1、vp策略-v2

data/tqsdk/tq_copy_data.py

@@ -236,12 +236,12 @@ if __name__ == "__main__":
 
     # 这种方式适合获取相对较短或中等长度的历史K线数据。
     df_if_backtest_daily = collect_and_save_tqsdk_data_stream(
-        symbol="KQ.m@DCE.v",
+        symbol="KQ.m@CZCE.CF",
         # symbol='SHFE.rb2510',
         # symbol='KQ.i@SHFE.bu',
         freq="min15",
         start_date_str="2021-01-01",
-        end_date_str="2025-09-20",
+        end_date_str="2025-10-20",
         mode="backtest",  # 指定为回测模式
         tq_user=TQ_USER_NAME,
         tq_pwd=TQ_PASSWORD,

src/analysis/result_analyzer.py

@@ -120,7 +120,7 @@ class ResultAnalyzer:
         )  # 明确标题
         print("图表绘制完成。")
 
-    def analyze_indicators(self):
+    def analyze_indicators(self, profit_offset: float = 0.0) -> None:
         """
         分析所有平仓交易的指标值与实现盈亏的关系，并绘制累积盈亏曲线图。
         图表将展示指标值区间与对应累积盈亏的关系，帮助找出具有概率优势的指标区间。
@@ -156,7 +156,7 @@ class ResultAnalyzer:
                         and np.isnan(trade.indicator_dict[indicator_name])
                     ):
                         indi_values.append(trade.indicator_dict[indicator_name])
-                        pnls.append(trade.realized_pnl)
+                        pnls.append(trade.realized_pnl - profit_offset)
 
             if not indi_values:
                 print(f"指标 '{indicator_name}' 没有对应的有效平仓交易数据。跳过绘图。")

src/backtest_context.py

@@ -3,92 +3,93 @@
 from datetime import datetime
 from typing import Optional, Any, Dict, TYPE_CHECKING
 
-# 使用 TYPE_CHECKING 避免循环导入，只在类型检查时导入 BacktestEngine
+from .state_repo import StateRepository
-if TYPE_CHECKING:
+
-    from .backtest_engine import BacktestEngine
 from .execution_simulator import ExecutionSimulator
 from .data_manager import DataManager
-    from .core_data import Bar, Order # 确保导入 Order
+from .core_data import Bar, Order
+
 
 class BacktestContext:
     """
-    回测上下文，用于连接策略与数据管理器、模拟器。
+    回测上下文，用于连接策略与数据管理器、模拟器和状态持久化。
     策略通过此上下文与回测引擎进行交互。
     """
-    def __init__(self, data_manager: 'DataManager', simulator: 'ExecutionSimulator'):
+
+    def __init__(self,
+                 data_manager: 'DataManager',
+                 simulator: 'ExecutionSimulator',
+                 state_repository: 'StateRepository'):  # MODIFIED: 新增参数
         """
         初始化回测上下文。
 
         Args:
             data_manager (DataManager): 数据管理器实例。
             simulator (ExecutionSimulator): 交易模拟器实例。
+            state_repository (StateRepository): 状态管理仓储实例，用于持久化策略状态。
         """
         self._data_manager = data_manager
         self._simulator = simulator
+        self._state_repository = state_repository  # NEW: 存储状态仓储实例
         self._current_bar: Optional['Bar'] = None
-        self._engine: Optional['BacktestEngine'] = None # 添加对引擎的引用
+        self._engine = None
+
+    # --- 新增：状态管理功能 ---
+
+    def save_state(self, state: Dict[str, Any]) -> None:
+        """
+        保存策略的当前状态。
+
+        策略应在适当的时机（例如，每日结束、策略关闭时）调用此方法
+        来持久化其内部变量。
+
+        Args:
+            state (Dict[str, Any]): 包含策略状态的字典。
+        """
+        self._state_repository.save(state)
+
+    def load_state(self) -> Dict[str, Any]:
+        """
+        加载策略的历史状态。
+
+        策略应在初始化时调用此方法来恢复之前的运行状态。
+        如果不存在历史状态，将返回一个空字典。
+
+        Returns:
+            Dict[str, Any]: 包含策略历史状态的字典。
+        """
+        return self._state_repository.load()
+
+    # --- 现有功能保持不变 ---
 
     def set_current_bar(self, bar: 'Bar'):
-        """
-        设置当前正在处理的 K 线数据。
-        由 BacktestEngine 调用。
-        """
         self._current_bar = bar
 
     def get_current_bar(self) -> Optional['Bar']:
-        """
-        获取当前正在处理的 K 线数据。
-        策略可以通过此方法获取最新 K 线。
-        """
         return self._current_bar
 
     def get_current_time(self) -> datetime:
-        """
-        获取当前模拟时间。
-        """
         return self._simulator.get_current_time()
 
     def get_current_positions(self) -> Dict[str, int]:
-        """
-        获取当前所有持仓。
-        """
         return self._simulator.get_current_positions()
 
     def get_pending_orders(self) -> Dict[str, 'Order']:
-        """
-        获取当前所有待处理（未成交）订单。
-        """
         return self._simulator.get_pending_orders()
 
     def get_account_cash(self) -> float:
-        """
-        获取当前可用现金。
-        """
         return self._simulator.cash
 
     def get_average_position_price(self, symbol: str) -> Optional[float]:
-        """
-        获取指定合约的平均持仓成本。
-        """
         return self._simulator.get_average_position_price(symbol)
 
     def send_order(self, order: 'Order') -> Optional['Order']:
-        """
-        策略通过此方法发送订单到模拟器。
-        """
         return self._simulator.send_order_to_pending(order)
 
     def cancel_order(self, order_id: str) -> bool:
-        """
-        策略通过此方法取消指定ID的订单。
-        """
         return self._simulator.cancel_order(order_id)
 
     def set_engine(self, engine: 'BacktestEngine'):
-        """
-        设置对 BacktestEngine 实例的引用。
-        由 BacktestEngine 在初始化时调用，用于允许 Context 访问 Engine 的状态。
-        """
         self._engine = engine
 
     def get_bar_history(self):
@@ -99,12 +100,6 @@ class BacktestContext:
 
