jackandCursor
0a0fd2f682
compute() 每根新建 TF_DF 换成按 (symbol, timeframe) 缓存的流式对象。worker 进程被复用，所以缓存跨根存活；2 worker 轮流拿 10 币，每个 worker 最终缓存 全部 20 条流，实测内存开销落在噪声里（597→598MiB）。 ## 前提先验，否则整个改动建立在沙子上 init_stream/append_bar **没有 trim**，dataframe 靠 pd.concat 无界增长。所以 增量必然让窗口每根 +1，只能周期性重建拉回，两次重建之间窗口是 [W, W+500] 而非恒定 W。于是必须先证明 compute() 输出对窗口长度不敏感——否则增量等于 静默换掉一批信号，不报错不崩。 verify_window_sens.py：三币 75 个信号窗口，+200/+500/+1000 三档全部逐字段 一致。step39 说的是「命中率在 2000 根饱和」，饱和不等于不变，这是两回事。 ## 对拍 verify_incr_parity.py：三币 1,800 根、21 个命中、各跨 1 次重建边界，逐字段 零分歧。不能引用 HANDOFF §5.5——那验的是 bsp_list 那条链的整体哈希，而这里 是 find_fast_bsp3 那条链，且流式对象跨根复用，状态污染只会让信号悄悄换一批。 对拍顺带定论一件读代码定不了的事：cal_bi_list **不依赖** klc.trend。 init_stream/append_bar 从不调 cal_trend（它只在 get_klc_list 里），所以追加 出来的 klc 其 trend 恒为 UNKNOWN，而批量构建的有值；两者结果逐字段相同。 HANDOFF §5.5 那句「bi.py:221 读 klc.trend，笔的计算依赖它」不成立——221 行 在 cal_trend 自己的循环里，读的是它自身的序列状态。 ## 重建不走 init_stream init_stream 是逐行 dataframe.iloc[idx]，正是引擎提速刚修掉的反模式：2001 根 要 238.5ms，而批量 lean 只 74.3ms，慢 3.2 倍。第一版用它重建，10 个币启动时 各来一次，清空反而涨到 1686ms。改用 TF_DF(df, lean=True) 重建，append_bar 靠 _ensure_stream_state 就能接上。 ## 实测 append_bar 21.8ms vs 批量 lean 重建 77.7ms = 3.56x，与研究侧测的 3.7x 一致。 拆解：add_indicators 全表 7.5ms（34%，为加一根重算 2001 行）+ cal_bi_list 整表重扫 11.1ms（51%）+ concat 1.4ms。这两项都在引擎侧，值得反馈。 十币 / 2 核：清空 560→247ms，排队 92→10ms，纯计算 219→108ms。判定从 「加 worker 无用，唯一出路是增量」变成「宽裕，无需优化」。 注意 inner 108ms 里 chan 构建只占约 22ms，其余是 build_htf_zones / find_fast_bsp3 / attach_htf_context。**瓶颈已不在 chan 构建**，再压增量收益 有限。 stream_bars 落到 latency CSV：恒等于 2001 说明缺口判定在每根都回退重建、 增量静默失效，这一点从耗时上看不出是哪一环。实测窗口稳定长大。 Co-authored-by: Cursor <cursoragent@cursor.com>
Chan — 缠论分析引擎
把 OHLCV K 线拆成缠论结构（K 线单元 → 合并 K 线 → 分型 → 笔 → 线段 → 中枢 → 买卖点）， 配一个 TradingView Charting Library 的 Web 界面，外加一套验证信号有效性的回测脚本。
标的不限：加密永续（ccxt）与 A 股（akshare）都走同一条分析链路。
chanlun/ 缠论引擎，纯 pandas/numpy，无外部指标库依赖
web/ Flask API + 图表界面
research/ 信号有效性验证脚本（step1 ~ step30）
data/ 本地 K 线（freqtrade 的 feather 格式）
安装
需要 Python ≥ 3.11（pandas 3.x / numpy 2.x 的要求，不是本项目代码的限制）。
python -m venv .venv
.venv/bin/pip install -r requirements.txt # 核心运行时，8 个包
.venv/bin/pip install -r requirements-dev.txt # 另加测试与 research/ 所需
跑 Web
cd web
../.venv/bin/python app.py # 默认 http://0.0.0.0:8128
从仓库根跑 .venv/bin/python web/app.py 也可以——Python 会把脚本所在目录放进 sys.path。
但不能用 python -m web.app，也不能 import web.app：web/ 内部是无前缀导入
（import config、from api.analyze import bp），-m 方式下 sys.path 里是仓库根而不是
web/，会 ModuleNotFoundError: No module named 'config'。
配置全部走环境变量，见 web/config.py：
| 变量 | 默认值 | 用途 |
|---|---|---|
FLASK_HOST / FLASK_PORT |
0.0.0.0 / 8128 |
监听地址 |
DATA_SERVICE_URL |
https://provider.jackyu66.com |
行情 REST 源 |
