Interactive Brokers MCP Server

# IBKR-MCP 项目开发计划与进展报告 ## 📋 目录 1. [项目概述](#项目概述) 2. [当前实现状态](#当前实现状态) 3. [缺失功能分析](#缺失功能分析) 4. [开发优先级路线图](#开发优先级路线图) 5. [详细实施计划](#详细实施计划) 6. [技术选型与架构设计](#技术选型与架构设计) 7. [时间估算与里程碑](#时间估算与里程碑) 8. [风险评估与缓解策略](#风险评估与缓解策略) --- ## 项目概述 ### 项目定位 **ibkr-mcp** 是一个基于 MCP (Model Context Protocol) 的期权交易分析和风险管理服务器，集成 Interactive Brokers (IBKR) API，提供： - 实时期权链数据获取与存储 - 多策略期权交易信号生成 - 投资组合风险评估与 Greeks 计算 - 自动化数据抓取和调度 - 完整的数据库持久化层 ### 核心架构 ``` ibkr-mcp/ ├── src/ibkr_mcp/ │ ├── api/ # MCP API 工具 │ ├── common/ # 共享组件（期权数据、位置、Greeks、规则、手册） │ ├── services/ # 核心服务（市场数据、投资组合、风险、新闻、交易） │ ├── strategies/ # 期权策略实现 │ ├── repositories/ # 数据访问层 │ └── models.py # 数据模型 ├── docs/ # 文档 └── tests/ # 测试 ``` --- ## 当前实现状态 ### 总体进度：约 65% 完成 | 阶段 | 功能模块 | 状态 | 完成度 | 关键文件 | |------|----------|------|--------|----------| | 1 | 数据获取 | ✅ 完成 | 95% | `services/market_data.py`, `common/option_data.py` | | 2 | 数据增强 | ✅ 完成 | 90% | `common/technical_indicators.py`, `common/market_state.py`, `common/stock_data.py` | | 3 | 策略分析 | ✅ 完成 | 90% | `strategies/` | | 4 | 信号聚合 | ❌ 缺失 | 0% | - | | 5 | AI筛选 | ❌ 缺失 | 0% | - | | 6 | 执行决策 | ⚠️ 部分 | 30% | `services/trade.py` | | 7 | 投资组合管理 | ✅ 完成 | 85% | `services/risk_service.py`, `common/playbooks.py` | | 8 | 通知与报告 | ⚠️ 部分 | 20% | 日志系统 | --- ## 缺失功能分析（按阶段顺序） ### 阶段 1：数据获取 - Save Snapshot **实现状态：✅ 已完成（95%）** **当前功能：** - ✅ IBKRDataFetcher 完整实现（连接IBKR、获取期权链、行情数据） - ✅ 智能过滤近月和LEAPS期权 - ✅ 距离排序选择±8档行权价 - ✅ 完整持久化（Parquet + CSV + 数据库） - ✅ 调度器支持定时抓取 - ✅ 本地缓存支持（LocalDataFetcher） **评估：** 功能完整度极高，超越原workflow要求，增加了调度器和本地缓存功能。 --- ### 阶段 2：数据增强 - 股票数据、技术指标、市场状态分类 **实现状态：✅ 已完成（90%）** **当前功能：** - ✅ TechnicalIndicatorProcessor：完整实现，支持 MA5/MA10/MA30 移动平均线 - ✅ MarketStateClassifier：基于移动平均线的三种市场状态分类（BULL/UPTREND/BEAR） - ✅ StockDataFetcher：从 IBKR 获取历史数据的完整实现 - ✅ MarketStateProvider 协议：DictMarketStateProvider 和 StockMarketStateProvider - ✅ 策略集成：已修复所有策略中的导入路径 **关键文件路径：** - `src/ibkr_mcp/common/technical_indicators.py` - ✅ 已完成 - `src/ibkr_mcp/common/market_state.py` - ✅ 已完成 - `src/ibkr_mcp/common/stock_data.py` - ✅ 已完成 - `src/ibkr_mcp/common/__init__.py` - ✅ 已更新导出 **评估：** 功能完整度极高，完整复用了 optionscanner 久经验证的数据增强架构。 --- ### 阶段 3：策略分析 - Iron Condor、Covered Call、PMCC等策略 **实现状态：✅ 已完成（90%）** **当前功能：** - ✅ Iron Condor：完整实现，目标Δ: ±0.16，最小信用$1，价差宽度控制 - ✅ Covered Call：实现，基于年化收益率阈值 - ✅ PMCC：完整日历价差策略（LEAPS + 短期期权） - ✅ Put Credit Spread：信用看跌价差 - ✅ Vertical Spread：垂直价差通用框架 - ✅ TradeSignal 数据结构标准化 **关键文件路径：** - `src/ibkr_mcp/strategies/strategy_iron_condor.py` - `src/ibkr_mcp/strategies/strategy_covered_call.py` - `src/ibkr_mcp/strategies/strategy_pmcc.py` - `src/ibkr_mcp/strategies/strategy_put_credit_spread.py` - `src/ibkr_mcp/strategies/strategy_vertical_spread.py` **评估：** 策略实现完整且功能丰富，参数配置灵活，超越原workflow要求 --- ### 阶段 4：信号聚合 - 多策略信号合并 **实现状态：❌ 缺失（0%）** **核心问题：** 无法将多个策略的信号整合和排序 **缺失组件：** - ❌ 信号聚合器（Signal Aggregator） - ❌ 退出推荐系统（Exit Recommendations） - ❌ 信号 CSV 导出功能（signals_{timestamp}.csv） - ❌ 止损/获利了结逻辑 - ❌ 位置缓存记录（position_cache.py） **关键文件路径：** - 需要新建：`src/ibkr_mcp/core/signal_aggregator.py` - 需要新建：`src/ibkr_mcp/core/exit_recommender.py` - 需要新建：`src/ibkr_mcp/core/signal_exporter.py` **与workflow对应：** - 原流程要求：aggregated_signals List[Tuple]、exit_recommendations、DataFrame Export - 实际缺失：完全未实现聚合逻辑 **影响：** 阻断整个工作流程，用户无法获得综合的交易建议 --- ### 阶段 5：AI筛选 - Gemini AI信号筛选 **实现状态：❌ 缺失（0%）** **核心问题：** 无 AI 驱动的信号筛选和排名 **缺失组件：** - ❌ Gemini AI 集成 - ❌ AI 提示词系统（System Prompt + User Prompt） - ❌ JSON 响应解析 - ❌ BatchSelectionResult 结构 - ❌ selections: List[GeminiSelection] **关键文件路径：** - 需要新建：`src/ibkr_mcp/ai/gemini_client.py` - 需要新建：`src/ibkr_mcp/ai/prompt_templates.py` - 需要新建：`src/ibkr_mcp/ai/response_parser.py` **与workflow对应：** - 原流程要求：System Prompt、User Prompt、JSON响应解析、finalists数组 - 实际缺失：完全未实现AI筛选功能 **影响：** 无法利用 AI 进行智能信号筛选和风险评估 --- ### 阶段 6：执行决策 - 自动交易执行 **实现状态：⚠️ 部分完成（30%）** **当前功能：** - ⚠️ `services/trade.py` 仅包含占位符注释 **缺失组件：** - ❌ 订单构建逻辑（TradeExecutor._build_plan()） - ❌ 自动交易执行引擎 - ❌ 构建期权合约（Option） - ❌ 资格验证（qualifyContracts） - ❌ 价格推导（derive_price） - ❌ 构建订单（Limit/Market） - ❌ 提交订单（placeOrder） - ❌ Slack 通知集成 **关键文件路径：** - 当前：`src/ibkr_mcp/services/trade.py`（仅为占位符） - 需要新建：`src/ibkr_mcp/execution/trade_executor.py` - 需要新建：`src/ibkr_mcp/execution/order_builder.py` **与workflow对应：** - 原流程要求：Slack通知、自动交易执行、手动确认 - 实际缺失：核心交易执行逻辑未实现 **影响：** 策略信号无法转化为实际交易 --- ### 阶段 7：投资组合管理 - 风险评估、playbook引擎 **实现状态：✅ 已完成（85%）** **当前功能：** - ✅ Greeks计算（Delta、Gamma、Vega、Theta、Rho） - ✅ 风险评估系统（RiskEvaluator） - ✅ PlaybookEngine（PMCC、Condor处理） - ✅ 风险限制检查（集中度、流动性等） - ✅ 投资组合摘要生成 - ✅ 位置加载和标准化 **关键文件路径：** - `src/ibkr_mcp/services/risk_service.py` - `src/ibkr_mcp/common/playbooks.py` - `src/ibkr_mcp/common/rules.py` - `src/ibkr_mcp/services/portfolio.py` **评估：** 