尧图网站开发 
8月13日26岁账户本金600万满仓梭哈当日亏损3万。这不是段子而是非常典型的个人交易记录。多数人看到这类记录会先关注金额但真正值得关注的其实是另一件事交易发生了、盈亏结算了可如果没有日志、没有复盘、没有风险指标下一笔交易和这一笔几乎没有区别。这次我们来看一个能直接落地的技术方案用 Python 从零搭建一套个人交易复盘工具。它能读取你导出的交易流水自动计算每日盈亏、账户净值、最大回撤、胜率、盈亏比再把资金曲线画出来。工具本身不依赖 GPU、不需要显存、不调用任何付费服务装好 Python 环境就能跑。文章末尾还会给出 API 接口和批量任务目录扫描脚本方便你把多账户、多周期的交易记录统一管理。标题里的“被骗炮”在交易语境里通常指被某个突破信号吸引进场、随后行情反转导致追高被套。这种事在手工交易里非常典型而它恰恰说明问题往往不完全出在信号而是出在“没有一套可追溯、可复盘、可约束的流程”。本文会用代码把这条流程搭起来让你每一笔操作都能被数据解释。1. 核心能力速览能力项说明项目类型个人交易日志分析与复盘工具示例工程运行环境Python 3.9 及以上普通笔记本即可运行主要功能交易流水导入、单笔盈亏计算、每日盈亏聚合、净值曲线绘制、胜率统计、盈亏比统计、最大回撤计算是否支持 API支持内置 FastAPI 接口可上传 CSV 返回分析结果是否支持批量任务支持可按目录递归扫描 CSV 并汇总报表GPU / 显存需求不依赖 GPU显存需求为 0启动方式命令行运行或启动 API 服务后通过接口调用输入格式CSV 交易流水表输出内容终端汇总报告 PNG 净值曲线 汇总 CSV适合场景个人手工交易复盘、量化策略回测结果初步分析、财经数据教学、小团队内部资金曲线管理需要说明的是这是一个基于公开 CSV 格式构建的示例工具核心代码在本文中完整给出。如果你有自己的交易软件导出格式只需要把字段映射到统一格式即可。2. 适用场景与使用边界这个工具适合四类人第一类手工交易者。每次下单后把开仓时间、方向、价格、数量、手续费记下来复盘时不再靠记忆和截图直接看数据和曲线。第二类量化策略初学者。策略回测得到一堆成交记录后用这套脚本快速计算胜率、盈亏比和最大回撤比在 Excel 里手动拉公式高效得多。第三类财经数据分析方向的学生。用真实或模拟数据练习 pandas 数据处理、matplotlib 可视化和指标计算是一套完整的小型数据分析项目。第四类小团队资金管理场景。多个交易员各自维护一张 CSV 表用批量脚本统一汇总成一张整体报表。同时必须明确它的边界它不做自动下单不接交易所接口不能直接用于实盘交易。它不做高频行情处理只处理交易流水不处理 tick 级数据。它不产生买卖信号不负责告诉你“下一步该买还是该卖”。它不能替代专业风控系统最大回撤只是事后统计指标。合规方面也要说清楚。本文所有代码仅用于个人交易记录整理和统计分析不构成投资建议。如果使用模拟盘或真实账户数据注意隐私保护不要公开含敏感账户信息的文件。涉及他人数据时必须确认数据来源合法、已获得授权。另外不建议在真实账户中使用高杠杆、满仓等极端操作复盘工具的作用是帮助你认识风险而不是鼓励冒险。3. 环境准备与项目结构环境要求很低一台能运行 Python 的电脑Windows、macOS、Linux 都行。建议使用 Python 3.9 或更高版本依赖库包括 pandas、matplotlib、fastapi、uvicorn、python-multipart 和 openpyxl。先创建项目目录mkdir trade_review cd trade_review创建依赖文件requirements.txtpandas2.0.0 matplotlib3.7.0 fastapi0.110.0 uvicorn0.29.0 python-multipart0.0.9 openpyxl3.1.0安装依赖pip install -r requirements.txt如果 pip 安装速度慢可以替换为国内镜像源pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple项目文件结构如下trade_review/ ├── requirements.txt ├── trade_log.csv ├── review.py ├── api_server.py └── batch_review.pytrade_log.csv存放交易流水review.py是核心分析脚本api_server.py提供接口服务batch_review.py负责批量任务。4. 搭建交易复盘工具4.1 准备交易流水表创建一个trade_log.csv字段建议包含日期、时间、交易品种、方向、数量、开仓价、平仓价、手续费、交易前账户权益。其中方向字段只填long或short分别表示做多和做空。下面是一份演示数据用于验证代码流程里面特意包含了“8月13日单日亏损3万”的场景date,time,symbol,direction,quantity,entry_price,exit_price,fee,capital_before 2024-08-07,09:30,TEST,long,100000,10.0,10.5,0.0,6000000.0 2024-08-08,14:20,TEST,short,50000,12.0,12.5,0.0,6050000.0 2024-08-09,09:35,TEST,long,100000,9.5,9.8,0.0,6025000.0 2024-08-12,10:00,TEST,long,100000,9.8,9.9,0.0,6055000.0 2024-08-13,09:35,TEST,long,100000,10.0,9.7,0.0,6065000.0说明一下字段含义quantity交易数量这里是股数或合约份数。entry_price开仓价格。exit_price平仓价格。fee手续费。capital_before该笔交易发生前的账户权益。