tradeSys #40: 行为纪律规则引擎 — 从认知偏差到可编码规则

研究目标：将 #23 交易心理的 7 大认知偏差、#26 回撤管理的分级响应、#36 regime detection 信号，转化为一个可编码、可 cron 调度、可自动执行的行为纪律规则引擎。 研究日期：2026-03-23 前置依赖：#23 交易心理 | #26 回撤管理 | #36 Regime Detection | Plan E3-AW 账户参数：$50K 起步，季度再平衡，四标的（GLD/DBMF/sUSDe/BIL）

核心论点

行为偏差是散户投资者最大的单一收益杀手——Dalbar QAIB 30年数据显示，散户因行为问题年均少赚 3-4%，远超管理费（0.5%）和交易成本（0.3%）的总和。对于 Plan E3-AW 这样年化预期 ~6% 的策略，行为损耗如果达到 3%，等于砍掉一半收益。

本研究的核心主张：行为纪律不能靠意志力，必须靠代码。将认知偏差的触发条件量化为 IF-THEN 规则，由 cron 自动检测和干预，把人类最薄弱的环节（情绪决策）交给最擅长执行的角色（程序）。

1. 行为偏差的量化触发条件

1.1 七大偏差 → 七组 IF-THEN 规则

基于 #23 交易心理研究中识别的 7 大认知偏差，转化为可检测信号：

反直觉发现 #1：过度交易（#3）是 Plan E3-AW 最大的行为风险，而不是恐慌卖出。原因：季度再平衡策略本应极少交易（年 4 次），但散户常因"闲着焦虑"而增加不必要的调整。Barber & Odean (2000) 发现高频交易者年化收益比低频者少 6.5%。

1.2 数据源与信号采集架构

[IBKR API] ──→ 持仓/交易数据
[Stooq/Yahoo] ──→ 价格数据（日频）
[交易日志 JSON] ──→ 计划 vs 实际执行对比
[VIX/CTS] ──→ Regime 信号（来自 #36）
        │
        ▼
  [信号采集层] ──→ 每日 cron 扫描
        │
        ▼
  [规则引擎] ──→ IF-THEN 匹配
        │
        ▼
  [动作层] ──→ 告警/锁定/报告

最简实现：一个 Python 脚本 + DuckDB 本地数据库 + cron 每日运行。无需复杂基础设施。

2. 规则引擎架构设计

2.1 整体架构：事件驱动 + 规则匹配 + 动作执行

三层设计：

1. 感知层（Sensor）：每日收集价格、持仓、交易记录
2. 决策层（Rules Engine）：用规则库匹配当前状态
3. 执行层（Actuator）：发送告警、锁定交易、生成报告

2.2 规则库数据结构

# rules.py - 行为纪律规则库
RULES = [
    {
        "id": "R001_loss_aversion",
        "name": "损失厌恶检测",
        "trigger": {
            "condition": "portfolio_daily_return < -0.02 AND unplanned_sell_signal_in_24h",
            "data_sources": ["ibkr_positions", "trade_log"]
        },
        "action": {
            "type": "lock_and_alert",
            "lock_duration_hours": 48,
            "message": "⚠️ 组合今日跌幅 {drop}%，你在 24h 内发出了卖出信号。这在你的计划内吗？交易已锁定 48h。"
        },
        "priority": 1,  # 1=最高
        "cooldown_days": 7  # 触发后 7 天不重复告警
    },
    {
        "id": "R003_overtrading",
        "name": "过度交易检测",
        "trigger": {
            "condition": "monthly_turnover > 0.15",
            "data_sources": ["trade_log"]
        },
        "action": {
            "type": "freeze_and_report",
            "freeze_until": "month_end",
            "message": "🚫 本月 turnover {turnover}%，远超正常值 3%。非计划交易已冻结至月末。"
        },
        "priority": 1,
        "cooldown_days": 30
    },
    {
        "id": "R004_recency_bias",
        "name": "近因偏差检测",
        "trigger": {
            "condition": "(streak_up_weeks >= 3 AND buy_signal) OR (streak_down_weeks >= 2 AND sell_signal)",
            "data_sources": ["price_data", "trade_log"]
        },
        "action": {
            "type": "cooling_period",
            "wait_hours": 72,
            "message": "🧊 组合连涨/跌 {weeks} 周后你想操作——72h 冷静期已启动。"
        },
        "priority": 2,
        "cooldown_days": 14
    }
]

