黄兵的个人博客

Weights & Biases (W&B) 工具介绍

Weights & Biases (简称 W&B 或 wandb) 就像是给你的量化交易程序装上了一个“飞行数据记录仪（黑匣子）”加“云端可视化仪表盘”。

它最初是为深度学习算法工程师设计的，用来记录模型训练的成百上千个参数和结果。但因为它极其强大的“参数记录”和“时间序列数据可视化”能力，现在被大量顶尖的量化团队用来追踪回测和实盘实验。

1. W&B 在你当前项目中的核心作用

在你当前的 AI 加密货币量化项目中，你面临的核心痛点是：参数多（扫描频率、阈值）、指标复杂（Token 消耗、胜率、滑点）、测试周期长且容易遗忘版本差异。W&B 完美解决这些问题：

• 可视化 Token 与收益的“性价比”：你可以把每次 AI 唤醒消耗的 Token 数量和当前账户权益（Equity）一起推送到 W&B。网页端会自动画出折线图，让你直观看到“降频到 15 分钟”后，资金曲线是否依然平滑，Token 消耗曲线是否显著下降。

• 自动绑定 Git Commit：这是最神奇的功能。只要你在运行 Python 脚本的环境里初始化了 W&B，它会自动抓取当前的 Git Commit ID 和未提交的代码差异（Diff）。你在网页上看图表时，点击一下就能知道这张图对应的确切代码版本，完美解决“不知道回滚到哪里”的问题。

• 参数配置台（Config）：你可以把 min_ai_call_interval_sec、MA 斜率阈值、RSI 极值等写进 W&B 的 Config 里。每次跑完，网页上会自动生成一个表格，对比不同参数组合下的最终收益率。

2. 工作流升级：Markdown + W&B

引入 W&B 后，你的实验记录将变得极其严谨：

• EXPERIMENT_LOG.md：记录**“主观意图”**（我为什么要把空仓扫描改为 15 分钟，我预期的风险是什么）。

• W&B 看板：记录**“客观数据”**（跑了 7 天，画出了 100 张图表，最终结果是多少）。

pip install wandb
wandb login

运行 login 后，它会提示你打开浏览器注册一个免费账号，并提供一个 API Key 粘贴回终端。

第二步：在 main.py 中初始化配置

在你的程序入口处（比如 main.py 开始运行量化循环之前），定义这次实验的“变量”：

import wandb

# 初始化 W&B 实验
wandb.init(
    project="crypto-ai-quant",      # 项目大类名称
    name="Exp-0401-ScanOptimization", # 具体的实验名称（建议和 EXPERIMENT_LOG 对应）
    tags=["15min-scan", "AI-pruning", "OKX"], # 标签，方便以后按标签搜索
    config={
        "empty_scan_interval": 900,       # 空仓扫描间隔 (秒)
        "hold_scan_interval": 60,         # 持仓扫描间隔 (秒)
        "use_reversal_risk_pruning": True, # 是否启用剪枝逻辑
        "ai_model": "codex",              # 使用的 AI 模型
    }
)

第三步：在 PureAIReasoningStrategy 中记录数据

在你的量化主循环中（比如每次 K 线更新，或者 AI 执行完一次决策后），使用 wandb.log() 推送你想观察的指标：

class PureAIReasoningStrategy:
    # ... 其他逻辑 ...

    def process_tick(self, current_data):
        # 你的原有逻辑：判断是否触发 AI
        reversal_risk = self._has_reversal_risk(current_data)
        ai_triggered = False
        tokens_used = 0
        
        if reversal_risk:
            # 唤醒 AI 的逻辑...
            ai_triggered = True
            tokens_used = self.call_ai_and_get_tokens() # 假设你有一个获取消耗的方法

        # 计算当前账户总资产或盈亏
        current_equity = self.get_account_equity()

        # 【核心步骤】将数据打点推送到 W&B 云端
        wandb.log({
            "Account/Total Equity": current_equity,      # 资金曲线
            "AI/Tokens Used This Step": tokens_used,     # 单词 Token 消耗
            "AI/Trigger Count": 1 if ai_triggered else 0,# 触发次数 (图表上可看密集度)
            "Market/Current Price": current_data.price   # 行情对照
        })

第四步：结束实验（可选）

如果是实盘 7x24 小时运行，不用管它；如果是跑历史数据的回测，在回测结束时加上：

wandb.finish()

4. 运行后的效果

当你运行修改后的代码时，终端会打印出一个 W&B 的网页链接。点击进去，你将看到一个非常惊艳的控制台：

1. Workspace：自动为你刚才 log 的字典里的每一个键（如 Account/Total Equity）生成平滑的折线图。

2. Overview：显示你这次运行配置的 config 参数。

3. Code：直接展示你运行代码时的 Git 状态、Commit 记录，甚至会告诉你当前有没有未提交的脏代码（Dirty Tree）。

当你测试完 4H 降频版，接着测试 ATR 自适应止损版时，你可以在 W&B 的网页上选中这两次实验，它会把两条资金曲线和 Token 消耗曲线画在同一张图表上，孰优孰劣，一目了然。