MLPT-RC 项目架构设计与核心逻辑

┌─────────────────────────────────────────────────────────────────┐
│                         前端 (Vue 3)                             │
│  web/ → Vben Admin + Ant Design Vue + Vite + Pinia + TypeScript │
│  生产构建产物 → backend/static_web/                               │
└─────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────────┐
│                    后端 (Django + Ninja)                         │
│  backend/application/  │  backend/spot/     │  backend/slove/   │
│  backend/sider/        │  backend/xhxtapi/  │  backend/gwapi/   │
│  backend/trading/      │  backend/system/   │  backend/common/  │
│  backend/feishu/       │  backend/database/                     │
└─────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────────┐
│              数据层：MySQL / SQLite / 文件（Excel/模型）          │
│  电价预测模型 │ PMOS Excel │ xhxtapi 代理 │ 金风科技功率预测      │
│                        飞书机器人                                 │
└─────────────────────────────────────────────────────────────────┘

backend/slove/outputs/models/
└── current/           # 当前生产模型（7 个 .pkl + metadata.json），每天10:00自动训练更新
    ├── xinjiang_fe.pkl
    ├── xinjiang_h1_l3.pkl    # horizon 1 模型
    ├── xinjiang_h2_l3.pkl    # horizon 2 模型
    ├── xinjiang_h3_l3.pkl    # horizon 3 模型
    ├── xinjiang_h4_l3.pkl    # horizon 4 模型
    ├── xinjiang_morning_calib.pkl
    ├── xinjiang_physics.pkl
    └── metadata.json         # 训练元数据（样本范围、训练时间等）

slove 预测流程：

训练/预测任务 ──→ slove/train_xinjiang.py / predict_xinjiang.py
                          │
                          ▼
            输出 D+1~D+4 384 点电价
                          │
                          ▼
      写入 spot.PriceForecastRecord
                          │
                          ▼
       spot.api 提供给前端 dashboard / 滚动撮合页面
                          │
                          ▼
       actual_price_backfill.py 反向回填真实电价

外部数据
  ├── xhxtapi：中长期合同数据
  ├── PMOS Excel：实时报价排名
  ├── slove：日前电价预测
  └── gwapi：金风科技场站功率预测/实测电量（经 xhxt 接口）
           │
           ▼
  RollingMarketViewService.build_market_view()
           │
           ▼
  RollingStrategyService.generate_signals()
           │
           ▼
  PythonRuleService.execute() 逐小时执行规则
           │
           ▼
  生成 SpotRollingStrategyResult（24 点信号）
           │
           ▼
  前端可执行交易 → SpotTradeOperation → 更新 SpotRollingContract

RollingStrategyService.generate_signals(
    target_date, station_id, signal_mode
)
    │
    ▼
RollingMarketViewService.build_market_view()
    │
    ▼
if signal_mode == 'advanced':
    SignalProviderService.generate()  # 注入 rolling_arb_core 信号
    │
    ▼
逐小时构造 market 上下文
    │
    ▼
PythonRuleService.execute(station_id, target_date, hour, signal_mode, market)
    │
    ▼
匹配规则 → 按 priority 排序 → 链式执行
    │
    ▼
规则脚本 decide_action(...) 返回 {action, target_qty, trade_price, reason}
    │
    ▼
_compute_action_revenue() 计算收益
    │
    ▼
批量写入 SpotRollingStrategyResult

def decide_action(market, config, hour, target_date, station_id, station_code, default_action):
    # ...
    return {
        'action': 'BUY' | 'SELL' | 'HOLD',
        'target_qty': float,
        'trade_price': float,
        'reason': str,
        'predicted_ref_price': float,      # 可选
        'reference_price_source': str,     # 可选
    }

持仓率 = Q中长期 / Q实际上网

合理区间：
  下限 = max(0, 0.8 - 机制比例 m)
  上限 = 1.2 - 机制比例 m

持仓不足（under）：持仓率 < 下限
持仓过多（over） ：持仓率 > 上限

持仓不足（under）：
  R = (P日前(全网) − P中长期(全网)) × ((0.8−m)×Q实际上网 − Q中长期) × K

持仓过多（over）：
  R = (P中长期(全网) − P日前(全网)) × (Q中长期 − (1.2−m)×Q实际上网) × K

回收系数 K = 1
全月回收总额 = Σ24时点 R

查询贾赛交易员2026-06月日清分结算数据
查询新特1期场站昨天日清分总体结算
查询清能分公司最近3天中长期市场合计

飞书群 @MLPT_AI 消息
    │
    ▼
feishu_bot.py 接收事件
    │
    ▼
feishu_handler.py.handle_message()
    │
    ├── 日清分查询 → POST http://127.0.0.1:12345/clearing
    │       │
    │       ├── > 10 条 → 导出飞书在线表格（_send_clearing_sheet）
    │       └── ≤ 10 条 → 文本回复
    │
    ├── 统计查询 → 从上下文缓存计算 平均值/最大值/最小值/总和/中位数
    │
    └── 其他查询 → POST http://127.0.0.1:12345/query
            │
            ├── 在线表格模式 → 创建飞书表格 + 图表
            ├── 图表模式 → 发送折线图
            ├── CSV 模式 → 发送文件
            └── 默认 → 文本回复

1. 选择标的日期 Tab    ── select_date_tab()
   ├─ 匹配 .el-tabs__item 文本中的日期
   ├─ 点击 Tab 后等待 networkidle + 验证 is-active 状态
   └─ 验证 active tab 日期与目标日期一致

2. 选择交易单元         ── select_trading_unit()
   └─ 通过 input / __vue__ 实例设置 Element UI el-select