     @property
     def is_rollover_bar(self) -> bool:
-        """
-        属性：判断当前 K 线是否为换月 K 线（即新合约的第一根 K 线）。
-        用于在换月时禁止策略开仓。
-        """
         if self._engine:
             return self._engine.is_rollover_bar
-        # 如果没有设置引擎引用，默认不认为是换月 K 线
-        # 这通常发生在测试 Context 本身时，或 Engine 初始化不完整的情况。
         return False

src/backtest_engine.py

@@ -5,12 +5,14 @@ import numpy as np
 import pandas as pd
 
 from src.indicators.base_indicators import Indicator
+from .common_utils import generate_strategy_identifier
 
 # 导入所有需要协调的模块
 from .core_data import Bar, Order, Trade, PortfolioSnapshot
 from .data_manager import DataManager
 from .execution_simulator import ExecutionSimulator
 from .backtest_context import BacktestContext
+from .state_repo import MemoryStateRepository
 from .strategies.base_strategy import Strategy
 
 class BacktestEngine:
@@ -50,7 +52,8 @@ class BacktestEngine:
             commission_rate=commission_rate
         )
         # 传入引擎自身给 context，以便 context 可以获取引擎的状态（如 is_rollover_bar）
-        self.context = BacktestContext(self.data_manager, self.simulator)
+        identifier = generate_strategy_identifier(strategy_class, strategy_params)
+        self.context = BacktestContext(self.data_manager, self.simulator, MemoryStateRepository(identifier))
         self.context.set_engine(self) # 建立 Context 到 Engine 的引用
 
         # self.current_segment_symbol = current_segment_symbol # 此行移除或作为内部变量动态管理

src/common_utils.py

@@ -212,3 +212,93 @@ def is_bar_pre_close_period(
     # 6. 判断当前系统时间是否在这个窗口内
     # 窗口定义为 [pre_close_window_start_time, final_bar_end_time)，即包含开始时间，不包含结束时间
     return pre_close_window_start_time <= current_system_time < final_bar_end_time
+
+import hashlib
+import json
+from typing import Type, Any, Dict, Union
+
+# --- 辅助编码器，用于处理参数中的 “类” 对象 (保持不变) ---
+class StrategyParamEncoder(json.JSONEncoder):
+    def default(self, o: Any) -> Any:
+        if isinstance(o, type):
+            return f"{o.__module__}.{o.__name__}"
+        return super().default(o)
+
+# --- 新增：递归净化函数，用于移除实例 ---
+def _clean_params_for_hashing(data: Any) -> Any:
+    """
+    递归地“净化”参数数据，将所有非基本类型、非类的实例对象替换为 None。
+    这确保了只有可序列化的配置值会影响最终的哈希结果。
+
+    Args:
+        data: 输入的数据，可以是字典、列表、或任何值。
+
+    Returns:
+        一个净化后的版本，其中所有实例对象都被替换为 None。
+    """
+    # 1. 基本情况：如果数据是基本类型或一个“类”，直接返回
+    if isinstance(data, (str, int, float, bool, type(None), type)):
+        return data
+
+    # 2. 递归情况：处理字典
+    if isinstance(data, dict):
+        # 遍历字典，对每个值进行递归净化
+        return {key: _clean_params_for_hashing(value) for key, value in data.items()}
+
+    # 3. 递归情况：处理列表和元组
+    if isinstance(data, (list, tuple)):
+        # 遍历序列，对每个元素进行递归净化
+        return type(data)([_clean_params_for_hashing(item) for item in data])
+
+    # 4. 最终情况：如果代码运行到这里，说明 `data` 是一个我们不希望
+    #    纳入哈希计算的实例对象。我们用 None 替换它。
+    return None
+
+
+def generate_strategy_identifier(
+        strategy_class: Type,
+        parameters: Dict[str, Any]
+) -> str:
+    """
+    为策略实例生成一个唯一的、确定性的标识符 (忽略实例版)。
+
+    此版本会主动忽略参数中的实例对象，在计算哈希前将它们替换为 None。
+    这允许策略接收已实例化的组件，同时确保标识符的唯一性仅由
+    可配置的、可序列化的参数决定。
+
+    Args:
+        strategy_class (Type): 策略的类本身。
+        parameters (Dict[str, Any]): 用于初始化该策略的参数字典。
+
+    Returns:
+        str: 一个唯一的、适合用作文件名或Redis键的标识符。
+    """
+    # 1. 获取模块路径和类名
+    module_path = strategy_class.__module__
+    class_name = strategy_class.__name__
+
+    # 2. [核心修改] 首先，净化参数字典，移除实例对象
+    cleaned_parameters = _clean_params_for_hashing(parameters)
+
+    # 3. 对净化后的参数进行稳定序列化
+    #    这里仍然需要自定义的Encoder来处理参数中合法的“类”对象。
+    try:
+        param_string = json.dumps(
+            cleaned_parameters,
+            sort_keys=True,
+            separators=(',', ':'),
+            cls=StrategyParamEncoder
+        )
+    except TypeError as e:
+        # 理论上，经过净化后，这里不应该再出现TypeError，但作为保护性代码保留
+        raise TypeError(
+            f"净化后的策略 '{class_name}' 参数依然无法序列化。请检查参数结构。原始错误: {e}"
+        )
+
+    # 4. 计算参数字符串的哈希值
+    param_hash = hashlib.md5(param_string.encode('utf-8')).hexdigest()
+
+    # 5. 组合成最终的标识符
+    identifier = f"{module_path}.{class_name}_{param_hash}"
+
+    return identifier

