第81章 监控告警（1 / 2）
请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。
窗外的天色从深蓝渐变成鱼肚白，林晨揉了揉发酸的眼睛，看了一眼电脑右下角的时间：清晨五点四十七分。
父母今天下午就要到了。
这个念头像一根细刺，扎在他持续获得技术成就感的愉悦情绪底层。昨晚几乎没怎么睡，脑子里交替闪过一行行Python代码和父母可能出现的担忧面孔。他知道，躲是躲不过去的，与其焦虑，不如做点实际的事——把系统的最后一个大短板补上。
他的量化交易系统现在有了稳健的策略、高效的数据库架构，收益曲线也在稳步上扬。但还有一个致命问题：它缺乏真正的“眼睛”和“警报器”。系统现在全天候运行，如果他不是每天亲自检查日志和绩效报表，根本无法实时知道策略是否失效、市场是否出现异常波动、程序是否出错。
一个真正的生产级系统，必须能自己监控自己，并在出问题时第一时间通知主人。
“就从这里开始吧”。林晨深吸一口气，打开PyChar，新建了一个名为onitor.py的文件。
异常检测模块是第一个目标。金融市场里，黑天鹅事件虽然罕见，但一旦发生就足以吞噬所有利润。他的系统目前只依赖历史波动率设定止损，这不够。他需要一种能自动识别“模式外”行情的方法。
林晨选择了孤立森林（IsotionForest）算法。这是一种无监督学习算法，特别适合找出数据中的“离群点”——也就是异常值。原理不复杂：通过随机切割数据空间，那些容易被“孤立”出来的数据点，就很可能是异常。
“用过去二十个交易日的分钟级行情数据作为正常样本池”，他一边敲代码一边低声自语，“实时数据进来后，计算其异常分数。超过阈值，就触发预警”。
frosklearn.ensebleiportIsotio
iportnupyasnp
cssMarketAnoalyDetector:
def__it__(self,historical_data,ation=0.01):
historical_data:形状为(n_saples,ures)的历史数据矩阵
特征可包括收益率、波动率、成交量变化率等
ation:预期异常值比例，保守点设小一些
self.odel=Isotio(ation=ation,rando_state=42)
self.odel.fit(historical_data)
defdetect(self,curreures):
sre=self.odel.decision_fun([curreures])[0]
predi=self.odel.predict([curreures])[0]
#分数越接近-1，越可能是异常；predi为-1表示异常
returnsre,predi
他花了一上午时间，整合了收益率、波动率、成交量突增比率三个特征，用过去一个月A股主要指数的分钟数据训练了模型。初步回测显示，这个简单的模型能捕捉到去年几次因突发消息导致的盘中急跌急涨。
但这只是第一道防线。更隐蔽的风险是“策略悄然失效”。市场风格会切换，一个过去有效的因子可能会在某个阶段完全失灵，而系统还会傻傻地继续交易，直到资金曲线出现明显回撤才发现。
“需要监控策略本身的健康度”。林晨思索着。他决定引入几个关键绩效指标的实时监控：
夏普比率滚动窗口变化：计算最近20个交易日的夏普比率，与更长期的均值比较，如果显着下降（通过统计检验），则报警。
最大回撤突破：实时更新当前回撤值，如果突破历史回撤的某个百分位（比如95%），报警。
信号失效：记录每次交易信号的实际盈亏，如果连续出现多次亏损（例如同一策略信号连续亏损5次），则怀疑信号失效。
这些逻辑被他封装进StrategyHealthMonitor类。每一个监控项都设置了可配置的阈值和检验方法。
“光检测出来没用，必须得让我立刻知道”。林晨解决下一个问题：通知渠道。
邮件太慢，短信需要接口和费用。最直接的就是微信。他研究了一下，可以通过企业微信的机器人Webhook接口，向个人微信发送消息。免费，稳定，几乎零延迟。
他注册了一个企业微信应用（免费版足够），获取了Webhook地址。然后写了一个简单的通知模块：
iportrequests
iportjson
↑返回顶部↑