3. 点击"批量上报"       ── click_batch_report()
   ├─ 点击前验证当前 active tab 日期是否正确
   ├─ 检查按钮是否被禁用（11:00-15:00 限制）
   └─ 等待弹窗 networkidle + 3s 渲染

4. 填写网页表单         ── fill_web_form()
   ├─ 第一步：勾选复选框 + 填写电量/电价输入框
   └─ 第二步：设置买卖方向（td[6]/div 内的买入/卖出选项）

5. 提交申报             ── submit_declaration()
   ├─ dry_run=True → 跳过提交
   └─ dry_run=False → 定位提交按钮（当前已禁用点击，需手动启用）

# settings.py
PMOS_CDP_ENDPOINT = 'http://localhost:9222'
PMOS_TARGET_URL_PATTERN = 'pmos.xj.sgcc.com.cn'
PMOS_FRAME_URL_PATTERN = 'pxf-trade-auction-extranet'
PMOS_TRADING_UNIT_ID = ''       # 交易单元 ID
PMOS_TRADING_UNIT_NAME = ''      # 交易单元名称
PMOS_MARKET_MEMBER_ID = ''      # 市场主体 ID
PMOS_MARKET_MEMBER_NAME = ''     # 市场主体名称
PMOS_MARKET_MEMBER_TYPE = '10'  # 市场主体类型

mechanism_floor   = max(0.0, sell_qty_gen_ratio_min - mechanism_ratio)  # 默认 sell_qty_gen_ratio_min=0.8
mechanism_ceiling = max(0.0, sell_qty_gen_ratio_max - mechanism_ratio)  # 默认 sell_qty_gen_ratio_max=1.2
position_floor    = mechanism_floor * predicted_generation
position_ceiling  = mechanism_ceiling * predicted_generation

predicted_ref_price = slove_price 或 official_price（由 reference_price_source 决定）
contract_spread      = contract_price - predicted_ref_price
market_spread        = pmos_latest_price - predicted_ref_price
combined_spread      = contract_spread + market_spread_weight * market_spread

DEFAULT_PARAMS = {
    'reference_price_source': 'slove',
    'sell_qty_gen_ratio_min': 0.8,
    'sell_qty_gen_ratio_max': 1.2,
    'market_spread_weight': 1.0,
}


def to_number(v, default_val=0):
    if v is None:
        return default_val
    try:
        return float(v)
    except Exception:
        return default_val


def decide_action(market, config, hour, target_date, station_id, station_code, default_action):
    params = dict(DEFAULT_PARAMS)
    params.update(config.get('rule_params', {}) or {})

    predicted_ref_price = market.get('slove_price')
    if params['reference_price_source'] == 'official':
        predicted_ref_price = market.get('official_price')
    predicted_ref_price = to_number(predicted_ref_price, None)
    if predicted_ref_price is None:
        return {'action': 'HOLD', 'target_qty': 0, 'trade_price': None,
                'reason': '预测参考电价缺失，持有不动'}

    contract_qty = to_number(market.get('contract_qty'), 0)
    actual_qty = to_number(market.get('actual_qty'), 0)
    predicted_generation = to_number(market.get('predicted_generation'), 0)
    mechanism_ratio = to_number(market.get('mechanism_ratio'), 0)
    pmos_buy_price = market.get('pmos_buy_price')
    pmos_sell_price = market.get('pmos_sell_price')
    pmos_latest_price = market.get('pmos_latest_price')

    mechanism_floor = max(0.0, params['sell_qty_gen_ratio_min'] - mechanism_ratio)
    mechanism_ceiling = max(0.0, params['sell_qty_gen_ratio_max'] - mechanism_ratio)
    position_floor = mechanism_floor * predicted_generation
    position_ceiling = mechanism_ceiling * predicted_generation

    # 偏差考核强制修正：仓位越界先修正
    if actual_qty < position_floor and pmos_buy_price is not None:
        qty = position_floor - actual_qty
        return {'action': 'SELL', 'target_qty': qty, 'trade_price': pmos_buy_price,
                'reason': '合同电量低于偏差考核下界(预测发电量%.1fMW×%.2f倍)，强制卖出%.3fMW补齐' % (predicted_generation, mechanism_floor, qty)}
    if actual_qty > position_ceiling and pmos_sell_price is not None:
        qty = actual_qty - position_ceiling
        return {'action': 'BUY', 'target_qty': qty, 'trade_price': pmos_sell_price,
                'reason': '合同电量高于偏差考核上界(预测发电量%.1fMW×%.2f倍)，强制买回%.3fMW压降' % (predicted_generation, mechanism_ceiling, qty)}

    # 市场价差信号：最新成交价为空/"-"时视为 0
    latest_val = to_number(pmos_latest_price, 0)
    market_spread = latest_val - predicted_ref_price

    if market_spread < 0 and pmos_sell_price is not None:
        return {'action': 'BUY', 'target_qty': contract_qty, 'trade_price': pmos_sell_price,
                'reason': '市场价差%.2f<0（最新成交价%.2f-预测参考价%.2f），买入%.2fMW' % (market_spread, latest_val, predicted_ref_price, contract_qty)}
    if market_spread > 0 and pmos_buy_price is not None:
        target = predicted_generation * (0.8 - mechanism_ratio)
        if actual_qty < target:
            qty = target - actual_qty
            return {'action': 'SELL', 'target_qty': qty, 'trade_price': pmos_buy_price,
                    'reason': '市场价差%.2f>0，仓位低于偏差考核目标%.3f，卖出%.3fMW补齐' % (market_spread, target, qty)}

    return {'action': 'HOLD', 'target_qty': 0, 'trade_price': None,
            'reason': '市场价差%.2f，持有不动' % market_spread}

_result = decide_action(market, config, hour, target_date, station_id, station_code, default_action)