4.2 编写核心分析脚本 review.py在项目目录下创建review.pyimport argparse import pandas as pd import matplotlib.pyplot as plt def load_csv(path): df pd.read_csv(path, encodingutf-8-sig) df[date] pd.to_datetime(df[date]) df df.sort_values([date, time]) return df def calc_pnl(row): direction row[direction] if direction long: return (row[exit_price] - row[entry_price]) * row[quantity] - row[fee] elif direction short: return (row[entry_price] - row[exit_price]) * row[quantity] - row[fee] else: return 0.0 def build_report(df): df df.copy() df[pnl] df.apply(calc_pnl, axis1) df[equity_after] df[capital_before] df[pnl] daily df.groupby(df[date].dt.date)[pnl].sum().reset_index() daily.columns [date, daily_pnl] last_equity df.groupby(df[date].dt.date)[equity_after].last() daily[net_value] daily[date].map(lambda x: float(last_equity.loc[x])) wins df[df[pnl] 0] losses df[df[pnl] 0] win_rate len(wins) / len(df) * 100 if len(df) else 0.0 profit_factor ( wins[pnl].sum() / abs(losses[pnl].sum()) if len(losses) else float(inf) ) max_drawdown calc_max_drawdown(daily[net_value].to_list()) return df, daily, { total_pnl: float(df[pnl].sum()), trade_count: len(df), win_rate: round(win_rate, 2), profit_factor: round(profit_factor, 2) if profit_factor ! float(inf) else None, max_drawdown: round(max_drawdown, 4), } def calc_max_drawdown(net_values): peak net_values[0] max_dd 0.0 for value in net_values: if value peak: peak value dd (value - peak) / peak if peak ! 0 else 0.0 if dd max_dd: max_dd dd return max_dd def plot_report(daily, output_png): plt.figure(figsize(10, 5)) plt.plot(daily[date], daily[net_value], markero, linestyle-) plt.title(Equity Curve) plt.xlabel(date) plt.ylabel(net value) plt.grid(True) plt.xticks(rotation45) plt.tight_layout() plt.savefig(output_png) print(f[OK] equity curve saved to {output_png}) def main(): parser argparse.ArgumentParser(descriptionTrade Review Tool) parser.add_argument(--input, requiredTrue, helppath to trade log csv) parser.add_argument(--output, defaultequity_curve.png, helpoutput png path) args parser.parse_args() df load_csv(args.input) report_df, daily, metrics build_report(df) print( Trade Review Report ) print(fTrade Count: {metrics[trade_count]}) print(fTotal PnL: {metrics[total_pnl]}) print(fWin Rate: {metrics[win_rate]}%) print(fProfit Factor: {metrics[profit_factor]}) print(fMax Drawdown: {metrics[max_drawdown]}) print(daily.to_string(indexFalse)) print(report_df[[date, time, symbol, direction, quantity, entry_price, exit_price, pnl]].to_string(indexFalse)) plot_report(daily, args.output) if __name__ __main__: main()这里有几个计算细节需要看明白做多盈亏公式是(平仓价 - 开仓价) * 数量 - 手续费。做空盈亏公式是(开仓价 - 平仓价) * 数量 - 手续费。每日净值取当天最后一笔交易完成后的账户权益而不是简单的初始权益累加。最大回撤使用净值序列的峰值回撤算法公式为(当前净值 - 历史峰值) / 历史峰值取最小值。4.3 运行核心脚本打开终端执行python review.py --input trade_log.csv --output equity_curve.png运行后终端会输出一份汇总报告并生成equity_curve.png净值曲线图。5. 功能测试与效果验证5.1 测试数据完整性校验先检查代码是否能正确识别 CSV 表头和字段。运行脚本时如果报KeyError优先检查 CSV 列名是否和代码中的字段名完全一致。注意表头不要带空格capital_before不要写成capital before。5.2 验证单笔盈亏计算用演示数据中的第一笔验证做多公式开仓价 10.0平仓价 10.5数量 100000手续费 0 盈亏 (10.5 - 10.0) * 100000 50000对应日期 2024-08-07账户权益从 6000000 变为 6050000。