src/state_repo.py

@@ -0,0 +1,134 @@
+from abc import ABC, abstractmethod
+from typing import Any, Dict
+
+class StateRepository(ABC):
+    """
+    状态仓储的抽象基类 (优化版)。
+    每个仓储实例都与一个唯一标识符绑定，专门负责该标识符对应状态的持久化。
+    这种设计简化了API，并使其职责更加单一。
+    """
+    def __init__(self, identifier: str):
+        """
+        :param identifier: 此仓储实例绑定的唯一状态标识符。
+        """
+        self.identifier = identifier
+
+    @abstractmethod
+    def save(self, state: Dict[str, Any]) -> None:
+        """
+        持久化当前的状态。
+
+        :param state: 需要保存的状态数据。
+        """
+        pass
+
+    @abstractmethod
+    def load(self) -> Dict[str, Any]:
+        """
+        加载历史状态。
+
+        :return: 返回保存的状态字典。若无历史状态，则返回空字典。
+        """
+        pass
+
+
+
+class MemoryStateRepository(StateRepository):
+    """
+    一个完全基于内存的状态仓储。
+    状态仅在程序的生命周期内存在。适用于回测和单元测试。
+    """
+    # 使用一个类级别的字典来模拟全局存储，以便在同一进程中多次创建同名实例时能找回状态
+    _global_storage: Dict[str, Dict[str, Any]] = {}
+
+    def __init__(self, identifier: str):
+        super().__init__(identifier)
+        # 确保该标识符在全局存储中有个位置
+        if self.identifier not in MemoryStateRepository._global_storage:
+            MemoryStateRepository._global_storage[self.identifier] = {}
+        print(f"内存仓储已初始化，管理ID: '{self.identifier}'")
+
+    def save(self, state: Dict[str, Any]) -> None:
+        # 使用 .copy() 存储副本，防止外部修改影响内部状态
+        MemoryStateRepository._global_storage[self.identifier] = state.copy()
+
+    def load(self) -> Dict[str, Any]:
+        # 返回副本，防止调用方意外修改内部状态
+        state = MemoryStateRepository._global_storage.get(self.identifier, {}).copy()
+        return state
+
+
+import json
+import os
+
+
+class JsonFileStateRepository(StateRepository):
+    """
+    使用JSON文件作为后端的状态仓储 (简化版)。
+
+    本实现假设在任何时间点，最多只有一个进程会写入与本实例关联的
+    特定文件。因此，它采用直接写入文件的方式，没有包含处理并发
+    写入的原子操作逻辑。
+    """
+
+    def __init__(self, identifier: str, storage_path: str = './states'):
+        super().__init__(identifier)
+        self.storage_path = storage_path
+        self._file_path = os.path.join(self.storage_path, f"{self.identifier}.json")
+
+        if not os.path.exists(self.storage_path):
+            os.makedirs(self.storage_path)
+        print(f"JSON文件仓储(简化版)已初始化，将管理文件: '{self._file_path}'")
+
+    def save(self, state: Dict[str, Any]) -> None:
+        """
+        将状态直接写入到本实例绑定的文件中。
+        注意：此操作不是原子的。
+        """
+        try:
+            with open(self._file_path, 'w', encoding='utf-8') as f:
+                json.dump(state, f, indent=4, ensure_ascii=False)
+            print(f"(JSON) 状态已直接保存至 '{self._file_path}'")
+        except (IOError, TypeError) as e:
+            print(f"错误：无法将状态写入文件 '{self._file_path}'。错误: {e}")
+
+    def load(self) -> Dict[str, Any]:
+        """
+        从本实例绑定的文件中加载状态。
+        """
+        if not os.path.exists(self._file_path):
+            return {}
+        try:
+            with open(self._file_path, 'r', encoding='utf-8') as f:
+                state = json.load(f)
+                print(f"(JSON) 从 '{self._file_path}' 加载了状态。")
+                return state
+        except (IOError, json.JSONDecodeError) as e:
+            print(f"错误：无法从 '{self._file_path}' 加载状态。文件可能已损坏。错误: {e}")
+            return {}
+
+
+import redis
+class RedisStateRepository(StateRepository):
+    DEFAULT_EXPIRATION_SECONDS = 7 * 24 * 60 * 60
+
+    def __init__(self, identifier: str, host='localhost', port=6379, db=0, expiration_sec: int = DEFAULT_EXPIRATION_SECONDS):
+        super().__init__(identifier)
+        try:
+            self.redis_client = redis.Redis(host=host, port=port, db=db, decode_responses=True)
+            self.redis_client.ping()
+            self.expiration_seconds = expiration_sec
+            print(f"Redis仓储已连接，将管理Key: '{self.identifier}'")
+        except redis.exceptions.ConnectionError as e:
+            raise ConnectionError(f"无法连接到Redis服务器 at {host}:{port}。") from e
+
+    def save(self, state: Dict[str, Any]) -> None:
+        serialized_state = json.dumps(state)
+        self.redis_client.set(self.identifier, serialized_state, ex=self.expiration_seconds)
+        print(f"(Redis) Key '{self.identifier}' 的状态已保存。")
+
+    def load(self) -> Dict[str, Any]:
+        serialized_state = self.redis_client.get(self.identifier)
+        if serialized_state is None:
+            return {}
+        return json.loads(serialized_state)

src/strategies/ValueMigrationStrategy/ValueMigrationStrategy.py

@@ -276,13 +276,3 @@ class ValueMigrationStrategy(Strategy):
         )
         self.send_order(order)
 
