实际首单约 461.10 USDT，与配置目标 62.50 USDT 存在差异。检查策略时，可以分别询问运行状态、订单是否接受、实际成交价格与数量，以及最终持仓，让执行过程有记录可查。

有了日志和成交事件，后续关注点就很自然地变成了持续跟进：多久检查一次，出现什么情况才通知用户。

## 最后，用户要求定时检查日志与成交通知

用户 · 对话节选

在chatgpt新建每15分钟的定时任务，定时检查日志，如果有报错，给出解决方案并通知我，如果有成交也通知我，通知方式，飞书机器人

AI · 对话节选

针对正在运行的动态 DCA 高频实验 r3，监控内容包括运行日志、策略状态和新增成交事件。

**定时检查**读取 r3 运行日志、策略状态和新增成交事件

↓

**错误告警**错误内容、可能原因、解决方案、是否需要人工介入

**成交通知**买卖方向、成交价、数量、手续费和订单 ID

↓

**通知**有新错误或新成交时发送，使用事件 ID 去重

用户

改为每小时检查一次

AI · 对话节选

定时任务创建成功

已在 ChatGPT 创建并启用 EdgePilot r3 日志与成交告警。

__对话中记录的任务配置__
| 项目           | 配置                     |
| ------------ | ---------------------- |
| 监控策略         | 动态 DCA 高频实验 r3         |
| 交易环境         | Binance Demo           |
| 检查频率         | 每小时一次                  |
| 首次计划检查       | 2026-10-20 18:03（北京时间） |
| 日志报错         | 分析原因、提供解决方案并通知         |
| 新增成交         | 通知成交方向、价格、数量和手续费       |
| 无异常、无成交      | 不发送通知                  |
| Runtime 连接失败 | 发送监控不可用提醒              |
| ChatGPT 任务通知 | 已配置                    |
| 飞书机器人通知      | 已写入任务指令，发送待验证          |

**分析与建议：把检查频率和通知条件分别说清楚**

用户最终把检查频率定为每小时一次，并指定日志报错和新增成交时通知。这类要求可以写清检查对象、频率、触发条件和通知内容，例如报错时提供原因与处理建议，成交时提供方向、价格、数量和手续费。随后核对返回的任务配置，并单独确认通知渠道的测试结果。

从明确研究目标，到比较参数、观察模拟成交，再到检查日志，这些对话都由一个具体问题推进到下一个问题。下面再补充几个关于文章前半段均线参数比较的常见问题。

## 关于 EMA 均线参数与策略回测的几个问题

### 这次四组 EMA 参数比较，有哪些差别？

4/12 的收益率和夏普比率最高，分别为 +4.80% 和 1.81；5/15 的最大回撤最低，为 2.12%。用户最后选择保存了 4/12 版本。

### 用户怎样保存选中的均线参数？

用户直接在对话中要求将 4/12 周期另存为“周期优化”，保留原版，并创建参数修订、运行回测。AI 返回了保存后的版本名称和回测结果，收益率、最大回撤、夏普比率与交易次数均与此前一致。

### 研究 4 小时波段交易策略，能参考这个案例的哪些内容？

可以参考它如何记录原版、比较参数，并同时查看收益率、最大回撤、夏普比率和交易次数。指标含义可以阅读[收益率、最大回撤和夏普比率的解释](https://blog.algorover.ai/zh/high-return-drawdown-sharpe-zh-cn/)；参数研究的延伸阅读见[多组参数回测与过拟合](https://blog.algorover.ai/zh/many-parameters-one-profitable-backtest/)。

从均线参数比较，到动态 DCA 的模拟成交和运行日志，用户通过一次次追问推进了自己的策略研究。想了解 AlgoRover（策跃）的 AI 对话使用方式，可以从官网查看产品入口。

[了解 AlgoRover（策跃）](https://www.algorover.ai/zh/?utm%5Fsource=edgepilot%5Fblog&utm%5Fmedium=article%5Fcta&utm%5Fcampaign=ai-strategy-parameter-comparison-chat-zh&utm%5Fcontent=product%5Fentry)