arbitration-methodology

仲裁方法论 Skill

1. 适用范围

适用任务

• 设计或迭代三个市场场景（牛市/熊市/震荡市）的专家权重配置
• 对 7 个专家组的 Signal 执行场景选择与加权仲裁
• 用历史信号数据校准权重数值（理论锚定 + 实证微调）
• 生成包含共识/分歧标注和贡献追踪的标准化推理链
• 维护场景识别规则（match_signals）和仓位公式

边界说明

• 本 Skill 负责场景规则定义和权重配置，不分析原始市场数据（CPI、K线、VIX 等）
• 权重数值为"研究驱动的理论值"，标注为占位初稿，后续需回测校准
• 不替代风控层——仓位上限仅为场景建议，最终决策权在用户
• 场景选择基于 7 个专家组的 Signal（方向 + 置信度），不读取原始行情
• 方法论理论依据详见 references/methodology.md

2. 模式判定

触发条件	模式	说明
用户讨论权重设计、场景规则、仓位公式	模式A：场景设计与权重配置	迭代场景参数
用户要求执行仲裁、分析信号、生成推理链	模式B：信号仲裁执行	运行仲裁引擎
用户提供历史信号数据、要求校准权重	模式C：权重校准	回测校准

3. 模式A：场景设计与权重配置

当用户需要新增场景、调整权重或修改仓位公式时执行。

3.1 加载当前配置

读取以下文件了解现状：

• agents/orchestrator/scenarios/bull_market.py
• agents/orchestrator/scenarios/bear_market.py
• agents/orchestrator/scenarios/range_market.py
• references/weights.md（权重设计速查表）

3.2 变更检查清单

每次修改权重或场景规则时，逐项确认：

• 权重方向（升/降/平）是否与桥水框架对该场景的定义一致
• 每个权重数值是否有可追溯的研究理由（标注于 _BASE_WEIGHTS 的 reason 字段）
• 仓位系数和上限是否符合该场景的风险特征
• match_signals 条件是否正确反映该场景的信号特征
• 场景风险提示是否覆盖该场景的典型风险
• scenario_profile.py 基类接口未被破坏
• scenario_selector.py 选择逻辑无需修改（新场景自动注册）

3.3 权重设计规则

权重方向由理论框架决定（详见 references/methodology.md）：

牛市（增长↑ + 通胀↓ + 风险压缩）:
  提权: 技术面、资金流、产业分析
  不变: 宏观面
  降权: 财务面、舆情组、风险面

熊市（风险溢价扩张）:
  提权: 风险面、财务面、产业分析、宏观面
  降权: 资金流、舆情组、技术面

震荡市（三维度均衡）:
  提权: 产业分析、风险面、资金流
  不变: 宏观面
  降权: 财务面、舆情组、技术面

具体数值见 references/weights.md。

3.4 新增场景模板

新增场景需继承 ScenarioProfile 并实现 6 个方法：

class NewScenario(ScenarioProfile):
    @property
    def name(self) -> str: ...
    @property
    def display_name(self) -> str: ...
    @property
    def description(self) -> str: ...
    
    _BASE_WEIGHTS: Dict[str, Tuple[float, str]] = {...}
    
    def get_weight(self, expert_type, market_data=None) -> Tuple[float, str]: ...
    def match_signals(self, signals) -> Tuple[float, str, Dict]: ...
    def get_position_ratio(self, confidence, direction) -> Tuple[float, str]: ...
    def get_scenario_risks(self) -> List[str]: ...
    def get_confidence_threshold(self) -> Optional[float]: ...