仿真库 · 趋势定投的仿真回测执行层
仿真库通过"程序 + AI Agent"的方式做仿真回测，为知识库提供可运行能力。知识库沉淀方法论，仿真库把方法论跑起来。本库不做方法论沉淀，只做能力实现。详细推导见 路线图。
一、为什么把"仿真回测"单独成库
知识库承载的东西是研究记录与方法论：政策拆解、行业档案、策略文档、复盘框架——这些是给人看的、给 Agent 检索的"知识"。
另一类是可运行能力：数据抓取脚本、推演引擎、回测计算、扣款触发——这些是会"动"的"软件"。
两类东西分开，边界清晰：知识库是"纯知识"，仿真库是"能力层"。人与 Agent 在知识库里查阅研究档案，在仿真库里调用与运行能力。
二、三块职责划分
仿真库按"数据底座 -> 推理执行 -> 验证反馈"分为三块：
数据库
仿真库的数据底座，其余两块都从这里取数。包括 akshare 多源获取、SQLite 本地存储、交叉验证、统一查询接口。数据库本身不做分析判断。详见 数据库概览。
智能体
会"推理"和"辅助执行"的两类 Agent：
- 推演智能体：输入政策文本、事件描述、时点信号，输出结构化的影响矩阵与传导链路。本质是"显式化传导链路"——把人类分析师脑子里隐式走的链路，强制走一遍并留下痕迹。它的价值不在"对"，而在"全"。详细设计见 01-推演引擎设计。
- 执行智能体：扣款日估值分位提示、定投扣款建议生成、决策日志自动写入、组合快照定期生成、复盘报告草稿产出。它有不可逾越的硬边界，见第四节。
回测
对推演结果与定投策略做历史回测，统计决策命中率。包括三类回测：
- 推演回测：T+1/T+5/T+20 对比推演判断与实际市场反应
- 策略回测：定投参数（PE 分位阈值、止盈条件）的历史表现
- 决策命中率回测：决策日志中买入/卖出决策的事后命中率
回测的产出反哺推演与策略——某条传导链路长期失效就在推演 Agent 里降权，某类策略参数长期跑输就触发策略研究迭代。回测结果按快照归档，见 01-定投策略回测结果。
三、三块的协作闭环
闭环的关键节点：
- 数据库为推演、执行供数，也为回测提供对账基准
- 推演智能体的产出作为执行智能体的输入信号之一（不是唯一信号）
- 执行智能体写入的行为数据（决策日志、组合快照）进入回测的统计样本
- 回测的发现反哺前两者——推演链路权重调整、策略参数迭代、数据质量标注
闭环不是一次性走完，而是按各自节奏运行：数据每日更新，推演按事件触发，回测按周/月批量，执行按扣款日触发。
四、执行智能体的硬边界
按 路线图 中"AI 协作三条铁律"的延续，执行智能体必须严守：
- 只辅助不决策：生成扣款建议、估值分位提示、复盘报告草稿，不直接下单
- 交易权保留人类：订单确认、签字权、账户操作不可委托
- 行为数据双向审计：执行智能体写入 decision_log/portfolio_snapshot 后，读取这些数据用于复盘报告时需人类审阅后归档
这条边界写进 AGENTS.md，作为不可逾越的硬约束。任何试图绕过的设计（如"自动扣款""一键下单"）都不在本项目范围内。
边界背后的逻辑：定投之路的核心收益来自"逆人性决策"——熊市底部加仓、牛市顶部止盈。这些决策必须由人来完成，让 Agent 承担决策权等于把核心收益让渡给算法，而算法在极端行情下的失效模式不可预测。
五、与知识库和研究库的双向衔接
仿真库与知识库、研究库是双向衔接：
知识库 -> 仿真库：知识库的研究档案、方法论、政策解读作为仿真库的知识源。具体形式：
- 推演智能体的 Agent 上下文从知识库检索（如做政策推演时，从
01-知识库/02-政策解读/检索历史政策拆解） - 执行智能体的扣款规则从
01-知识库/05-定投策略/的策略文档读取 - 回测的命中率统计口径从
01-知识库/06-实盘与复盘/的复盘方法论读取