-
-def send_market_order(self, direction: str, volume: int, offset: str = "CLOSE"):
-    # ... (与之前版本相同) ...
-    order_id = f"{self.symbol}_{direction}_{offset}_{self.get_current_time().strftime('%Y%m%d%H%M%S')}_{self.order_id_counter}"
-    self.order_id_counter += 1
-    order = Order(
-        id=order_id, symbol=self.symbol, direction=direction, volume=volume,
-        price_type="MARKET", submitted_time=self.get_current_time(), offset=offset
-    )
-    self.send_order(order)

src/strategies/ValueMigrationStrategy/ValueMigrationStrategy2.py

@@ -0,0 +1,315 @@
+# =====================================================================================
+#  以下是新增的 ValueMigrationStrategy 策略代码
+# =====================================================================================
+from collections import deque
+from datetime import timedelta, time
+
+import numpy as np
+import pandas as pd
+from typing import List, Any, Optional, Dict
+
+import talib
+
+from src.core_data import Bar, Order
+from src.strategies.ValueMigrationStrategy.data_class import ProfileStats, calculate_profile_from_bars
+from src.strategies.base_strategy import Strategy
+
+
+# = ===================================================================
+#  全局辅助函数 (Global Helper Functions)
+#  将这些函数放在文件顶部，以便所有策略类都能调用
+# =====================================================================
+
+def compute_price_volume_distribution(bars: List[Bar], tick_size: float) -> Optional[pd.Series]:
+    """
+    [全局函数] 从K线数据中计算出原始的价格-成交量分布。
+    """
+    if not bars:
+        return None
+
+    data = []
+    # 为了性能，我们只处理有限数量的bars，防止内存问题
+    # 在实际应用中，更高效的实现是必要的
+    for bar in bars[-500:]:  # 添加一个安全限制
+        price_range = np.arange(bar.low, bar.high + tick_size, tick_size)
+        if len(price_range) == 0 or bar.volume == 0: continue
+
+        # 将成交量近似分布到K线覆盖的每个tick上
+        volume_per_tick = bar.volume / len(price_range)
+        for price in price_range:
+            data.append({'price': price, 'volume': volume_per_tick})
+
+    if not data:
+        return None
+
+    df = pd.DataFrame(data)
+    if df.empty:
+        return None
+
+    return df.groupby('price')['volume'].sum().sort_index()
+
+
+# 确保在文件顶部导入
+from scipy.signal import find_peaks
+
+
+def find_hvns_with_distance(price_volume_dist: pd.Series, distance_in_ticks: int) -> List[float]:
+    """
+    [全局函数] 使用峰值查找算法，根据峰值间的最小距离来识别HVNs。
+
+    Args:
+        price_volume_dist: 价格-成交量分布序列。
+        distance_in_ticks: 两个HVN之间必须间隔的最小tick数量。
+
+    Returns:
+        一个包含所有被识别出的HVN价格的列表。
+    """
+    if price_volume_dist.empty or len(price_volume_dist) < 3:
+        return []
+
+    # distance参数确保找到的峰值之间至少相隔N个点
+    peaks_indices, _ = find_peaks(price_volume_dist.values, distance=distance_in_ticks)
+
+    if len(peaks_indices) == 0:
+        return [price_volume_dist.idxmax()]  # 默认返回POC
+
+    hvn_prices = price_volume_dist.index[peaks_indices].tolist()
+    return hvn_prices
+
+
+def find_hvns_strict(price_volume_dist: pd.Series, window_radius: int) -> List[float]:
+    """
+    [全局函数] 使用严格的“滚动窗口最大值”定义来识别HVNs。
+    一个点是HVN，当且仅当它的成交量大于其左右各 `window_radius` 个点的成交量。
+
+    Args:
+        price_volume_dist: 价格-成交量分布序列。
+        window_radius: 定义了检查窗口的半径 (即您所说的 N)。
+
+    Returns:
+        一个包含所有被识别出的HVN价格的列表。
+    """
+    if price_volume_dist.empty or window_radius == 0:
+        return [price_volume_dist.idxmax()] if not price_volume_dist.empty else []
+
+    # 1. 确保价格序列是连续的，用0填充缺失的ticks
+    full_price_range = np.arange(price_volume_dist.index.min(),
+                                 price_volume_dist.index.max() + price_volume_dist.index.to_series().diff().min(),
+                                 price_volume_dist.index.to_series().diff().min())
+    continuous_dist = price_volume_dist.reindex(full_price_range, fill_value=0)
+
+    # 2. 计算滚动窗口最大值
+    window_size = 2 * window_radius + 1
+    rolling_max = continuous_dist.rolling(window=window_size, center=True).max()
+
+    # 3. 找到那些自身成交量就等于其窗口最大值的点
+    is_hvn = (continuous_dist == rolling_max) & (continuous_dist > 0)
+    hvn_prices = continuous_dist[is_hvn].index.tolist()
+
+    # 4. 处理平顶山：如果连续多个点都是HVN，只保留中间那个
+    if not hvn_prices:
+        return [price_volume_dist.idxmax()]  # 如果找不到，返回POC
+
+    final_hvns = []
+    i = 0
+    while i < len(hvn_prices):
+        # 找到一个连续HVN块
+        j = i
+        while j + 1 < len(hvn_prices) and (hvn_prices[j + 1] - hvn_prices[j]) < (
+                2 * price_volume_dist.index.to_series().diff().min()):
+            j += 1
+
+        # 取这个连续块的中间点
+        middle_index = i + (j - i) // 2
+        final_hvns.append(hvn_prices[middle_index])
+
+        i = j + 1
+
+    return final_hvns
+
+
+# 确保在文件顶部导入
+from scipy.signal import find_peaks
+
+
+# =====================================================================================
+#  以下是V2版本的、简化了状态管理的 HVNPullbackStrategy 代码
+# =====================================================================================
+
+class ValueMigrationStrategy(Strategy):
+    """
+    一个基于动态HVN突破后回测的量化交易策略。(V2: 简化状态管理)
+
+    V2版本简化了内部状态管理，移除了基于order_id的复杂元数据传递，
+    使用更直接、更健壮的单一状态变量来处理挂单的止盈止损参数，
+    完美适配“单次单持仓”的策略逻辑。
+    """
+
+    def __init__(
+            self,
+            context: Any,
+            main_symbol: str,
+            enable_log: bool,
+            trade_volume: int,
+            tick_size: float = 1,
+            profile_period: int = 100,
+            recalc_interval: int = 4,
+            hvn_distance_ticks: int = 20,
+            entry_offset_atr: float = 0.0,
+            stop_loss_atr: float = 1.0,
+            take_profit_atr: float = 2.0,
+            atr_period: int = 14,
+            order_direction=None,
+            indicators=[None, None],
+    ):
+        super().__init__(context, main_symbol, enable_log)
+        if order_direction is None:
+            order_direction = ['BUY', 'SELL']
+
+        self.trade_volume = trade_volume
+        self.tick_size = tick_size
+        self.profile_period = profile_period
+        self.recalc_interval = recalc_interval
+        self.hvn_distance_ticks = hvn_distance_ticks
+        self.entry_offset_atr = entry_offset_atr
+        self.stop_loss_atr = stop_loss_atr
+        self.take_profit_atr = take_profit_atr
+        self.atr_period = atr_period
+
