TradingBot：融合CatBoost与大语言模型的模块化加密货币量化交易系统

TradingBot是一个开源算法交易框架，整合传统机器学习（CatBoost）与大语言模型（LLM）推理能力，采用模块化架构设计，支持Kraken交易所的实盘与模拟交易。它旨在解决传统量化交易系统中单一模型难以捕捉复杂市场特征、研究到实盘部署转换成本高的问题，为研究者和交易者提供可扩展的解决方案。

加密货币市场具有高波动性和24/7全天候交易特性，为量化交易策略提供独特场景。但传统量化系统面临两大挑战：单一模型难以捕捉市场复杂非线性特征，研究到实盘部署转换成本高。TradingBot作为开源解决方案，通过模块化架构将数据工程、特征构建、模型推理和交易执行解耦，提供可扩展的算法交易框架。

TradingBot采用分层架构，分为数据收集层、特征工程层、模型推理层和交易执行层，各组件可独立开发替换。数据收集层从Kraken获取多时间粒度历史与实时数据，标准化存储；特征工程层内置移动平均线、RSI等传统指标，支持自定义特征，处理金融时间序列前视偏差问题。

模型推理层采用集成学习思路，结合CatBoost与LLM。CatBoost处理结构化市场数据，学习价格与技术指标关系，在类别特征处理上高效；LLM分析新闻、社交媒体等非结构化信息提取情绪信号，与技术指标互补；集成策略采用动态权重机制，根据市场环境调整两者权重（趋势市场CatBoost权重高，情绪波动市场LLM权重提升）。

回测引擎考虑交易成本、滑点、市场冲击等摩擦因素，支持在历史数据上验证策略，评估夏普比率、最大回撤等指标。系统支持模拟交易（Kraken模拟环境，无真实资金）和实盘交易，策略稳定后可无缝切换。

代码遵循面向对象设计，模块接口清晰，便于替换组件（如数据源、交易所API、模型架构）。系统行为通过配置文件控制（数据参数、特征选择、模型超参数等），策略调整无需修改代码。完善日志系统记录完整链路，支持日志级别配置和结构化输出，便于排查与监控。

TradingBot适合三类用户：量化研究学习者（通过源码理解流程）、策略开发者（快速验证新想法）、自动化交易者（部署回测后的策略）。建议初次使用从模拟交易开始，理解系统机制后再实盘；加密货币市场波动大，需设置严格风险控制参数。

TradingBot展示了传统ML与LLM结合构建完整算法交易系统的思路，模块化架构、配置驱动设计和集成策略提供参考。未来可进一步整合图表模式识别、视频分析等多模态能力，构建更智能的交易决策系统。