功能完整且实现质量高，超越原workflow要求 --- ### 阶段 8：通知与报告 - 文件输出、Slack通知 **实现状态：⚠️ 部分完成（20%）** **当前功能：** - ✅ Loguru日志系统完整实现 - ⚠️ 文件输出部分实现（option_data.py中有CSV/Parquet导出） **缺失组件：** - ❌ Slack 通知系统（发送信号、附CSV） - ❌ 报告生成器（CSV报告、JSON数据、TXT摘要） - ❌ Email 告警 - ❌ 执行结果通知 - ❌ 风险摘要推送 - ❌ Webhook 回调 **关键文件路径：** - 当前：分散在各模块中的日志记录 - 需要新建：`src/ibkr_mcp/notifications/slack_notifier.py` - 需要新建：`src/ibkr_mcp/notifications/report_generator.py` **与workflow对应：** - 原流程要求：文件输出、Slack通知、日志记录 - 实际缺失：Slack集成和专门报告模块 **影响：** 用户无法及时获得关键信息和警报 --- ## 开发优先级路线图（按阶段顺序） ### 📊 总体优先级策略 在保持8个阶段顺序的前提下，根据各阶段对工作流程的重要性进行分级： - **🔴 阻断性阶段**：缺失将导致整个工作流程无法运行 - **🟡 重要阶段**：显著提升系统功能和性能 - **🟢 增强阶段**：改善用户体验，非核心功能 --- ### 阶段 1：数据获取（Save Snapshot） **状态：✅ 已完成（95%）** | **优先级：已完成** **当前进展：** - IBKRDataFetcher 完整实现 - 调度器支持定时抓取 - 完整持久化（Parquet + CSV + 数据库） **结论：** 无需开发，可直接使用 --- ### 阶段 2：数据增强（技术指标、市场状态） **状态：✅ 已完成（90%）** | **优先级：已完成** **当前进展：** - TechnicalIndicatorProcessor 完整实现 - MarketStateClassifier 完整实现 - StockDataFetcher 完整实现 - MarketStateProvider 协议完整实现 - 所有策略导入路径已修复 **交付物：** - ✅ TechnicalIndicatorProcessor 类（MA5/MA10/MA30） - ✅ MarketStateClassifier（趋势、波动率、市场情绪） - ✅ StockDataFetcher（历史数据获取） - ✅ MarketStateProvider 协议实现 - ✅ 与现有策略的集成 **结论：** 无需开发，现有功能已满足需求 --- ### 阶段 3：策略分析（Iron Condor、Covered Call、PMCC） **状态：✅ 已完成（90%）** | **优先级：已完成** **当前进展：** - 5种期权策略完整实现 - TradeSignal 数据结构标准化 - 参数配置灵活 **结论：** 无需开发，现有功能已满足需求 --- ### 阶段 4：信号聚合（多策略信号合并） **预计时间：2-3 周** | **优先级：🔴 阻断性** **开发原因：** - **阻断整个工作流程** - 无聚合则无法进行后续步骤 - 用户无法获得综合的交易建议 - 是AI筛选和执行决策的基础 - 缺失将导致整个系统价值无法体现 **依赖关系：** - 前置条件：阶段3策略分析（已完成） - 后置影响：阶段5 AI筛选和阶段6执行决策依赖此输出 **交付物：** - SignalAggregator 类（信号合并和评分） - ExitRecommendation 引擎（退出推荐） - SignalExporter（CSV/JSON导出） - 单元测试和文档 **开发建议：** 高优先级，在阶段2完成后立即开始 --- ### 阶段 5：AI筛选（Gemini AI信号筛选） **预计时间：2-3 周** | **优先级：🟡 重要（可用简单排序替代）** **开发原因：** - 利用AI进行智能信号筛选和排名 - 提供专业的交易建议 - 提升决策质量 - **可用简单评分排序替代** - 非阻断性 **依赖关系：** - 前置条件：阶段4信号聚合（必需） - 后置影响：为阶段6执行决策提供筛选后信号 **交付物：** - GeminiClient（Gemini API集成） - PromptTemplates（System + User Prompt） - ResponseParser（JSON响应解析） - AIFilter（AI筛选器） **开发建议：** 中优先级，阶段4完成后开始，可考虑先用简单排序替代 --- ### 阶段 6：执行决策（自动交易执行） **预计时间：3-4 周** | **优先级：🔴 阻断性** **开发原因：** - 策略信号的最终目标 - 将分析转化为行动 - 用户价值实现的关键环节 - **涉及真实资金** - 需谨慎实现 - 缺失将导致系统只能分析不能执行 **依赖关系：** - 前置条件：阶段5 AI筛选（或简单排序） - 