基线策略，代码框架固定。EVOLVE-BLOCK 标注了 LLM 可变异区域。Run1 只进化 set_target（仓位逻辑），run2 只进化 set_limit_order（下单逻辑）。

Baseline 表现: PnL(adj)=$-325,958, Sharpe=-26.92, Calmar=-1.00, Trades=290,201 — 无利可图的高频噪音交易。

class DefaultPassiveExecutor:
    def __init__(self, sizing_factor=10_000, q_max=200_000, ...):
        self.context_correction_factor = 0  # 无上下文修正

    # EVOLVE-BLOCK-START run1 — LLM 只能改这个函数
    def set_target(self, state):
        alpha = state["alpha"]; alpha_sd = state["alpha_sd"]
        q_x = state["position_btc"]; mid_book = state["mid_book"]
        q_usd = q_x * mid_book
        k = self.sizing_factor / alpha_sd
        # 固定逻辑: alpha → 目标仓位
        long_target = self.sizing_factor * (alpha - fee) / alpha_sd
        short_target = self.sizing_factor * (alpha + fee) / alpha_sd
        target_pos_usd = np.clip(...)
        return {"side": side, "target_trade_qty": ..., "limit_order_depth": ...}
    # EVOLVE-BLOCK-END

    # 固定不变的下单逻辑
    def set_limit_order(self, state, target):
        if target["side"] is None: return None
        limit_price = mid_book * np.exp(-sign * depth)
        return {"side": ..., "limit_price": limit_price, ...}

PnL(adj)=$34,559, Sharpe=0.88, Calmar=0.81, Trades=23, Win=49.3%

从 -$326K 到 +$34.6K，交易次数从 290K 降到 23 次——策略学会了"少而精"。

# === Run1 进化出的核心改进 ===
SIZING_FACTOR = 20000.0         # 基线 10K → 20K（更大胆的仓位）
TOTAL_COST_RETURN = 0.0003      # [新增] 死区阈值：信号弱于成本则不交易
POSITION_LIMIT = 200000.0       # 仓位上限
INVENTORY_DECAY = 0.02          # [新增] 持仓均值回归：已持仓→减少追仓
RISK_REDUCTION_FACTOR = 0.8     # 风险模式：减仓至 80%
SMOOTHING = 0.85                # [新增] EMA 平滑：防过度换手
LAG_DECAY_RATE = 0.1            # [新增] 数据延迟指数衰减

# [关键改进 1] 死区过滤 — 信号太弱直接放弃
if abs(signal) < TOTAL_COST_RETURN:
    return {"side": None, ...}  # 不交易

# [关键改进 2] 持仓均值回归 — 已有多仓→减少继续追多
raw_target_usd = SIZING_FACTOR * (signal - cost) / alpha_sd
target_usd = raw_target_usd - INVENTORY_DECAY * pos_usd

# [关键改进 3] EMA 平滑 — 新旧目标加权，避免剧烈翻转
target_usd = SMOOTHING * target_usd + (1 - SMOOTHING) * prev_target

# [关键改进 4] 延迟惩罚 — 数据越旧，信号越弱
lag_factor = np.exp(-LAG_DECAY_RATE * data_lag_minutes)
target_usd *= lag_factor

PnL(adj)=$-86,942, Sharpe=-7.70, Trades=2,072, Win=49.2%

Run2 只改下单逻辑——尽管绝对收益仍负，但胜率接近 50%，说明下单层的优化确实有效。论文结论"执行层贡献最大"在这里体现。

# === Run2 进化出的核心改进 ===
# [关键改进] 动态限价深度 — 不再用固定值
base = OUTER_RISK_OFF if risk_reduction else OUTER_BASE
alpha_adj = 0.15 * abs(alpha) / alpha_sd    # 信号越强→挂单越激进
size_adj  = 0.10 * abs(qty) / q_max         # 仓位越大→挂单越深
lag_adj   = 1.0 - min(lag, 10) * 0.20       # 数据延迟→挂单更保守
depth = np.clip(base + alpha_adj + size_adj) * lag_adj
limit_price = mid_book * np.exp(-side * depth)

3 个简单因子：ema_ret_1/5/10 分钟 EMA 收益率。用固定 α=0.5 Ridge 回归预测 1/10/100/1000 分钟未来收益。

def default_calcset(ohlcv):
    close = ohlcv["close"]; returns = close.pct_change()
    return pd.DataFrame({
        "ema_ret_1":  returns.ewm(span=1).mean(),
        "ema_ret_5":  returns.ewm(span=5).mean(),
        "ema_ret_10": returns.ewm(span=10).mean(),
    })

# Ridge α=0.5 固定，预测 1/10/100/1000 分钟收益
model = Ridge(alpha=0.5)
model.fit(X, y[["return_1m","return_10m","return_100m","return_1000m"]])

ICIR 未归一化但趋势与归一化版本一致。适应度 = 0.4×R² + 0.3×IC + 0.3×ICIR/5（预测质量复合分数）。

# === LLM 自动发现的 22 因子 ===
def default_calcset(ohlcv):
    # 多尺度动量 (4因子)
    ema_ret_1  = returns.ewm(span=1).mean()
    ema_ret_5  = returns.ewm(span=5).mean()
    ema_ret_10 = returns.ewm(span=10).mean()
    ema_ret_20 = returns.ewm(span=20).mean()

    # 波动率 (3因子) — 波动率聚集
    vol_10     = returns.rolling(10).std()
    vol_short  = returns.rolling(3).std()
    vol_of_vol = vol_10.rolling(20).std()

    # 均值回归/趋势 (2因子)
    close_mom_10 = close / close.ewm(10).mean() - 1
    vol_ema_ratio = vol_10 / vol_10.ewm(20).mean() - 1

    # 成交量 (2因子)
    volume_rel_10 = volume / volume.ewm(10).mean() - 1
    vwr = (returns * volume).ewm(10).mean() / volume.ewm(10).mean()

    # 价格形态 (4因子)
    hl_range = (high - low) / close
    hl_smooth = hl_range.rolling(10).mean()
    close_open = (close - open_) / open_
    price_crossover = close.ewm(3).mean() / close.ewm(10).mean() - 1

    # 滞后收益 (4因子) — 自相关/反转
    ret_lag1/3/5/10 = returns.shift(1/3/5/10)

    # 衍生特征 (3因子)
    ret_accel = returns.ewm(3).mean() - ema_ret_5  # 动量加速度
    atr = true_range.ewm(14).mean() / close         # 真实波幅
    ret_zscore = returns.rolling(5).mean() / vol_short  # Z分数

    return pd.DataFrame({22个因子}).fillna(0)