再验证 8 月 13 日那笔开仓价 10.0平仓价 9.7数量 100000手续费 0 盈亏 (9.7 - 10.0) * 100000 -30000正好对应标题中的“当日 -3w”。这说明数据字段和公式是对得上的。5.3 验证每日聚合演示数据共有 5 个交易日每日盈亏分别为2024-08-07500002024-08-08-250002024-08-09300002024-08-12100002024-08-13-30000按日期分组求和后可以得到每日盈亏序列再结合最后一笔交易的权益得到每日净值序列。5.4 验证风险指标基于以上演示数据指标计算结果应该是总盈亏35000胜率3 胜 2 负60.0%盈亏比盈利总和 90000亏损总和 55000盈亏比约 1.64最大回撤净值序列为 6050000、6025000、6055000、6065000、6035000最大回撤约 -0.46%终端输出中Profit Factor字段是盈亏比。这在实盘场景中很有参考价值胜率再高如果单笔亏损远大于单笔盈利长期下来账户依然是亏的。5.5 验证净值曲线运行后项目目录下会生成equity_curve.png。打开图片能看到一条从 6000000 附近波动向上的曲线最后一天出现明显回落。曲线能直观反映账户的波动节奏尤其是“连续盈利几天后一天打回部分利润”这类形态。常见失败情况如果图片中文乱码是 matplotlib 默认字体不支持中文可以在代码中设置中文字体或者把图片标题改成英文。如果图片空白检查 CSV 是否为空文件或者日期列是否被解析成NaN。6. 接口 API 与批量任务6.1 启动 FastAPI 服务如果不想每次都在命令行里跑可以把分析逻辑封装成接口。创建api_server.pyimport os import tempfile import pandas as pd from fastapi import FastAPI, File, UploadFile from review import build_report app FastAPI(titleTrade Review API, version0.1.0) app.get(/health) def health(): return {status: ok} app.post(/api/review/upload) async def review_upload(file: UploadFile File(...)): suffix os.path.splitext(file.filename)[-1] with tempfile.NamedTemporaryFile(deleteFalse, suffixsuffix) as tmp: tmp.write(await file.read()) tmp_path tmp.name try: df pd.read_csv(tmp_path, encodingutf-8-sig) report_df, daily, metrics build_report(df) return { metrics: metrics, daily: daily.to_dict(orientrecords), } finally: os.remove(tmp_path)启动接口服务uvicorn api_server:app --host 127.0.0.1 --port 8000启动后先验证健康检查curl http://127.0.0.1:8000/health正常返回{status:ok}6.2 使用 curl 上传 CSV 调用分析接口curl -X POST http://127.0.0.1:8000/api/review/upload \ -F filetrade_log.csv接口会返回 JSON 格式的指标结果和每日净值列表。这个接口可以直接接到自己的本地工具链里比如定时任务收集交易记录后自动推送到复盘服务。6.3 使用 Python 请求库调用接口import requests url http://127.0.0.1:8000/api/review/upload files {file: (trade_log.csv, open(trade_log.csv, rb), text/csv)} response requests.post(url, filesfiles, timeout30) print(response.json())返回结果中metrics.total_pnl总盈亏metrics.win_rate胜率metrics.max_drawdown最大回撤daily每日盈亏与净值列表6.4 批量任务目录扫描当账户变多或记录分散在多个目录时手动逐个调用接口显然不现实。创建batch_review.pyimport argparse import glob import os import pandas as pd from review import build_report def scan_directory(input_dir, output_dir): os.makedirs(output_dir, exist_okTrue) csv_files glob.glob(os.path.join(input_dir, **, *.csv), recursiveTrue) summary [] if not csv_files: print(f[WARN] no csv files found in {input_dir}) return for idx, path in enumerate(csv_files, 1): try: df pd.read_csv(path, encodingutf-8-sig) report_df, daily, metrics build_report(df) summary.append({ file: path, total_pnl: float(report_df[pnl].sum()), trade_count: metrics[trade_count], win_rate: metrics[win_rate], profit_factor: metrics[profit_factor], max_drawdown: metrics[max_drawdown], }) print(f[{idx}/{len(csv_files)}] OK: {path}) except Exception as exc: print(f[{idx}/{len(csv_files)}] FAIL: {path} - {exc}) result