后置影响：阶段7投资组合管理需要执行结果 **交付物：** - TradeExecutor（自动交易执行引擎） - OrderBuilder（订单构建器） - RiskValidator（风控验证） - ExecutionConfig（执行配置，默认模拟模式） **安全考虑：** - **默认启用模拟交易模式** - 多层风险验证 - 详细的执行日志 **开发建议：** 高优先级，阶段5完成后开始，需重点关注风控 --- ### 阶段 7：投资组合管理（风险评估、playbook引擎） **状态：✅ 已完成（85%）** | **优先级：已完成** **当前进展：** - Greeks计算完整 - RiskEvaluator和PlaybookEngine已实现 - 风险限制检查功能完整 **结论：** 无需开发，现有功能已超越需求 --- ### 阶段 8：通知与报告（Slack通知、文件输出） **预计时间：1-2 周** | **优先级：🟢 增强（用户体验）** **开发原因：** - 提升用户体验 - 及时通知关键信息 - 非核心功能，可后续添加 - 与工作流程解耦，可独立开发 **依赖关系：** - 前置条件：无（可在任何时候开始） - 独立功能：与其他阶段解耦 **交付物：** - SlackNotifier（Slack通知） - ReportGenerator（报告生成） - EmailNotifier（Email告警） - WebhookHandler（Webhook回调） **开发建议：** 低优先级，可在其他阶段完成后并行开发 --- ### 🚀 优先级总结 **开发顺序建议：** 1. **立即开始（高优先级）：** - 阶段 4：信号聚合（2-3周）**【阻断性】** 2. **中期开发（中优先级）：** - 阶段 5：AI筛选（2-3周）**【可替代】** - 阶段 6：执行决策（3-4周）**【阻断性】** 3. **后期开发（低优先级）：** - 阶段 8：通知报告（1-2周）**【增强功能】** **总开发时间：8-10周（阶段2已完成，并行开发可缩短至6-8周）** --- ## 详细实施计划（按阶段顺序） ### 阶段 2：数据增强模块 **状态：✅ 已完成（90%）** | **优先级：已完成** **目标：** 借鉴optionscanner项目的数据增强模块，为策略分析提供技术指标和市场状态数据 **关键文件：** ``` src/ibkr_mcp/common/ ├── technical_indicators.py # ✅ 技术指标计算 ├── market_state.py # ✅ 市场状态分类 └── stock_data.py # ✅ 股票数据获取 ``` **实施状态：** - ✅ 第1周：基础模块（technical_indicators.py, market_state.py） - ✅ 第2周：数据获取（stock_data.py） - ✅ 第3周：整合优化（修复import + 测试） **交付物：** - ✅ TechnicalIndicatorProcessor 类（MA5/MA10/MA30） - ✅ MarketStateClassifier（趋势、波动率、市场情绪） - ✅ StockDataFetcher（历史数据获取） - ✅ MarketStateProvider 协议实现 **结论：** 完整复用了 optionscanner 久经验证的数据增强架构 **详细实现：** 请参阅 [stage2-data-enhancement-implementation.md](stage2-data-enhancement-implementation.md) --- ### 阶段 4：信号聚合模块 **里程碑 4.1：信号聚合与退出推荐** | **预计时间：2-3 周** #### 目标 实现多策略信号的聚合、排序和推荐功能 #### 关键文件 ``` src/ibkr_mcp/core/ ├── signal_aggregator.py # 信号聚合器 ├── exit_recommender.py # 退出推荐引擎 └── signal_exporter.py # 信号导出功能 ``` #### 核心类设计 **SignalAggregator 类** ```python @dataclass class SignalAggregator: """聚合多个策略的信号并生成综合排名""" def aggregate(self, signals: List[TradeSignal], context: Dict[str, Any]) -> List[AggSignal]: """聚合信号并返回排名后的列表""" def score_signals(self, signals: List[TradeSignal]) -> List[Tuple[TradeSignal, float]]: """为信号评分""" def deduplicate_signals(self, signals: List[TradeSignal]) -> List[TradeSignal]: """去重相似信号""" ``` **ExitRecommendation 类** ```python @dataclass class ExitRecommendation: """退出推荐""" signal_id: str action: str # 'CLOSE', 'ROLL', 'HOLD' reason: str urgency: str # 'LOW', 'MEDIUM', 'HIGH' target_price: Optional[float] timestamp: datetime @dataclass class ExitRecommendationEngine: """退出推荐引擎""" def generate_recommendations(self, positions: List[Position], signals: List[TradeSignal]) -> List[ExitRecommendation]: """生成退出推荐""" def check_profit_targets(self, position: Position) -> Optional[ExitRecommendation]: """检查获利了结条件""" def check_stop_loss(self, position: Position) -> Optional[ExitRecommendation]: """检查止损条件""" ``` #### 实施步骤 1. **第 1 周** - 设计 SignalAggregator 类 - 实现信号合并逻辑和评分算法 - 添加单元测试 2. **第 2 周** - 实现 ExitRecommendation 引擎 - 添加止损/获利逻辑 - 集成风险评估 3. **第 3 周** - 实现信号导出（CSV/JSON） - 性能优化 - 文档和示例 #### 使用示例 ```python # 使用示例 aggregator = SignalAggregator() signals = [iron_condor_signals, covered_call_signals, pmcc_signals] aggregated = aggregator.aggregate(signals, market_context) exporter = SignalExporter() exporter.export_to_csv(aggregated, f"signals_{timestamp}.csv") ``` --- ### 阶段 5：AI筛选系统 **里程碑 5.1：Gemini AI信号筛选** | **预计时间：2-3 周** #### 目标 集成 Gemini AI 进行智能信号筛选和排名 #### 关键文件 ``` src/ibkr_mcp/ai/ ├── gemini_client.py # Gemini API 客户端 ├── prompt_templates.py # 提示词模板 ├── response_parser.py # 响应解析器 └── ai_filter.py # AI 筛选器 ``` #### 核心类设计 **GeminiClient 类** ```python class GeminiClient: """Gemini API 客户端""" def __init__(self, api_key: str): self.client = genai.GenerativeModel('gemini-pro') async def analyze_signals(self, signals: List[AggSignal]) -> AIAnalysisResult: """分析信号并返回排名""" class PromptTemplates: """提示词模板""" SYSTEM_PROMPT = """ You are an options desk lead trader with 15 years of experience. Analyze the provided option trading signals and rank them by risk-adjusted returns. Consider: delta exposure, volatility skew, time decay, and market conditions. """ @staticmethod def build_user_prompt(signals: List[AggSignal]) -> str: """构建用户提示词""" prompt = "Analyze these option trading signals:\n\n" for i, signal in enumerate(signals, 1): prompt += f"{i}. {signal.strategy} | {signal.symbol} | Strike: {signal.strike} | " prompt += f"Expiry: {signal.expiry} | Type: {signal.option_type} | " prompt += f"Expected Return: {signal.expected_return:.2%}\n" return prompt ``` **AIFilter 类** ```python @dataclass class AIAnalysisResult: """AI分析结果""" finalists: