用30行Python自动挖出你的交易漏洞：胜率、时段弱点、连亏警报全搞定
👉 工具网址：https://propfirmkey.com
你是不是也记交易日记？
但翻来翻去，只看到“今天又亏了”、“这单不该做”……
真正的问题藏在数据里：
– 哪个小时段你总在送钱？
– 哪个品种表面热闹，实则拖垮账户？
– 连亏5单后，第6单你还敢开吗？
别再靠感觉复盘了。我们用一段真实可用的Python脚本，把你的CSV交易记录（比如从Tradovate、NinjaTrader导出的）变成一张「交易健康报告」——不用部署、不装服务器，复制粘贴就能跑，5秒出结果。
下面就是完整可运行的代码，已加满中文注释，新手照着抄也不会错👇
import pandas as pd
import numpy as np
from datetime import datetime, timedelta
def generate_sample_trades(n=200):
np.random.seed(42)
symbols = ["ES", "NQ", "MES", "CL", "GC"]
sides = ["LONG", "SHORT"]
trades = []
for i in range(n):
# 模拟入场时间：2025年1月1日起90天内，工作日早9点到下午4点之间
entry_time = datetime(2025, 1, 1) + timedelta(
days=np.random.randint(0, 90),
hours=np.random.randint(9, 16),
minutes=np.random.randint(0, 60)
)
# 按概率选合约：ES最常交易（35%），NQ次之（25%）……
symbol = np.random.choice(symbols, p=[0.35, 0.25, 0.20, 0.12, 0.08])
side = np.random.choice(sides)
# 盈亏模拟：均值25美元，标准差300（含滑点和运气成分）
pnl = np.random.normal(25, 300)
# 持仓时长模拟：指数分布，平均约45分钟
duration = np.random.exponential(45)
trades.append({
"trade_id": i + 1,
"entry_time": entry_time,
"exit_time": entry_time + timedelta(minutes=duration),
"symbol": symbol,
"side": side,
"quantity": np.random.choice([1, 2, 3, 5]), # 手数随机
"pnl": round(pnl, 2),
"commission": round(np.random.uniform(2, 8), 2), # 手续费2–8美元
})
return pd.DataFrame(trades)
# ✅ 第一步：生成或加载你的真实交易CSV（替换这行即可！）
df = generate_sample_trades() # ← 把这行换成：df = pd.read_csv("my_trades.csv")
df["net_pnl"] = df["pnl"] - df["commission"] # 扣掉手续费才是真盈亏
df["entry_hour"] = df["entry_time"].dt.hour # 提取入场小时（方便分析“黄金时段”）
df["day_of_week"] = df["entry_time"].dt.day_name() # 提取星期几
df["duration_min"] = (df["exit_time"] - df["entry_time"]).dt.total_seconds() / 60 # 持仓分钟数
class TradeAnalyzer:
def __init__(self, df: pd.DataFrame):
self.df = df.copy()
self.df["is_winner"] = self.df["net_pnl"] > 0 # 自动标记盈利单（True/False）
def summary_stats(self) -> dict:
d = self.df
winners = d[d["is_winner"]]
losers = d[~d["is_winner"]]
return {
"total_trades": len(d),
"win_rate": f"{len(winners) / len(d) * 100:.1f}%", # 胜率保留1位小数
"total_pnl": f"${d['net_pnl'].sum():,.2f}", # 总盈亏带千分位和$符号
"avg_winner": f"${winners['net_pnl'].mean():,.2f}" if len(winners) else "N/A",
"avg_loser": f"${losers['net_pnl'].mean():,.2f}" if len(losers) else "N/A",
# 盈利总额 ÷ 亏损总额 = 利润因子（>1才健康）
"profit_factor": f"{abs(winners['net_pnl'].sum() / losers['net_pnl'].sum()):.2f}" if losers['net_pnl'].sum() != 0 else "inf",
"largest_winner": f"${d['net_pnl'].max():,.2f}",
"largest_loser": f"${d['net_pnl'].min():,.2f}",
"avg_duration_min": f"{d['duration_min'].mean():.1f}", # 平均持仓分钟
# 粗略夏普比率（年化）：收益均值 ÷ 收益标准差 × √252
"sharpe_approx": f"{d['net_pnl'].mean() / d['net_pnl'].std() * np.sqrt(252):.2f}",
}
def by_symbol(self) -> pd.DataFrame:
