TQQQ / SQQQ Elite Hunter - LLM Quant Backtest Pipeline

这是一套由 Large Language Model (Google Gemini 3.1) 驱动的高频日内量化回测系统 (Intraday Quant Backtest System)。本系统专为交易纳斯达克 100 指数的 3 倍杠杆 ETF (TQQQ / SQQQ) 而设计，致力于在多空双向市场中捕捉 15 分钟级别的波段利润。

🚀 核心特性 (Key Features)

本系统摒弃了传统的“死扛”和“指标堆砌”，采用专业高频日内交易员（Prop Desk Day Trader）的实战风控标准：

1. 锚定标的资产 (Underlying Asset Anchor):
   • 所有的技术指标 (RSI, MACD, SMA, VWAP) 均基于无杠杆的 QQQ 计算，彻底消除 3 倍杠杆 ETF 的长期波动率损耗带来的图表扭曲。
2. 多周期共振 (Dual-Timeframe Alignment):
   • 结合 1H 级别的趋势 (SMA_21_1H, MACD_1H) 确定大盘方向 (Bullish/Bearish Bias)。
   • 使用 15m 级别的动能 (RSI_14, MACD, VWAP) 寻找精确的入场时机。
3. 专业级风控 (Institutional Risk Management):
   • 硬止损 (Hard Stop): 仓位浮亏达 2% 时触发强制物理止损，拦截 AI 错误指令。
   • 移动止盈 (Trailing Stop): 记录开仓后的最高价，回撤达 3% 时自动锁住利润。
   • 日内强制平仓 (EOD Liquidation): 每天 15:45 (美东时间) 强制清空所有头寸，拒绝任何隔夜跳空风险 (Overnight Gap Risk)。
4. 资金与波动率管理 (ATR Position Sizing):
   • 根据当前的 VIX 恐慌指数和 14 周期 ATR (平均真实波幅) 动态调整建议仓位大小。
   • 盘口时间 (Time of Day) 意识：规避“午盘垃圾时间 (Lunch Chop)”，关注尾盘“力量时刻 (Power Hour)”。
5. 成交量确认 (RVOL Filter):
   • 采用相对成交量 (Relative Volume, RVOL) 过滤假突破。RVOL < 1.0 的突破信号将被系统拒绝。

📁 目录结构 (Directory Structure)

.
├── pipeline_v1/
│   ├── llm_backtest.py       # 核心回测引擎与 LLM 交互逻辑
│   ├── run_llm_backtest.sh   # 一键运行脚本 (含依赖安装)
│   ├── requirements.txt      # Python 依赖清单
│   └── data/                 # 本地缓存数据 (若有)
├── llm_backtest_report.md    # 自动生成的 Markdown 交易研报 (运行后生成)
├── llm_backtest_results.csv  # 包含逐笔交易详情的 CSV 数据表 (运行后生成)
└── README.md                 # 本说明文档

🛠️ 如何运行 (How to Run)

1. 环境准备

请确保您的系统已安装 python3 和 pip。回测引擎依赖 yfinance, pandas 以及 google-genai。

2. 设置 API Key

系统需要调用 Google Gemini API 进行盘面推理。请在终端中设置您的 API 密钥：

export GOOGLE_API_KEY='您的_GEMINI_API_KEY'

3. 一键启动回测

执行 pipeline_v1 目录下的 Shell 脚本。默认配置下，系统将拉取过去 28 个交易日 的 15 分钟级数据并进行回放测试。

cd /Users/bytedance/Downloads/Quant---
./pipeline_v1/run_llm_backtest.sh

注意: 为避免触发免费 API 的速率限制 (Rate Limit)，每次请求之间会有 4-5秒 的休眠延迟。28 天的数据（约 700 根 K 线）可能需要 1 小时左右跑完。您可以将其挂在后台运行。

📊 解读输出结果 (Output Interpretation)

回测完成后，项目根目录会生成两个重要文件：

1. llm_backtest_report.md (给人类看的交易日志):
   • 包含回测的总收益率、期末净值等核心数据。
   • 以表格形式记录了 AI 交易员在每个关键节点的决策动作以及背后的大白话逻辑。您可以通过阅读这份报告，直观地审查 LLM 的“交易心智”。
2. llm_backtest_results.csv (给机器看的数据源):
   • 记录了每一根 15 分钟 K 线的时间戳、TQQQ/SQQQ 的真实价格、账户现金、持股数量、总净值等。
   • 适合导入到 Jupyter Notebook 中，使用 matplotlib 绘制资金曲线、计算夏普比率 (Sharpe Ratio) 或最大回撤 (Max Drawdown)。

🧠 关于 System Prompt 的设计

本系统使用的 Prompt 借鉴了 OptionEliteHunter 的冷血量化思想。LLM 不再是一个随意的聊天助手，而是一个被“钢铁纪律”束缚的执行机器。它必须在“三重共振 (趋势、成交量、极端情绪)”的条件下才能发出交易指令，极大地降低了人工主观交易中的“恐高”与“贪婪”。

---

Disclaimer: 本项目仅用于量化交易策略的研究与大语言模型 (LLM) 的能力验证。TQQQ/SQQQ 存在极高的杠杆损耗风险，本回测结果不构成任何实际投资建议。