pd.DataFrame(summary) result.to_csv( os.path.join(output_dir, summary.csv), indexFalse, encodingutf-8-sig, ) print(f[DONE] summary saved to {output_dir}/summary.csv) if __name__ __main__: parser argparse.ArgumentParser() parser.add_argument(--input, requiredTrue, helpinput directory) parser.add_argument(--output, requiredTrue, helpoutput directory) args parser.parse_args() scan_directory(args.input, args.output)运行批量任务python batch_review.py --input ./logs --output ./reports它会递归扫描./logs目录下所有 CSV 文件逐份计算指标并生成一份summary.csv汇总表。单文件处理失败不会中断整个任务日志会打印具体失败原因方便排查。批量任务的常见设计原则是每个文件独立处理互不影响。失败时记录日志并继续处理下一个文件。最后统一生成汇总表便于人工复核。7. 资源占用与性能观察这个工具是纯 CPU 任务运行时不依赖 GPU显存需求为 0。第一次在普通笔记本上运行主要消耗来自 pandas 读取 CSV 和 matplotlib 绘图。从性能角度看几千条到几万条交易记录pandas 处理几乎没有压力。几十万条记录时建议关注内存占用不要把全部历史数据一次性频繁读入。如果数据量达到百万级建议改用分块读取或者把数据存储格式从 CSV 换成 Parquet能明显减少读取和计算时间。实际占用需要以本机配置和数据量为准。更稳妥的做法是先跑一遍演示数据确认流程正常再导入完整数据观察运行时间。如果单次处理超过几十秒优先检查是否在循环里重复读取大文件而不是怀疑机器性能。启动 API 服务后也可以观察端口占用情况lsof -i :8000如果端口被占用换一个端口启动即可uvicorn api_server:app --host 127.0.0.1 --port 80018. 常见问题与排查方法问题现象可能原因排查方式解决方案CSV 中文乱码文件编码不是 UTF-8用文本编辑器查看文件编码CSV 文件使用 UTF-8 编码代码中读取时使用encodingutf-8-sig运行时报 KeyErrorCSV 表头与代码字段名不一致打印df.columns检查字段名统一字段名去掉空格日期解析失败日期格式不统一检查 CSV 中日期列统一使用YYYY-MM-DD格式最大回撤输出为 0净值序列只有一笔或者全是上涨检查聚合后的 daily 数据确认有多个交易日的净值数据胜率计算异常direction 字段存在非 long/short 值统计 direction 值分布数据清洗时统一方向字段API 上传 CSV 后返回 500上传文件不是标准 CSV查看服务日志检查 CSV 表头是否完整uvicorn 启动端口被占用8000 端口已被其他进程占用执行lsof -i :8000换端口启动或先结束占用进程批量任务中途失败某个 CSV 文件格式损坏看日志中 FAIL 文件路径修复该文件后重新运行批量脚本matplotlib 图片中文乱码系统缺少中文字体查看图片文字将图表标题改为英文或配置中文字体批量汇总表为空输入目录下没有 CSV 文件检查目录路径确认--input指向包含 CSV 的目录9. 最佳实践与使用建议第一交易记录必须落地。无论是手动交易还是量化策略每一笔操作的日期、方向、价格、数量、手续费都必须记录。没有记录复盘就是靠记忆而人的记忆会美化亏损、放大盈利。第二统一字段格式。建议把 CSV 字段固定为本文给出的格式并在每次写入前做数据校验。方向字段只允许long和short日期格式只允许YYYY-MM-DD。第三记录交易理由。在 CSV 中额外增加一列note写下当时为什么进场。复盘时盈亏和理由一起看才能真正改进交易逻辑。这一步最容易被忽略也最有价值。第四给账户设置风控红线。在代码中增加一个简单的全仓检测当单笔交易金额占账户权益比例过高时输出警示。例如单笔交易投入超过账户权益的 50% 时提醒风险。这个逻辑可以用几行代码实现但能有效防止“梭哈后失控”的情况。def check_concentration(row): if row[quantity] * row[entry_price] / row[capital_before] 0.5: print(f[WARN] high concentration on {row[date]}) return True return False第五模拟盘先跑通。不要直接把策略和工具接到真实账户上先用模拟数据验证代码逻辑确认盈亏计算正确后再处理真实数据。第六不伪造记录。复盘工具有一个隐藏前提输入数据必须真实。如果因为亏损就删除记录或调整价格那这套工具就失去了意义。第七接口服务只允许本机访问。FastAPI 启动时绑定127.0.0.1不要直接绑定0.0.0.0避免其他人未经授权访问你的交易数据。第八涉及人脸、声音、个人交易隐私等数据时务必确认授权和合规边界。如果你的交易工具后续扩展到自动化下单、信号推送等方向更要控制权限和访问范围。10. 总结与下一步回到开头那条记录。8月13日梭哈600万、当日亏损3万单独看是一条让人心痛的流水。但如果把它放进完整的交易日志里它只是净值曲线上的一个点。真正重要的不是这一天的盈亏而是它前后的交易逻辑、仓位比例和风险暴露是否被记录、被计算、被总结。本文这个工具能直接解决三件事把分散的成交记录变成结构化数据用统一公式计算盈亏和风险指标把复杂的资金变化画成一条清晰的曲线。先跑通 CSV 分析脚本再启动 API 服务最后用批量脚本管理多份记录整个过程不需要 GPU不需要付费工具一台普通电脑就能完成。下一步可以扩展的方向包括接入 backtrader 等第三方回测库把交易日志直接用于策略回测。增加持仓周期分析统计每笔交易从开仓到平仓的平均时长。增加多账户汇总功能在批量任务基础上生成团队整体资金曲线。增加异常波动预警当单日亏损超过设定阈值时自动输出告警。最容易踩的坑就两个一是 CSV 字段名不统一导致 KeyError二是把复盘工具当成自动交易系统来用。前者改字段名即可解决后者需要重新理解工具的定位它记录过去不预测未来。建议先把演示数据跑通再用自己的交易记录替换。等累计记录超过几十笔之后回看净值曲线和最大回撤多数人会发现自己对风险的感知远比数据展现的更乐观。所以别急着讨论下一笔买什么先把交易日志跑起来。 