+        self.order_direction = order_direction
+        self.indicator_long = indicators[0]
+        self.indicator_short = indicators[1]
+
+        self.main_symbol = main_symbol
+        self.order_id_counter = 0
+
+        self._bar_counter = 0
+        self._cached_hvns: List[float] = []
+
+        # --- V2: 简化的状态管理 ---
+        self._pending_sl_price: Optional[float] = None
+        self._pending_tp_price: Optional[float] = None
+
+    def on_open_bar(self, open_price: float, symbol: str):
+        self.symbol = symbol
+        self._bar_counter += 1
+        bar_history = self.get_bar_history()
+
+        required_len = max(self.profile_period, self.atr_period) + 1
+        if len(bar_history) < required_len:
+            return
+
+        # --- 1. 取消所有挂单并重置挂单状态 ---
+        self.cancel_all_pending_orders(self.symbol)
+        # self._pending_sl_price = None
+        # self._pending_tp_price = None
+
+        # --- 2. 管理现有持仓 ---
+        position_volume = self.get_current_positions().get(self.symbol, 0)
+        if position_volume != 0:
+            self.manage_open_position(position_volume, open_price)
+            return
+
+        # --- 3. 周期性地计算HVNs ---
+        if self._bar_counter % self.recalc_interval == 1:
+            profile_bars = bar_history[-self.profile_period:]
+            dist = compute_price_volume_distribution(profile_bars, self.tick_size)
+            if dist is not None and not dist.empty:
+                # self._cached_hvns = find_hvns_with_distance(dist, self.hvn_distance_ticks)
+                self._cached_hvns = find_hvns_strict(dist, self.hvn_distance_ticks)
+                self.log(f"New HVNs identified at: {[f'{p:.2f}' for p in self._cached_hvns]}")
+
+        if not self._cached_hvns: return
+
+        # --- 4. 评估新机会 (挂单逻辑) ---
+        self.evaluate_entry_signal(bar_history)
+
+    def manage_open_position(self, volume: int, current_price: float):
+        """主动管理已开仓位的止盈止损。"""
+
+        # # [V2 关键逻辑]: 检测是否为新持仓
+        # # 如果这是一个新持仓，并且我们有预设的止盈止损，就将其存入
+        # if self._pending_sl_price is not None and self._pending_tp_price is not None:
+        #     meta = {'sl_price': self._pending_sl_price, 'tp_price': self._pending_tp_price}
+        #     self.position_meta = meta
+        #     self.log(f"新持仓确认。已设置TP/SL: {meta}")
+        # else:
+        #     # 这种情况理论上不应发生，但作为保护
+        #     self.log("Error: New position detected but no pending TP/SL values found.")
+        #     self.close_position("CLOSE_LONG" if volume > 0 else "CLOSE_SHORT", abs(volume))
+        #     return
+
+        # [常规逻辑]: 检查止盈止损
+        sl_price = self._pending_sl_price
+        tp_price = self._pending_tp_price
+
+        if volume > 0:  # 多头
+            if current_price <= sl_price or current_price >= tp_price:
+                action = "止损" if current_price <= sl_price else "止盈"
+                self.log(f"多头{action}触发 at {current_price:.2f}")
+                self.close_position("CLOSE_LONG", abs(volume))
+        elif volume < 0:  # 空头
+            if current_price >= sl_price or current_price <= tp_price:
+                action = "止损" if current_price >= sl_price else "止盈"
+                self.log(f"空头{action}触发 at {current_price:.2f}")
+                self.close_position("CLOSE_SHORT", abs(volume))
+
+    def evaluate_entry_signal(self, bar_history: List[Bar]):
+        prev_close = bar_history[-2].close
+        current_close = bar_history[-1].close
+
+        highs = np.array([b.high for b in bar_history], dtype=float)
+        lows = np.array([b.low for b in bar_history], dtype=float)
+        closes = np.array([b.close for b in bar_history], dtype=float)
+        current_atr = talib.ATR(highs, lows, closes, self.atr_period)[-1]
+        if current_atr < self.tick_size: return
+
+        for hvn in sorted(self._cached_hvns):
+            # (为了简洁，买卖逻辑合并)
+            direction = None
+            if "BUY" in self.order_direction and (prev_close < hvn < current_close):
+                direction = "BUY"
+                pass_filter = self.indicator_long is None or self.indicator_long.is_condition_met(
+                    *self.get_indicator_tuple())
+            elif "SELL" in self.order_direction and (prev_close > hvn > current_close):
+                direction = "SELL"
+                pass_filter = self.indicator_short is None or self.indicator_short.is_condition_met(
+                    *self.get_indicator_tuple())
+            else:
+                continue  # 没有触发穿越
+
+            if direction and pass_filter:
+                offset = self.entry_offset_atr * current_atr
+                limit_price = hvn + offset if direction == "BUY" else hvn - offset
+
+                self.log(f"价格穿越HVN({hvn:.2f}). 在 {limit_price:.2f} 挂限价{direction}单。")
+                self.send_hvn_limit_order(direction, limit_price, current_atr)
+                return  # 每次只挂一个单
+
+    def send_hvn_limit_order(self, direction: str, limit_price: float, entry_atr: float):
+        # [V2 关键逻辑]: 直接更新实例变量
+        self._pending_sl_price = limit_price - self.stop_loss_atr * entry_atr if direction == "BUY" else limit_price + self.stop_loss_atr * entry_atr
+        self._pending_tp_price = limit_price + self.take_profit_atr * entry_atr if direction == "BUY" else limit_price - self.take_profit_atr * entry_atr
+
+        order_id = f"{self.symbol}_{direction}_LIMIT_{self.order_id_counter}"
+        self.order_id_counter += 1
+
+        order = Order(
+            id=order_id, symbol=self.symbol, direction=direction, volume=self.trade_volume,
+            price_type="LIMIT", limit_price=limit_price, submitted_time=self.get_current_time(),
+            offset="OPEN"
+        )
+        self.send_order(order)
+
+    def close_position(self, direction: str, volume: int):
+        self.send_market_order(direction, volume)
+
+
+    def send_market_order(self, direction: str, volume: int, offset: str = "CLOSE"):
+        order_id = f"{self.symbol}_{direction}_{offset}_{self.get_current_time().strftime('%Y%m%d%H%M%S')}_{self.order_id_counter}"
+        self.order_id_counter += 1
+        order = Order(
+            id=order_id, symbol=self.symbol, direction=direction, volume=volume,
+            price_type="MARKET", submitted_time=self.get_current_time(), offset=offset
+        )
+        self.send_order(order)