# 按品种统计：交易次数、总盈亏、胜率、平均盈亏
return self.df.groupby("symbol").agg(
trades=("net_pnl", "count"),
total_pnl=("net_pnl", "sum"),
win_rate=("is_winner", "mean"),
avg_pnl=("net_pnl", "mean"),
).round(2).sort_values("total_pnl", ascending=False)
def by_hour(self) -> pd.DataFrame:
# 按入场小时统计：哪个整点最赚钱？哪个点最容易翻车？
return self.df.groupby("entry_hour").agg(
trades=("net_pnl", "count"),
total_pnl=("net_pnl", "sum"),
win_rate=("is_winner", "mean"),
).round(2)
def by_day(self) -> pd.DataFrame:
# 按星期统计（按周一到周五顺序排），避免乱序干扰判断
day_order = ["Monday", "Tuesday", "Wednesday", "Thursday", "Friday"]
result = self.df.groupby("day_of_week").agg(
trades=("net_pnl", "count"),
total_pnl=("net_pnl", "sum"),
win_rate=("is_winner", "mean"),
).round(2)
return result.reindex(day_order)
def streak_analysis(self) -> dict:
# 连胜/连亏分析：+1,+2,+3… 或 -1,-2,-3…，最后看极值
streaks = []
current = 0
for win in self.df["is_winner"]:
if win:
current = max(0, current) + 1 # 赢就累加连胜
else:
current = min(0, current) - 1 # 输就累加连亏（负数）
streaks.append(current)
return {
"max_win_streak": max(streaks),
"max_loss_streak": abs(min(streaks)),
"current_streak": streaks[-1] if streaks else 0,
}
# ✅ 第二步：运行分析器（只需这一行）
analyzer = TradeAnalyzer(df)
# ✅ 第三步：看一眼核心指标（5秒出结果！）
print("📊 核心统计：")
stats = analyzer.summary_stats()
for k, v in stats.items():
print(f" {k}: {v}")
print("\n📈 各品种表现（按总盈亏排序）：")
print(analyzer.by_symbol().to_string())
print("\n⏰ 入场小时表现（哪一小时最稳？）：")
print(analyzer.by_hour().to_string())
print("\n📅 星期表现（避开你的‘黑色星期X’）：")
print(analyzer.by_day().to_string())
print("\n🔥 连胜连亏追踪：")
streaks = analyzer.streak_analysis()
for k, v in streaks.items():
print(f" {k}: {v}")
# ✅ Bonus：一键生成简洁报告（可直接发给导师/队友）
def generate_report(analyzer: TradeAnalyzer) -> str:
stats = analyzer.summary_stats()
streaks = analyzer.streak_analysis()
by_sym = analyzer.by_symbol()
best_symbol = by_sym.index[0] # 盈利最多的品种
worst_symbol = by_sym.index[-1] # 盈利最少的品种
report = f'''
# 📄 你的交易健康报告
生成时间：{datetime.now().strftime('%Y-%m-%d %H:%M')}
## 🧾 整体表现
- 总交易数：{stats['total_trades']}
- 胜率：{stats['win_rate']}
- 净盈亏：{stats['total_pnl']}
- 利润因子：{stats['profit_factor']}（＞1.5算优秀）
## 🔍 关键发现
- 最佳品种：{best_symbol}
- 最差品种：{worst_symbol}
- 最长连胜：{streaks['max_win_streak']} 单
- 最长连亏：{streaks['max_loss_streak']} 单
'''
return report
print(generate_report(analyzer))
💡 怎么用到你自己的交易数据？
只需两步：
1. 把你券商导出的 CSV 文件（如 trades_2024.csv）放在同一文件夹；
2. 把代码里 df = generate_sample_trades() 这一行，替换成：
df = pd.read_csv("trades_2024.csv")
→ 确保CSV里有 entry_time, exit_time, pnl, symbol 等列名（列名不同？我帮你改，留言就行 👇）
这套分析不是“炫技”，而是帮你守住本金的最小可行系统：
– 发现「每天14:00之后胜率暴跌30%」→ 主动避开这个时段；
– 看到「MES连亏7单」→ 暂停该品种，检查策略是否失效；
– 知道「周五总盈亏为负」→ 下周直接休市一天。
真正的专业，不是每单都对，而是让错误变得可见、可停、可修正。
直达网址：https://propfirmkey.com