8月13日26岁账户本金600万满仓梭哈当日亏损3万。这不是段子而是非常典型的个人交易记录。多数人看到这类记录会先关注金额但真正值得关注的其实是另一件事交易发生了、盈亏结算了可如果没有日志、没有复盘、没有风险指标下一笔交易和这一笔几乎没有区别。这次我们来看一个能直接落地的技术方案用 Python 从零搭建一套个人交易复盘工具。它能读取你导出的交易流水自动计算每日盈亏、账户净值、最大回撤、胜率、盈亏比再把资金曲线画出来。工具本身不依赖 GPU、不需要显存、不调用任何付费服务装好 Python 环境就能跑。文章末尾还会给出 API 接口和批量任务目录扫描脚本方便你把多账户、多周期的交易记录统一管理。标题里的“被骗炮”在交易语境里通常指被某个突破信号吸引进场、随后行情反转导致追高被套。这种事在手工交易里非常典型而它恰恰说明问题往往不完全出在信号而是出在“没有一套可追溯、可复盘、可约束的流程”。本文会用代码把这条流程搭起来让你每一笔操作都能被数据解释。1. 核心能力速览能力项说明项目类型个人交易日志分析与复盘工具示例工程运行环境Python 3.9 及以上普通笔记本即可运行主要功能交易流水导入、单笔盈亏计算、每日盈亏聚合、净值曲线绘制、胜率统计、盈亏比统计、最大回撤计算是否支持 API支持内置 FastAPI 接口可上传 CSV 返回分析结果是否支持批量任务支持可按目录递归扫描 CSV 并汇总报表GPU / 显存需求不依赖 GPU显存需求为 0启动方式命令行运行或启动 API 服务后通过接口调用输入格式CSV 交易流水表输出内容终端汇总报告 PNG 净值曲线 汇总 CSV适合场景个人手工交易复盘、量化策略回测结果初步分析、财经数据教学、小团队内部资金曲线管理需要说明的是这是一个基于公开 CSV 格式构建的示例工具核心代码在本文中完整给出。如果你有自己的交易软件导出格式只需要把字段映射到统一格式即可。2. 适用场景与使用边界这个工具适合四类人第一类手工交易者。每次下单后把开仓时间、方向、价格、数量、手续费记下来复盘时不再靠记忆和截图直接看数据和曲线。第二类量化策略初学者。策略回测得到一堆成交记录后用这套脚本快速计算胜率、盈亏比和最大回撤比在 Excel 里手动拉公式高效得多。第三类财经数据分析方向的学生。用真实或模拟数据练习 pandas 数据处理、matplotlib 可视化和指标计算是一套完整的小型数据分析项目。第四类小团队资金管理场景。多个交易员各自维护一张 CSV 表用批量脚本统一汇总成一张整体报表。同时必须明确它的边界它不做自动下单不接交易所接口不能直接用于实盘交易。它不做高频行情处理只处理交易流水不处理 tick 级数据。它不产生买卖信号不负责告诉你“下一步该买还是该卖”。它不能替代专业风控系统最大回撤只是事后统计指标。合规方面也要说清楚。本文所有代码仅用于个人交易记录整理和统计分析不构成投资建议。如果使用模拟盘或真实账户数据注意隐私保护不要公开含敏感账户信息的文件。涉及他人数据时必须确认数据来源合法、已获得授权。另外不建议在真实账户中使用高杠杆、满仓等极端操作复盘工具的作用是帮助你认识风险而不是鼓励冒险。3. 环境准备与项目结构环境要求很低一台能运行 Python 的电脑Windows、macOS、Linux 都行。建议使用 Python 3.9 或更高版本依赖库包括 pandas、matplotlib、fastapi、uvicorn、python-multipart 和 openpyxl。先创建项目目录mkdir trade_review cd trade_review创建依赖文件requirements.txtpandas2.0.0 matplotlib3.7.0 fastapi0.110.0 uvicorn0.29.0 python-multipart0.0.9 openpyxl3.1.0安装依赖pip install -r requirements.txt如果 pip 安装速度慢可以替换为国内镜像源pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple项目文件结构如下trade_review/ ├── requirements.txt ├── trade_log.csv ├── review.py ├── api_server.py └── batch_review.pytrade_log.csv存放交易流水review.py是核心分析脚本api_server.py提供接口服务batch_review.py负责批量任务。4. 搭建交易复盘工具4.1 准备交易流水表创建一个trade_log.csv字段建议包含日期、时间、交易品种、方向、数量、开仓价、平仓价、手续费、交易前账户权益。其中方向字段只填long或short分别表示做多和做空。下面是一份演示数据用于验证代码流程里面特意包含了“8月13日单日亏损3万”的场景date,time,symbol,direction,quantity,entry_price,exit_price,fee,capital_before 2024-08-07,09:30,TEST,long,100000,10.0,10.5,0.0,6000000.0 2024-08-08,14:20,TEST,short,50000,12.0,12.5,0.0,6050000.0 2024-08-09,09:35,TEST,long,100000,9.5,9.8,0.0,6025000.0 2024-08-12,10:00,TEST,long,100000,9.8,9.9,0.0,6055000.0 2024-08-13,09:35,TEST,long,100000,10.0,9.7,0.0,6065000.0说明一下字段含义quantity交易数量这里是股数或合约份数。entry_price开仓价格。exit_price平仓价格。fee手续费。capital_before该笔交易发生前的账户权益。