src/strategies/ValueMigrationStrategy/ValueMigrationStrategy3.py

@@ -0,0 +1,317 @@
+# =====================================================================================
+#  以下是新增的 ValueMigrationStrategy 策略代码
+# =====================================================================================
+from collections import deque
+from datetime import timedelta, time
+
+import numpy as np
+import pandas as pd
+from typing import List, Any, Optional, Dict
+
+import talib
+
+from src.core_data import Bar, Order
+from src.strategies.ValueMigrationStrategy.data_class import ProfileStats, calculate_profile_from_bars
+from src.strategies.base_strategy import Strategy
+
+
+# = ===================================================================
+#  全局辅助函数 (Global Helper Functions)
+#  将这些函数放在文件顶部，以便所有策略类都能调用
+# =====================================================================
+
+def compute_price_volume_distribution(bars: List[Bar], tick_size: float) -> Optional[pd.Series]:
+    """
+    [全局函数] 从K线数据中计算出原始的价格-成交量分布。
+    """
+    if not bars:
+        return None
+
+    data = []
+    # 为了性能，我们只处理有限数量的bars，防止内存问题
+    # 在实际应用中，更高效的实现是必要的
+    for bar in bars[-500:]:  # 添加一个安全限制
+        price_range = np.arange(bar.low, bar.high + tick_size, tick_size)
+        if len(price_range) == 0 or bar.volume == 0: continue
+
+        # 将成交量近似分布到K线覆盖的每个tick上
+        volume_per_tick = bar.volume / len(price_range)
+        for price in price_range:
+            data.append({'price': price, 'volume': volume_per_tick})
+
+    if not data:
+        return None
+
+    df = pd.DataFrame(data)
+    if df.empty:
+        return None
+
+    return df.groupby('price')['volume'].sum().sort_index()
+
+
+# 确保在文件顶部导入
+from scipy.signal import find_peaks
+
+
+def find_hvns_with_distance(price_volume_dist: pd.Series, distance_in_ticks: int) -> List[float]:
+    """
+    [全局函数] 使用峰值查找算法，根据峰值间的最小距离来识别HVNs。
+
+    Args:
+        price_volume_dist: 价格-成交量分布序列。
+        distance_in_ticks: 两个HVN之间必须间隔的最小tick数量。
+
+    Returns:
+        一个包含所有被识别出的HVN价格的列表。
+    """
+    if price_volume_dist.empty or len(price_volume_dist) < 3:
+        return []
+
+    # distance参数确保找到的峰值之间至少相隔N个点
+    peaks_indices, _ = find_peaks(price_volume_dist.values, distance=distance_in_ticks)
+
+    if len(peaks_indices) == 0:
+        return [price_volume_dist.idxmax()]  # 默认返回POC
+
+    hvn_prices = price_volume_dist.index[peaks_indices].tolist()
+    return hvn_prices
+
+
+# 确保在文件顶部导入
+from scipy.signal import find_peaks
+
+
+# =====================================================================================
+#  以下是V2版本的、简化了状态管理的 HVNPullbackStrategy 代码
+# =====================================================================================
+
+# 引入必要的类型，确保代码清晰
+from typing import Any, Dict, Optional, List
+import numpy as np
+import talib
+
+
+class ValueMigrationStrategy(Strategy):
+    """
+    一个基于动态HVN突破后回测的量化交易策略。(V3: 集成上下文状态管理)
+
+    V3版本完全集成BacktestContext的状态管理功能，实现了策略重启后的状态恢复。
+    - 状态被简化为两个核心变量：_pending_sl_price 和 _pending_tp_price。
+    - 在策略初始化时安全地加载状态，并兼容空状态或旧版状态。
+    - 在下单或平仓时立即持久化状态，确保数据一致性。
+    - 增加了逻辑检查，处理重启后可能出现的状态与实际持仓不一致的问题。
+    """
+
+    def __init__(
+            self,
+            context: Any,  # 通常会是 BacktestContext
+            main_symbol: str,
+            enable_log: bool,
+            trade_volume: int,
+            tick_size: float = 1,
+            profile_period: int = 100,
+            recalc_interval: int = 4,
+            hvn_distance_ticks: int = 1,
+            entry_offset_atr: float = 0.0,
+            stop_loss_atr: float = 1.0,
+            take_profit_atr: float = 1.0,
+            atr_period: int = 14,
+            order_direction=None,
+            indicators=[None, None],
+    ):
+        super().__init__(context, main_symbol, enable_log)
+        # --- 参数初始化 (保持不变) ---
+        if order_direction is None:
+            order_direction = ['BUY', 'SELL']
+        self.trade_volume = trade_volume
+        self.tick_size = tick_size
+        self.profile_period = profile_period
+        self.recalc_interval = recalc_interval