List[GeminiSelection] summary: str reasoning: str @dataclass class GeminiSelection: """Gemini选择的信号""" id: int score: float reason: str class AIFilter: """AI 驱动的信号筛选器""" def __init__(self, gemini_client: GeminiClient): self.client = gemini_client async def filter_signals(self, signals: List[AggSignal]) -> List[AggSignal]: """使用 AI 筛选信号""" ``` #### 实施步骤 1. **第 1 周** - 实现 GeminiClient - 设计 Prompt 模板（System Prompt + User Prompt） - 单元测试 2. **第 2 周** - 实现 ResponseParser（解析JSON响应） - 集成 AI 分析 - 添加错误处理 3. **第 3 周** - 实现 AIFilter - 性能优化和缓存 - 文档和示例 #### 使用示例 ```python # 使用示例 ai_filter = AIFilter(GeminiClient(api_key)) filtered_signals = await ai_filter.filter_signals(aggregated_signals) ``` --- ### 阶段 6：执行决策系统 **里程碑 6.1：自动交易执行** | **预计时间：3-4 周** #### 目标 实现从信号到订单的自动化交易执行 #### 关键文件 ``` src/ibkr_mcp/execution/ ├── trade_executor.py # 交易执行器 ├── order_builder.py # 订单构建器 ├── risk_validator.py # 风控验证 └── execution_config.py # 执行配置 ``` #### 核心类设计 **TradeExecutor 类** ```python @dataclass class ExecutionConfig: """执行配置""" simulate_only: bool = True # 默认模拟交易 max_position_size: float = 10000.0 risk_limits: Dict[str, float] class TradeExecutor: """自动化交易执行引擎""" def __init__(self, ib: IB, config: ExecutionConfig): self.ib = ib self.config = config async def execute_signal(self, signal: AggSignal) -> ExecutionResult: """执行单个信号""" async def execute_signals(self, signals: List[AggSignal]) -> List[ExecutionResult]: """批量执行信号""" def _validate_trade(self, signal: AggSignal) -> ValidationResult: """验证交易合规性""" ``` **OrderBuilder 类** ```python class OrderBuilder: """从信号构建 IBKR 订单""" @staticmethod def build_option_order(signal: AggSignal) -> Order: """构建期权订单""" @staticmethod def build_stock_order(signal: AggSignal) -> Order: """构建股票订单（用于 Covered Call）""" @staticmethod def build_iron_condor_order(signals: List[AggSignal]) -> List[Order]: """构建铁鹰四腿订单""" ``` #### 实施步骤 1. **第 1-2 周** - 设计 OrderBuilder 类 - 实现期权订单构建逻辑（单一腿和组合腿） - 添加模拟交易模式（默认启用） 2. **第 3 周** - 实现 TradeExecutor 类 - 添加风险验证逻辑 - 集成 IBKR API 3. **第 4 周** - 实现批量执行和订单管理 - 添加错误处理和重试机制 - 全面测试和文档 #### 风险控制 ```python def _validate_trade(self, signal: AggSignal) -> ValidationResult: """多重验证""" # 1. 资金检查 # 2. 风险限额检查 # 3. 集中度检查 # 4. 流动性检查 # 5. 