2.3 与 cron 调度的整合

# crontab 配置
# 每日 21:00 UTC (北京时间 05:00) 运行行为检测
0 21 * * * cd ~/tradeSys && python3 behavioral_engine.py --mode=daily_scan

# 每月 1 日生成月度行为报告
0 22 1 * * cd ~/tradeSys && python3 behavioral_engine.py --mode=monthly_report

# 每季度末触发再平衡前检查
0 20 28-31 3,6,9,12 * cd ~/tradeSys && python3 behavioral_engine.py --mode=pre_rebalance_check

2.4 规则优先级与冲突解决

当多条规则同时触发时：

1. 安全规则优先：锁定/冻结类（R001/R003）> 警告类（R002/R004）> 信息类（R005/R006）
2. 最严格动作生效：如同时触发 48h 锁定和 72h 冷静期，取 72h
3. 冲突日志：记录所有被覆盖的规则，供月度复盘分析

3. 交易日志与复盘框架

3.1 每次交易必须记录的字段

{
    "timestamp": "2026-03-23T15:30:00Z",
    "asset": "GLD",
    "action": "sell",
    "quantity": 10,
    "price": 245.30,
    "planned": true,
    "plan_reference": "Q1_rebalance",
    "pre_trade_emotion": "neutral",  // calm/anxious/excited/fearful
    "trigger_source": "rule_engine",  // rule_engine/manual/external_signal
    "market_context": {
        "vix": 18.5,
        "regime": "low_vol_trend",
        "portfolio_dd": -1.2
    },
    "post_trade_note": ""
}

关键字段说明：

• planned: bool——这笔交易是否在季度计划内？非计划交易是行为偏差的最强信号
• pre_trade_emotion: 自评情绪——事后复盘时可分析情绪与交易质量的相关性
• trigger_source: 区分自动执行 vs 手动干预——手动干预比例过高说明规则引擎没发挥作用

3.2 月度复盘模板

## 月度行为复盘 — YYYY-MM

### 交易统计
- 总交易次数: X（计划内: Y，计划外: Z）
- 月度 turnover: X%
- 规则触发次数: X（锁定: Y，警告: Z，信息: W）

### 行为偏差检测
- [ ] 损失厌恶事件: 0
- [ ] 过度交易: 否（turnover < 3%）
- [ ] 追涨杀跌: 0 次
- [ ] 非计划交易: 0 次

### 情绪分布
- calm: X% | anxious: X% | excited: X% | fearful: X%

### 本月教训
（自由文本，记录具体的行为发现）

### 下月计划调整
（基于本月教训，调整规则参数或新增规则）

3.3 季度深度复盘

季度复盘增加：

1. 规则有效性评估：每条规则的触发次数、干预成功率（干预后是否避免了损失）
2. 行为趋势分析：非计划交易的月度趋势（应逐月下降）
3. 与组合表现的相关性：行为评分 vs 超额收益（或欠额）

4. 实证数据：行为干预对散户收益的量化影响

4.1 Dalbar QAIB 研究（1984-2023, 30 年跨度）

Dalbar 的 Quantitative Analysis of Investor Behavior 是该领域最权威的长期研究：

核心发现：散户在 30 年间因行为问题累计损失了 65% 的潜在财富。如果 $50K 按 10.2% 复利 30 年 = $900K；按 6.8% = $360K。差额 $540K 全部归因于行为损耗。

4.2 Barber & Odean 系列研究

Barber & Odean (2000, Journal of Finance) “Trading Is Hazardous to Your Wealth”：

• 分析 1991-1996 年 66,465 个散户账户
• 最高 turnover 五分位：年化收益 11.4%
• 最低 turnover 五分位：年化收益 18.5%
• 差距：7.1%/年
• 原因：交易成本 + 时机选择失误 + 处置效应