DATA_SERVICE_WS_URL |
wss://jackyu66.com/ws |
行情 WebSocket 源 |
ASHARE_DP_URL |
http://103.179.242.166:8000 |
A 股数据源 |
CHAN_HTTP_PROXY |
未设置则不走代理 | ccxt / HTTP 代理 |
MACD_FACTOR / MACD_SMOOTH |
1 / 1 |
MACD 周期倍数，默认 12/26/9 |
主要接口：GET /api/analyze 返回某标的某周期的完整缠论结构，/api/klines/recent
取最新 K 线，/api/trend_filter 与 /api/trend_detail 做多周期趋势筛选，
/api/symbols、/api/search_stock、/api/sectors 等负责标的检索。页面在 / 与 /chan_tv。
作为库使用
import pandas as pd
from chanlun import TF_DF
# 需要 date/open/high/low/close/volume 六列，date 为 datetime
df = pd.read_feather("data/binance/futures/BTC_USDT_USDT-1h-futures.feather")
tf = TF_DF(df, interval=1, timeframe="1h")
len(tf.klu_list) # K 线单元
len(tf.klc_list) # 合并 K 线（处理包含关系后）
len(tf.bi_list) # 笔
len(tf.seg_list) # 线段
len(tf.zs_list) # 中枢
tf.bi_list[-1].dir # Chan_BI_DIR.DOWN
tf.chanmacd # MACD 结构分析（背驰判定用）
interval 的单位是分钟，对传入的 df 做重采样；interval=1 是特例，表示原样使用、
不重采样。所以拿 1h 的 feather 要传 interval=1，拿 1m 数据想看 1h 才传 interval=60：
df1m = pd.read_feather("data/binance/futures/BTC_USDT_USDT-1m-futures.feather")
TF_DF(df1m, interval=5, timeframe="5m")
TF_DF(df1m, interval=60, timeframe="1h")
传错不会报错，只会静默给出错误周期的结构——1h 数据配 interval=4 相当于按 4 分钟
重采样，结果与 interval=1 完全相同。
分析流程
TF_DF.init_TF_DF() 按顺序做这几步，每步的实现在 chanlun/pipeline/builders/ 下同名文件：
resample_to_interval— 重采样（interval != 1时）add_indicators— 追加 33 列指标（MACD / BBANDS / EMA / RSI / ATR 等）cal_kl_data→klu_list— K 线单元get_klc_list→klc_list— 按包含关系合并 K 线，并标记分型cal_bi_list→bi_list— 笔cal_bi_zs_list_pure→bi_zs_list— 笔中枢get_seg_list→seg_list— 线段get_zs_list/get_big_zs_list— 中枢与大级别中枢ChanMACD(klu_list)— MACD 段 / 柱堆结构，供背驰判定
数据
data/<交易所>/futures/<SYMBOL>-<周期>-futures.feather，即 freqtrade 的下载格式，
如 data/binance/futures/BTC_USDT_USDT-1h-futures.feather。
research/lib/data.py 负责定位：BTC/USDT:USDT + 1h 会解析到上面这个路径，
找不到本地文件则回落到远端拉取。
测试
.venv/bin/python -m pytest chanlun/tests web/tests -q
chanlun/tests/test_ta_compat.py 有个需要注意的陷阱：它把 chanlun/indicators/ta.py
的输出逐 bar 钉在 TA-Lib 上，但 TA-Lib 不存在时会静默跳过。也就是说改了 ta.py
之后在没装 TA-Lib 的环境里跑，测试会显示通过，其实一项都没验证。改动那个文件时请先装：
sudo apt-get install -y libta-lib0 ta-lib-dev
.venv/bin/pip install TA-Lib technical
已知问题
web/DEPLOY_GUIDE.md已失效：它引用的deploy_venv.sh、stop_venv.sh、status_venv.sh等 6 个脚本都在7f393b9精简提交里删掉了，目前没有部署脚本。 两个 systemd unit 文件（web/chanlun-web*.service）仍可参考，但它们用 gunicorn 且写死端口 8123，与config.py默认的 8128 不一致，gunicorn 也不在依赖清单里。web/README.txt已过时：它说的web/requirements.txt不存在，依赖清单在仓库根目录。- 四个零引用的死文件：
chanlun/analysis/下的ChanPY.py、ChanLun_Classifier.py、Find_Trend.py、ChanHeng.py全项目无人引用。ChanPY.py依赖未安装的外部 chan.py 库， 另外三个需要 matplotlib / mplfinance / xgboost / scikit-learn——这些都不在依赖清单里， 是有意为之。要用得自行安装。