合规性检查 ``` --- ### 阶段 8：通知与报告系统 **里程碑 8.1：多渠道通知与报告** | **预计时间：1-2 周** #### 目标 实现多渠道通知和自动报告生成 #### 关键文件 ``` src/ibkr_mcp/notifications/ ├── slack_notifier.py # Slack 通知 ├── email_notifier.py # Email 通知 ├── report_generator.py # 报告生成器 └── webhook_handler.py # Webhook 回调 ``` #### 核心类设计 **SlackNotifier 类** ```python class SlackNotifier: """Slack 通知器""" def __init__(self, webhook_url: str): self.webhook_url = webhook_url async def send_signal_notification(self, signals: List[AggSignal]): """发送交易信号通知""" async def send_execution_result(self, result: ExecutionResult): """发送执行结果通知""" async def send_risk_alert(self, alert: RiskAlert): """发送风险警报""" ``` **ReportGenerator 类** ```python class ReportGenerator: """报告生成器""" def generate_daily_report(self, date: date) -> str: """生成日报""" def generate_trade_summary(self, executions: List[ExecutionResult]) -> str: """生成交易摘要""" def export_to_csv(self, data: Any, filename: str): """导出CSV文件""" ``` #### 实施步骤 1. **第 1 周** - 实现 SlackNotifier - 添加基础通知模板 - 单元测试 2. **第 2 周** - 实现 ReportGenerator - 添加 EmailNotifier 和 WebhookHandler - 集成测试和文档 #### 通知模板示例 ```python SIGNAL_TEMPLATE = """ 🚀 New Option Trading Signals 📊 Signal Count: {count} 💰 Total Expected Return: {total_return:.2%} ⚡ Top Signal: {top_signal} Details: {details} """ ``` --- ## 技术选型与架构设计 ### 信号聚合架构 ```mermaid graph TD A[多策略信号] --> B[SignalAggregator] B --> C[风险评估] B --> D[市场上下文] C --> E[信号排序] D --> E E --> F[聚合信号列表] F --> G[ExitRecommendation] G --> H[信号导出] ``` ### 交易执行架构 ```mermaid graph TD A[聚合信号] --> B[TradeExecutor] B --> C[风险验证] C --> D{验证通过?} D -->|是| E[构建订单] D -->|否| F[拒绝执行] E --> G[模拟交易] G --> H[提交到IBKR] H --> I[执行结果] ``` ### AI 筛选架构 ```mermaid graph TD A[聚合信号] --> B[AIFilter] B --> C[格式化数据] C --> D[构建Prompt] D --> E[调用Gemini API] E --> F[解析响应] F --> G[生成排名] G --> H[筛选后信号] ``` ### 数据增强架构 ```mermaid graph TD A[期权链数据] --> B[TechnicalIndicators] A --> C[MarketDataProvider] C --> D[历史价格] D --> B B --> E[技术指标] C --> F[市场状态] E --> G[增强快照] F --> G ``` --- ## 时间估算与里程碑（按阶段顺序） ### 总时间线：8-10 周 ``` 阶段实施顺序（按工作流程） ✅ 阶段 2：数据增强（已完成） └── 里程碑 2.1：技术指标计算 阶段 4：信号聚合（2-3 周） └── 里程碑 4.1：信号聚合与退出推荐 阶段 5：AI筛选（2-3 周） └── 里程碑 5.1：Gemini AI信号筛选 阶段 6：执行决策（3-4 周） └── 里程碑 6.1：自动交易执行 阶段 8：通知与报告（1-2 周） └── 里程碑 8.1：多渠道通知与报告 阶段 9：集成测试与优化（2-3 周） ├── 端到端测试 ├── 性能优化 └── 文档完善 ``` ### 详细里程碑时间表 | 阶段 | 里程碑 | 时间 | 累计周数 | 交付物 | |------|--------|------|----------|--------| | ✅ 阶段 2 | M2.1：技术指标计算 | 已完成 | 第 1-2 周 | TechnicalIndicators、MarketStateClassifier | | 阶段 4 | M4.1：信号聚合 | 2-3 周 | 第 3-5 周 | SignalAggregator、ExitRecommendationEngine | | 阶段 5 | M5.1：AI筛选 | 2-3 周 | 第 5-8 周 | GeminiClient、AIFilter | | 阶段 6 | M6.1：执行决策 | 3-4 周 | 第 8-12 周 | TradeExecutor、OrderBuilder | | 阶段 8 | M8.1：通知报告 | 1-2 周 | 第 12-13 周 | SlackNotifier、ReportGenerator | | 阶段 9 | M9：发布准备 | 2-3 周 | 第 13-15 周 | 生产就绪版本 | ### 并行开发建议 虽然按照阶段顺序分析，但某些模块可以并行开发以加快进度： **并行开发组 1（3-5 周同时进行）：** - 阶段 4：信号聚合 - 阶段 5：AI筛选（前期设计） **并行开发组 2（8-12 周同时进行）：** - 阶段 6：执行决策 - 阶段 8：通知报告 **串行开发（必须按顺序）：** - 阶段 5 必须在 阶段 4 完成后开始（依赖聚合信号） - 阶段 6 必须在 阶段 5 完成后开始（依赖AI筛选结果） ### 关键路径分析 **最长路径：阶段 4 → 阶段 5 → 阶段 6 = 7-10 周** **可并行路径：** - 阶段 8 可以在任何时间开始 - 阶段 6 的后半部分可以与阶段 8 并行开发 ### 发布策略 **Alpha 版本（完成阶段 4-5）：** - 目标：第 8 周 - 包含：信号聚合、AI筛选、基础报告 **Beta 版本（完成阶段 4-6）：** - 目标：第 12 周 - 包含：完整工作流程（不含AI或简化AI） **Production 版本（完成所有阶段）：** - 目标：第 15 周 - 包含：完整功能，包括AI筛选和通知系统 --- ## 风险评估与缓解策略 ### 技术风险 #### 🔴 高风险 **1. IBKR API 限制** - **风险：** API 调用频率限制可能导致数据获取失败 - **缓解：** 实现请求节流和重试机制，使用缓存减少 API 调用 **2. 交易执行风险** - **风险：** 自动化交易可能带来资金损失 - **缓解：** 强制模拟交易模式作为默认，添加多层风控验证 #### 🟡 中风险 **3. Gemini AI 依赖** - **风险：** 外部 API 不可用或成本过高 - **缓解：** 提供本地排序算法作为备选方案 **4. 数据质量** - **风险：** 实时数据延迟或不准确 - **缓解：** 多数据源验证，数据质量检查 ### 项目风险 #### 🔴 高风险 **5. 开发进度延期** - **风险：** 复杂功能可能导致开发延期 - **缓解：** 采用敏捷开发，分阶段交付，优先实现核心功能 #### 🟡 中风险 **6. 测试覆盖不足** - **风险：** 金融交易系统需要高度可靠的测试 - **缓解：** 实施全面的单元测试、集成测试和回测 ### 缓解策略总结 1. **分阶段实施** - 先实现核心功能（P0） - 再添加增强功能（P1/P2） - 每个阶段独立测试 2. **模拟模式优先** - 所有交易功能默认启用模拟模式 - 明确标识真实交易模式 3. **多层验证** - 数据验证 - 风险验证 - 执行验证 4. **可观测性** - 详细的日志记录 - 实时监控 - 告警机制 --- ## 下一步行动 ### 立即行动项（本周内） 1. **确认优先级** - 与团队确认 P0 里程碑的重要性 - 分配开发资源 2. **启动信号聚合开发** - 创建核心模块目录结构 - 开始 SignalAggregator 类的设计 3. **建立开发规范** - 代码风格指南 - 测试标准 - 文档规范 ### 短期目标（2-4 周） 1. **完成里程碑 1** - 信号聚合模块 - 基础单元测试 2. **启动里程碑 2** - 交易执行系统 - 风险验证框架 ### 中期目标（2-3 个月） 1. **完成所有 P0 和 P1 里程碑** 2. **实现端到端工作流程** 3. **完成全面测试** ### 长期目标（3-6 个月） 1. **生产环境部署** 2. **用户培训和文档** 3. **持续优化和改进** --- ## 结论 ibkr-mcp 项目已经具备了坚实的**数据获取**、**数据增强**、**策略分析**和**风险管理**基础，整体完成度达到 **65%**。主要缺口在于**信号聚合**和**交易执行**这两个核心环节。 通过按照本计划分阶段实施，项目可以在 **8-10 周内**完成所有核心功能，实现从数据获取到交易执行的完整工作流程。 **关键成功因素：** 1. 优先解决阻断性问题（信号聚合） 2. 谨慎实施交易执行功能 3. 持续测试和验证 4. 保持代码质量和文档更新 **已完成阶段：** - ✅ 阶段 1：数据获取（95%） - ✅ 阶段 2：数据增强（90%）**【新增完成】** - ✅ 阶段 3：策略分析（90%） - ✅ 阶段 7：投资组合管理（85%） 本计划将指导团队高效推进项目，最终交付一个功能完整、稳定可靠的期权交易分析系统。