4.2 编写核心分析脚本 review.py在项目目录下创建review.pyimport argparse import pandas as pd import matplotlib.pyplot as plt def load_csv(path): df pd.read_csv(path, encodingutf-8-sig) df[date] pd.to_datetime(df[date]) df df.sort_values([date, time]) return df def calc_pnl(row): direction row[direction] if direction long: return (row[exit_price] - row[entry_price]) * row[quantity] - row[fee] elif direction short: return (row[entry_price] - row[exit_price]) * row[quantity] - row[fee] else: return 0.0 def build_report(df): df df.copy() df[pnl] df.apply(calc_pnl, axis1) df[equity_after] df[capital_before] df[pnl] daily df.groupby(df[date].dt.date)[pnl].sum().reset_index() daily.columns [date, daily_pnl] last_equity df.groupby(df[date].dt.date)[equity_after].last() daily[net_value] daily[date].map(lambda x: float(last_equity.loc[x])) wins df[df[pnl] 0] losses df[df[pnl] 0] win_rate len(wins) / len(df) * 100 if len(df) else 0.0 profit_factor ( wins[pnl].sum() / abs(losses[pnl].sum()) if len(losses) else float(inf) ) max_drawdown calc_max_drawdown(daily[net_value].to_list()) return df, daily, { total_pnl: float(df[pnl].sum()), trade_count: len(df), win_rate: round(win_rate, 2), profit_factor: round(profit_factor, 2) if profit_factor ! float(inf) else None, max_drawdown: round(max_drawdown, 4), } def calc_max_drawdown(net_values): peak net_values[0] max_dd 0.0 for value in net_values: if value peak: peak value dd (value - peak) / peak if peak ! 0 else 0.0 if dd max_dd: max_dd dd return max_dd def plot_report(daily, output_png): plt.figure(figsize(10, 5)) plt.plot(daily[date], daily[net_value], markero, linestyle-) plt.title(Equity Curve) plt.xlabel(date) plt.ylabel(net value) plt.grid(True) plt.xticks(rotation45) plt.tight_layout() plt.savefig(output_png) print(f[OK] equity curve saved to {output_png}) def main(): parser argparse.ArgumentParser(descriptionTrade Review Tool) parser.add_argument(--input, requiredTrue, helppath to trade log csv) parser.add_argument(--output, defaultequity_curve.png, helpoutput png path) args parser.parse_args() df load_csv(args.input) report_df, daily, metrics build_report(df) print( Trade Review Report ) print(fTrade Count: {metrics[trade_count]}) print(fTotal PnL: {metrics[total_pnl]}) print(fWin Rate: {metrics[win_rate]}%) print(fProfit Factor: {metrics[profit_factor]}) print(fMax Drawdown: {metrics[max_drawdown]}) print(daily.to_string(indexFalse)) print(report_df[[date, time, symbol, direction, quantity, entry_price, exit_price, pnl]].to_string(indexFalse)) plot_report(daily, args.output) if __name__ __main__: main()这里有几个计算细节需要看明白做多盈亏公式是(平仓价 - 开仓价) * 数量 - 手续费。做空盈亏公式是(开仓价 - 平仓价) * 数量 - 手续费。每日净值取当天最后一笔交易完成后的账户权益而不是简单的初始权益累加。最大回撤使用净值序列的峰值回撤算法公式为(当前净值 - 历史峰值) / 历史峰值取最小值。4.3 运行核心脚本打开终端执行python review.py --input trade_log.csv --output equity_curve.png运行后终端会输出一份汇总报告并生成equity_curve.png净值曲线图。5. 功能测试与效果验证5.1 测试数据完整性校验先检查代码是否能正确识别 CSV 表头和字段。运行脚本时如果报KeyError优先检查 CSV 列名是否和代码中的字段名完全一致。注意表头不要带空格capital_before不要写成capital before。5.2 验证单笔盈亏计算用演示数据中的第一笔验证做多公式开仓价 10.0平仓价 10.5数量 100000手续费 0 盈亏 (10.5 - 10.0) * 100000 50000对应日期 2024-08-07账户权益从 6000000 变为 6050000。