Barber & Odean (2001) “Boys Will Be Boys”：

• 男性散户交易频率比女性高 45%
• 男性年化收益比女性低 1.4%
• 纯粹归因于过度自信导致的过度交易

反直觉发现 #2：交易越少，赚得越多——这不是因为"买入持有"是最优策略，而是因为大多数额外交易的期望收益为负。对 Plan E3-AW，年 4 次季度再平衡已足够，任何额外交易大概率是在损害收益。

4.3 Vanguard 行为指导价值量化

Kinniry et al. (2019, Vanguard) “Putting a Value on Your Value: Quantifying Vanguard Advisor’s Alpha”：

Vanguard 量化了财务顾问通过行为指导创造的年化价值：

关键发现：行为指导贡献了 Vanguard 估算的顾问价值的 50%。而本研究的规则引擎本质上就是一个自动化的行为指导系统——用代码替代人类顾问的角色。

4.4 综合：行为干预的预期收益幅度

基于以上实证，行为纪律规则引擎对 Plan E3-AW 的预期增值：

• 保守估计：年化 +1.0-1.5%（主要来自减少过度交易和恐慌卖出）
• 乐观估计：年化 +2.0-3.0%（全面行为干预 + 再平衡纪律 + 情绪管理）
• 对终值影响：$50K 按 6% 跑 20 年 = $160K；加上行为增值 1.5% 变 7.5% = $224K（+40%）

这意味着行为规则引擎可能是 tradeSys 投入产出比最高的模块——零资金成本，年化增值 1-3%。

5. 与现有研究的整合

5.1 回撤分级响应的规则化（来自 #26）

5.2 Regime 信号的规则化（来自 #36）

5.3 统一状态机

[每日 cron 扫描]
    │
    ├─→ 检查回撤级别（绿/黄/红）
    │       │
    │       └─→ 红灯 → 冻结所有非计划交易
    │
    ├─→ 检查 Regime 状态
    │       │
    │       └─→ 高波动趋势 → 预设配比调整（下次再平衡时生效）
    │
    ├─→ 检查 7 条行为规则
    │       │
    │       └─→ 触发 → 执行对应干预（锁定/警告/冷静期）
    │
    └─→ 生成每日状态摘要（一行）
            │
            └─→ 写入 tradeSys/logs/daily_status.jsonl

6. 部署方案与 MVP 路线图

MVP（1-2 天可完成）

1. 交易日志 JSON 模板 — 手动记录每笔交易（5 分钟/笔）
2. 月度复盘 Markdown 模板 — 每月 1 日填写（30 分钟）
3. 一个 Python 脚本：读取交易日志 → 检测过度交易（turnover > 15%）→ 发送告警

V1.0（1-2 周）

4. 接入 IBKR API 自动获取持仓/交易数据
5. 实现全部 7 条行为规则的自动检测
6. cron 每日扫描 + 告警推送（通过 OpenClaw 消息）

V2.0（1-2 月）

7. 整合 #26 回撤分级 + #36 Regime 信号
8. 自动生成月度/季度行为报告
9. 交易锁定功能（通过 IBKR API 撤销非计划订单）

检查线自检

事实来源清单

1. Dalbar QAIB (2023) — 30 年散户行为损耗数据
2. Barber & Odean (2000) “Trading Is Hazardous to Your Wealth”, Journal of Finance
3. Barber & Odean (2001) “Boys Will Be Boys”, Quarterly Journal of Economics
4. Kinniry et al. (2019) “Putting a Value on Your Value”, Vanguard Research
5. #23 交易心理研究 — 7 大认知偏差及量化损耗
6. #26 回撤管理 — 分级响应框架
7. #36 Regime Detection — VIX+CTS 双信号系统

独到见解摘要

1. 行为损耗（3-4%/年）是 Plan E3-AW 预期收益（6%）的一半以上——行为纪律是投入产出比最高的模块
2. 过度交易是 Plan E3-AW 最大行为风险（不是恐慌卖出）——季度再平衡策略最怕"闲着焦虑”
3. 行为规则引擎 = 自动化财务顾问——用代码实现 Vanguard 估算的年化 1.5% 行为指导价值
4. 交易越少赚越多——Barber & Odean 的 7.1% 差距证明额外交易期望收益为负
5. MVP 只需 1 个 Python 脚本 + 交易日志模板——零基础设施成本，即刻可用