仿真库 -> 知识库与研究库：推演结果、回测发现、执行反馈作为知识库文档的输入信号，也是研究库议题的数据来源。具体形式：
- 推演智能体的产出作为
01-知识库/02-政策解读/下具体政策解读文档的引用来源 - 回测的命中率统计触发
01-知识库/06-实盘与复盘/下错题本的更新 - 执行智能体的组合快照触发估值跟踪文档的更新
- 回测产生的假设与疑问，作为研究库议题的发起来源
双向衔接的实质是：知识库是"知识"，仿真库是"能力"，两者互相喂养。知识库为能力层提供方法论依据，能力层为知识库提供最新数据与回测反馈。
六、知识库与仿真库的边界
知识库承载方法论，仿真库承载执行。一份文档属于哪边，问一个问题就知道：它是"教人怎么做"还是"替人去做"？前者在知识库，后者在仿真库。
知识库（研究记录与方法论）
- 基础知识与标的工具：估值、指数、财报的研究记录
- 定投策略：策略文档与回测方法论（回测执行与结果档案归仿真库）
- 心态与纪律：方法论与负面清单
仿真库（执行工具与数据）
- 扣款触发、订单记录逻辑 ->
03-仿真库/02-智能体/02-执行智能体/ - 决策日志写入、命中率自动统计 ->
03-仿真库/02-智能体/02-执行智能体/与03-仿真库/03-回测/ - 操作规则与扣款日判断方法留在知识库，作为执行智能体的策略依据
- 复盘方法论与框架留在知识库，作为回测的统计口径依据
七、分阶段建设路径
仿真库不是一次性建完，按依赖关系分四阶段：
阶段一：数据库（已具备基础） 数据库已有完整的数据采集、存储、查询能力，是智能体与回测的底层供数者。
阶段二：推演智能体（MVP 起步） 从政策传导场景切入，建模 5-10 个机构 Agent + 100 个个人 Agent，用历史政策事件做校准。详细路径见 01-推演引擎设计。
阶段三：回测（与推演同步） 推演产出第一时间接入回测，没有回测的推演不可信。从 T+1/T+5/T+20 三档对比起步，逐步扩展到策略回测与决策命中率回测。策略回测已有首个结果档案，见 01-定投策略回测结果。
阶段四：执行智能体（最后建设） 执行智能体依赖前三者——没有数据无法判断估值分位，没有推演无法生成扣款建议，没有回测无法验证扣款规则。这一阶段也最需要谨慎，必须严守第四节硬边界。
八、命名与定位约定
- 仿真库目录名
03-仿真库/，内部按01-数据库/、02-智能体/、03-回测/组织；智能体下分01-推演智能体/、02-执行智能体/；数据库下分01-方案设计/、02-采集脚本/、03-查询接口/、04-共享资源/ - 文档中"智能体"泛指仿真库的 Agent 能力，"数据库"指数据底座，"回测"指验证能力
- 仿真库的 Python 脚本、数据库文件、日志与备份目录不纳入 Rspress 页面扫描，已在
rspress.config.ts的route.exclude与.gitignore中声明
快速开始
数据库部分已具备完整能力，智能体与回测按分阶段路径推进：
- 安装依赖：
pip install -r 03-仿真库/01-数据库/02-采集脚本/requirements.txt - 建库建表：
python 03-仿真库/01-数据库/02-采集脚本/db.py - 全量更新：
python 03-仿真库/01-数据库/02-采集脚本/update_all.py - 查询验证：参考 03-查询接口/ 下的模板
数据库文件生成在 03-仿真库/01-数据库/04-共享资源/trend_invest.db，已加入 .gitignore，不进版本库。
延伸阅读
- 路线图——从愿景推导趋势定投之路的逻辑与完成标准
- 01-推演引擎设计——推演智能体的详细设计
- 01-定投策略回测结果——策略回测的首个结果档案