再验证 8 月 13 日那笔开仓价 10.0平仓价 9.7数量 100000手续费 0 盈亏 (9.7 - 10.0) * 100000 -30000正好对应标题中的“当日 -3w”。这说明数据字段和公式是对得上的。5.3 验证每日聚合演示数据共有 5 个交易日每日盈亏分别为2024-08-07500002024-08-08-250002024-08-09300002024-08-12100002024-08-13-30000按日期分组求和后可以得到每日盈亏序列再结合最后一笔交易的权益得到每日净值序列。5.4 验证风险指标基于以上演示数据指标计算结果应该是总盈亏35000胜率3 胜 2 负60.0%盈亏比盈利总和 90000亏损总和 55000盈亏比约 1.64最大回撤净值序列为 6050000、6025000、6055000、6065000、6035000最大回撤约 -0.46%终端输出中Profit Factor字段是盈亏比。这在实盘场景中很有参考价值胜率再高如果单笔亏损远大于单笔盈利长期下来账户依然是亏的。5.5 验证净值曲线运行后项目目录下会生成equity_curve.png。打开图片能看到一条从 6000000 附近波动向上的曲线最后一天出现明显回落。曲线能直观反映账户的波动节奏尤其是“连续盈利几天后一天打回部分利润”这类形态。常见失败情况如果图片中文乱码是 matplotlib 默认字体不支持中文可以在代码中设置中文字体或者把图片标题改成英文。如果图片空白检查 CSV 是否为空文件或者日期列是否被解析成NaN。6. 接口 API 与批量任务6.1 启动 FastAPI 服务如果不想每次都在命令行里跑可以把分析逻辑封装成接口。创建api_server.pyimport os import tempfile import pandas as pd from fastapi import FastAPI, File, UploadFile from review import build_report app FastAPI(titleTrade Review API, version0.1.0) app.get(/health) def health(): return {status: ok} app.post(/api/review/upload) async def review_upload(file: UploadFile File(...)): suffix os.path.splitext(file.filename)[-1] with tempfile.NamedTemporaryFile(deleteFalse, suffixsuffix) as tmp: tmp.write(await file.read()) tmp_path tmp.name try: df pd.read_csv(tmp_path, encodingutf-8-sig) report_df, daily, metrics build_report(df) return { metrics: metrics, daily: daily.to_dict(orientrecords), } finally: os.remove(tmp_path)启动接口服务uvicorn api_server:app --host 127.0.0.1 --port 8000启动后先验证健康检查curl http://127.0.0.1:8000/health正常返回{status:ok}6.2 使用 curl 上传 CSV 调用分析接口curl -X POST http://127.0.0.1:8000/api/review/upload \ -F filetrade_log.csv接口会返回 JSON 格式的指标结果和每日净值列表。这个接口可以直接接到自己的本地工具链里比如定时任务收集交易记录后自动推送到复盘服务。6.3 使用 Python 请求库调用接口import requests url http://127.0.0.1:8000/api/review/upload files {file: (trade_log.csv, open(trade_log.csv, rb), text/csv)} response requests.post(url, filesfiles, timeout30) print(response.json())返回结果中metrics.total_pnl总盈亏metrics.win_rate胜率metrics.max_drawdown最大回撤daily每日盈亏与净值列表6.4 批量任务目录扫描当账户变多或记录分散在多个目录时手动逐个调用接口显然不现实。创建batch_review.pyimport argparse import glob import os import pandas as pd from review import build_report def scan_directory(input_dir, output_dir): os.makedirs(output_dir, exist_okTrue) csv_files glob.glob(os.path.join(input_dir, **, *.csv), recursiveTrue) summary [] if not csv_files: print(f[WARN] no csv files found in {input_dir}) return for idx, path in enumerate(csv_files, 1): try: df pd.read_csv(path, encodingutf-8-sig) report_df, daily, metrics build_report(df) summary.append({ file: path, total_pnl: float(report_df[pnl].sum()), trade_count: metrics[trade_count], win_rate: metrics[win_rate], profit_factor: metrics[profit_factor], max_drawdown: metrics[max_drawdown], }) print(f[{idx}/{len(csv_files)}] OK: {path}) except Exception as exc: print(f[{idx}/{len(csv_files)}] FAIL: {path} - {exc}) result