TraderHarness¶

抗数据污染的 LLM 交易 Agent 回测环境——也是建立在每一次运行之上的轨迹训练数据合成器。

它为 LLM 提供一个历史有效的 A 股市场、一套受控的研究工具，以及由环境托管的账户。Agent 可以调查研究、执行 Python 分析、修正论点，并通过唯一可审计的下单路径完成交易。

如果你正在搜索 “Agent 炒股如何回测”：可信的做法不是把整段 K 线交给模型，而是用历史时钟限制每一个数据出口，在决策后才揭示可成交价格，并记录模型、工具、订单和成交的完整证据。阅读《Agent 炒股如何回测？AI / LLM 股票交易 Agent 回测指南》。

Agent 炒股回测指南 一键体验 Masked vs Unmasked → 安装并运行 在 GitHub 查看

English: How to backtest LLM trading agents without look-ahead bias

本地研究控制台实拍：回测逐日展开，像素办公室里的 Agent 实时研究、下单、复盘。

为什么它是"评测框架"而不只是"回测器"¶

通用大模型可能认得自己被测试的那段历史——日期、公司、行情都可能在训练语料里出现过，这种泄漏会悄悄让评测结论失效。TraderHarness 把抗污染做成环境边界，而不是提示词约定：

• 日线、分钟线、基本面、公告、新闻全部经过严格时点掩码
• 公司实体与日历日期的确定性匿名化（D+0、公司-600731）
• 5 分钟级渐进可见，分钟级撮合，决策时不可见的价格不可成交
• 引擎预加载后零行情 I/O，同一输入必然复现同一结果
• 全保真轨迹记录与失败即报错（fail-closed）的指纹回放
• 独立多 Agent 对比，以及单执行者多角色委员会
• 沪深 300 基准、风险指标与行为诊断

三阶段交易循环，唯一下单路径¶

flowchart LR
    P[盘前研究<br/>禁止下单] --> O[开盘窗口<br/>09:30–10:00]
    O --> C[尾盘窗口<br/>14:30–15:00]
    C --> N[下一交易日]
    O --> B[TradingBus.place_order]
    C --> B

每一个面向 Agent 的数据出口都经过掩码；每一笔订单都由同一条 TradingBus.place_order() 路径校验与撮合。现金、持仓、公司行动与净值核算由环境——而不是模型——掌握。

研究控制台实拍¶

实时运行	逐笔复盘
像素办公室 + 决策事件流 + 实时净值	K 线上下文 + 下单理由 + 执行证据

回测研究档案	跨回测对比
绩效、行为、基准与逐笔证据归一档	多次回测权益曲线叠加与关键指标横评