+        self.hvn_distance_ticks = hvn_distance_ticks
+        self.entry_offset_atr = entry_offset_atr
+        self.stop_loss_atr = stop_loss_atr
+        self.take_profit_atr = take_profit_atr
+        self.atr_period = atr_period
+        self.order_direction = order_direction
+        self.indicator_long = indicators[0]
+        self.indicator_short = indicators[1]
+        self.main_symbol = main_symbol
+        self.order_id_counter = 0
+        self._bar_counter = 0
+        self._cached_hvns: List[float] = []
+
+        # --- 新增: 初始化时加载状态 ---
+        self._pending_sl_price: Optional[float] = None
+        self._pending_tp_price: Optional[float] = None
+        self._load_state_from_context()
+
+    def _get_state_dict(self) -> Dict[str, Any]:
+        """一个辅助函数，用于生成当前需要保存的状态字典。"""
+        return {
+            "_pending_sl_price": self._pending_sl_price,
+            "_pending_tp_price": self._pending_tp_price,
+        }
+
+    def _load_state_from_context(self):
+        """
+        [新增] 从上下文中加载状态，并进行健壮性处理。
+        """
+        loaded_state = self.context.load_state()
+        if not loaded_state:
+            self.log("未找到历史状态，进行全新初始化。")
+            return
+
+        # 使用 .get() 方法安全地读取，即使key不存在或state为空也不会报错。
+        # 这完美解决了“读取的state的key不一样”的问题。
+        self._pending_sl_price = loaded_state.get("_pending_sl_price")
+        self._pending_tp_price = loaded_state.get("_pending_tp_price")
+
+        if self._pending_sl_price is not None:
+            self.log(f"成功从上下文加载状态: SL={self._pending_sl_price}, TP={self._pending_tp_price}")
+        else:
+            self.log("加载的状态为空或格式不兼容，视为全新初始化。")
+
+    def on_open_bar(self, open_price: float, symbol: str):
+        self.symbol = symbol
+        self._bar_counter += 1
+        bar_history = self.get_bar_history()
+
+        required_len = max(self.profile_period, self.atr_period) + 1
+        if len(bar_history) < required_len:
+            return
+
+        # 取消所有挂单，这符合原逻辑，确保每根bar都是新的开始
+        self.cancel_all_pending_orders(self.symbol)
+
+        position_volume = self.get_current_positions().get(self.symbol, 0)
+
+        # --- 新增: 状态一致性检查 ---
+        # 场景：策略重启后，加载了之前的止盈止损状态，但发现实际上并没有持仓
+        # (可能因为上次平仓后、清空状态前程序就关闭了)。
+        # 这种情况下，状态是无效的“幽灵状态”，必须清除。
+        if position_volume == 0 and self._pending_sl_price is not None:
+            self.log("检测到状态与实际持仓不符 (有状态但无持仓)，重置本地状态。")
+            self._pending_sl_price = None
+            self._pending_tp_price = None
+            self.context.save_state(self._get_state_dict())  # 立即同步清除后的状态
+
+        # --- 1. 管理现有持仓 (如果存在) ---
+        if position_volume != 0:
+            self.manage_open_position(position_volume, open_price)
+            return
+
+
+        # 周期性地计算HVNs
+        if self._bar_counter % self.recalc_interval == 1:
+            profile_bars = bar_history[-self.profile_period:]
+            dist = compute_price_volume_distribution(profile_bars, self.tick_size)
+            if dist is not None and not dist.empty:
+                self._cached_hvns = find_hvns_with_distance(dist, self.hvn_distance_ticks)
+                self.log(f"识别到新的高价值节点: {[f'{p:.2f}' for p in self._cached_hvns]}")
+
+        if not self._cached_hvns: return
+
+        # 评估新机会 (挂单逻辑)
+        self.evaluate_entry_signal(bar_history)
+
+    def manage_open_position(self, volume: int, current_price: float):
+        """
+        [修改] 主动管理已开仓位的止盈止损。
+        不再使用 position_meta，直接依赖实例变量。
+        """
+        # [关键安全检查]: 如果有持仓，但却没有止盈止损状态，这是一个危险的信号。
+        # 可能是状态文件损坏或逻辑错误。为控制风险，应立即平仓。
+        if self._pending_sl_price is None or self._pending_tp_price is None:
+            self.log("风险警告：存在持仓但无有效的止盈止损价格，立即市价平仓！")
+            self.close_position("CLOSE_LONG" if volume > 0 else "CLOSE_SHORT", abs(volume))
+            return
+
+        sl_price = self._pending_sl_price
+        tp_price = self._pending_tp_price
+
+        # 止盈止损逻辑 (保持不变)
+        if volume > 0:  # 多头
+            if current_price <= sl_price or current_price >= tp_price:
+                action = "止损" if current_price <= sl_price else "止盈"