pd.DataFrame(summary) result.to_csv( os.path.join(output_dir, summary.csv), indexFalse, encodingutf-8-sig, ) print(f[DONE] summary saved to {output_dir}/summary.csv) if __name__ __main__: parser argparse.ArgumentParser() parser.add_argument(--input, requiredTrue, helpinput directory) parser.add_argument(--output, requiredTrue, helpoutput directory) args parser.parse_args() scan_directory(args.input, args.output)运行批量任务python batch_review.py --input ./logs --output ./reports它会递归扫描./logs目录下所有 CSV 文件逐份计算指标并生成一份summary.csv汇总表。单文件处理失败不会中断整个任务日志会打印具体失败原因方便排查。批量任务的常见设计原则是每个文件独立处理互不影响。失败时记录日志并继续处理下一个文件。最后统一生成汇总表便于人工复核。7. 资源占用与性能观察这个工具是纯 CPU 任务运行时不依赖 GPU显存需求为 0。第一次在普通笔记本上运行主要消耗来自 pandas 读取 CSV 和 matplotlib 绘图。从性能角度看几千条到几万条交易记录pandas 处理几乎没有压力。几十万条记录时建议关注内存占用不要把全部历史数据一次性频繁读入。如果数据量达到百万级建议改用分块读取或者把数据存储格式从 CSV 换成 Parquet能明显减少读取和计算时间。实际占用需要以本机配置和数据量为准。更稳妥的做法是先跑一遍演示数据确认流程正常再导入完整数据观察运行时间。如果单次处理超过几十秒优先检查是否在循环里重复读取大文件而不是怀疑机器性能。启动 API 服务后也可以观察端口占用情况lsof -i :8000如果端口被占用换一个端口启动即可uvicorn api_server:app --host 127.0.0.1 --port 80018. 常见问题与排查方法问题现象可能原因排查方式解决方案CSV 中文乱码文件编码不是 UTF-8用文本编辑器查看文件编码CSV 文件使用 UTF-8 编码代码中读取时使用encodingutf-8-sig运行时报 KeyErrorCSV 表头与代码字段名不一致打印df.columns检查字段名统一字段名去掉空格日期解析失败日期格式不统一检查 CSV 中日期列统一使用YYYY-MM-DD格式最大回撤输出为 0净值序列只有一笔或者全是上涨检查聚合后的 daily 数据确认有多个交易日的净值数据胜率计算异常direction 字段存在非 long/short 值统计 direction 值分布数据清洗时统一方向字段API 上传 CSV 后返回 500上传文件不是标准 CSV查看服务日志检查 CSV 表头是否完整uvicorn 启动端口被占用8000 端口已被其他进程占用执行lsof -i :8000换端口启动或先结束占用进程批量任务中途失败某个 CSV 文件格式损坏看日志中 FAIL 文件路径修复该文件后重新运行批量脚本matplotlib 图片中文乱码系统缺少中文字体查看图片文字将图表标题改为英文或配置中文字体批量汇总表为空输入目录下没有 CSV 文件检查目录路径确认--input指向包含 CSV 的目录9. 最佳实践与使用建议第一交易记录必须落地。无论是手动交易还是量化策略每一笔操作的日期、方向、价格、数量、手续费都必须记录。没有记录复盘就是靠记忆而人的记忆会美化亏损、放大盈利。第二统一字段格式。建议把 CSV 字段固定为本文给出的格式并在每次写入前做数据校验。方向字段只允许long和short日期格式只允许YYYY-MM-DD。第三记录交易理由。在 CSV 中额外增加一列note写下当时为什么进场。复盘时盈亏和理由一起看才能真正改进交易逻辑。这一步最容易被忽略也最有价值。第四给账户设置风控红线。在代码中增加一个简单的全仓检测当单笔交易金额占账户权益比例过高时输出警示。例如单笔交易投入超过账户权益的 50% 时提醒风险。这个逻辑可以用几行代码实现但能有效防止“梭哈后失控”的情况。def check_concentration(row): if row[quantity] * row[entry_price] / row[capital_before] 0.5: print(f[WARN] high concentration on {row[date]}) return True return False第五模拟盘先跑通。不要直接把策略和工具接到真实账户上先用模拟数据验证代码逻辑确认盈亏计算正确后再处理真实数据。第六不伪造记录。复盘工具有一个隐藏前提输入数据必须真实。如果因为亏损就删除记录或调整价格那这套工具就失去了意义。第七接口服务只允许本机访问。FastAPI 启动时绑定127.0.0.1不要直接绑定0.0.0.0避免其他人未经授权访问你的交易数据。第八涉及人脸、声音、个人交易隐私等数据时务必确认授权和合规边界。如果你的交易工具后续扩展到自动化下单、信号推送等方向更要控制权限和访问范围。10. 总结与下一步回到开头那条记录。8月13日梭哈600万、当日亏损3万单独看是一条让人心痛的流水。但如果把它放进完整的交易日志里它只是净值曲线上的一个点。真正重要的不是这一天的盈亏而是它前后的交易逻辑、仓位比例和风险暴露是否被记录、被计算、被总结。本文这个工具能直接解决三件事把分散的成交记录变成结构化数据用统一公式计算盈亏和风险指标把复杂的资金变化画成一条清晰的曲线。先跑通 CSV 分析脚本再启动 API 服务最后用批量脚本管理多份记录整个过程不需要 GPU不需要付费工具一台普通电脑就能完成。下一步可以扩展的方向包括接入 backtrader 等第三方回测库把交易日志直接用于策略回测。增加持仓周期分析统计每笔交易从开仓到平仓的平均时长。增加多账户汇总功能在批量任务基础上生成团队整体资金曲线。增加异常波动预警当单日亏损超过设定阈值时自动输出告警。最容易踩的坑就两个一是 CSV 字段名不统一导致 KeyError二是把复盘工具当成自动交易系统来用。前者改字段名即可解决后者需要重新理解工具的定位它记录过去不预测未来。建议先把演示数据跑通再用自己的交易记录替换。等累计记录超过几十笔之后回看净值曲线和最大回撤多数人会发现自己对风险的感知远比数据展现的更乐观。所以别急着讨论下一笔买什么先把交易日志跑起来。