+                self.log(f"多头{action}触发于 {current_price:.2f} (SL: {sl_price}, TP: {tp_price})")
+                self.close_position("CLOSE_LONG", abs(volume))
+        elif volume < 0:  # 空头
+            if current_price >= sl_price or current_price <= tp_price:
+                action = "止损" if current_price >= sl_price else "止盈"
+                self.log(f"空头{action}触发于 {current_price:.2f} (SL: {sl_price}, TP: {tp_price})")
+                self.close_position("CLOSE_SHORT", abs(volume))
+
+    def evaluate_entry_signal(self, bar_history: List[Bar]):
+        # [修改] 在挂单前，先重置旧的挂单状态，虽然on_open_bar开头也做了，但这里更保险
+        self._pending_sl_price = None
+        self._pending_tp_price = None
+
+        # ... 原有挂单信号计算逻辑保持不变 ...
+        prev_close = bar_history[-2].close
+        current_close = bar_history[-1].close
+        highs = np.array([b.high for b in bar_history], dtype=float)
+        lows = np.array([b.low for b in bar_history], dtype=float)
+        closes = np.array([b.close for b in bar_history], dtype=float)
+        current_atr = talib.ATR(highs, lows, closes, self.atr_period)[-1]
+        if current_atr < self.tick_size: return
+
+        for hvn in sorted(self._cached_hvns):
+            if "BUY" in self.order_direction and (prev_close < hvn < current_close):
+                direction = "BUY"
+                pass_filter = self.indicator_long is None or self.indicator_long.is_condition_met(
+                    *self.get_indicator_tuple())
+            elif "SELL" in self.order_direction and (prev_close > hvn > current_close):
+                direction = "SELL"
+                pass_filter = self.indicator_short is None or self.indicator_short.is_condition_met(
+                    *self.get_indicator_tuple())
+            else:
+                continue
+
+            if direction and pass_filter:
+                offset = self.entry_offset_atr * current_atr
+                limit_price = hvn + offset if direction == "BUY" else hvn - offset
+                self.log(f"价格穿越HVN({hvn:.2f})。在 {limit_price:.2f} 挂限价{direction}单。")
+                self.send_hvn_limit_order(direction, limit_price, current_atr)
+                return
+
+    def send_hvn_limit_order(self, direction: str, limit_price: float, entry_atr: float):
+        # 1. 设置实例的止盈止损状态
+        self._pending_sl_price = limit_price - self.stop_loss_atr * entry_atr if direction == "BUY" else limit_price + self.stop_loss_atr * entry_atr
+        self._pending_tp_price = limit_price + self.take_profit_atr * entry_atr if direction == "BUY" else limit_price - self.take_profit_atr * entry_atr
+
+        # 2. [新增] 状态已更新，立即通过上下文持久化
+        self.context.save_state(self._get_state_dict())
+        self.log(f"状态已更新并保存: SL={self._pending_sl_price}, TP={self._pending_tp_price}")
+
+        # 3. 发送订单
+        order_id = f"{self.symbol}_{direction}_LIMIT_{self.order_id_counter}"
+        self.order_id_counter += 1
+        order = Order(
+            id=order_id, symbol=self.symbol, direction=direction, volume=self.trade_volume,
+            price_type="LIMIT", limit_price=limit_price, submitted_time=self.get_current_time(),
+            offset="OPEN"
+        )
+        self.send_order(order)
+
+    def close_position(self, direction: str, volume: int):
+        """[修改] 平仓时，必须清空状态并立即保存。"""
+        # 1. 发送平仓市价单
+        self.send_market_order(direction, volume)
+
+        # 2. 清空本地的止盈止损状态
+        self._pending_sl_price = None
+        self._pending_tp_price = None
+
+        # 3. [新增] 状态已清空，立即通过上下文持久化这个“空状态”
+        self.context.save_state(self._get_state_dict())
+        self.log("持仓已平，相关的止盈止损状态已清空并保存。")
+
+    def send_market_order(self, direction: str, volume: int, offset: str = "CLOSE"):
+        # ... 此辅助函数保持不变 ...
+        order_id = f"{self.symbol}_{direction}_{offset}_{self.get_current_time().strftime('%Y%m%d%H%M%S')}_{self.order_id_counter}"
+        self.order_id_counter += 1
+        order = Order(
+            id=order_id, symbol=self.symbol, direction=direction, volume=volume,
+            price_type="MARKET", submitted_time=self.get_current_time(), offset=offset
+        )
+        self.send_order(order)