GMGN 聪明钱地址分析项目设计文档

项目概述

本项目旨在对GMGN平台上的聪明钱进行深度分析，识别高效投资策略和潜在的市场机会。

系统架构

• 数据获取层：dao_gmgn.py
• 存储层：service_gmgn_storage.py
• 服务层：service_gmgn.py
• 缓存层：token_market_cap_cache.py, token_trades_cache.py

地址筛选规则

排除规则

1. 资金规模筛选

1.1 SOL余额过滤

• 规则：SOL余额 < 1
• 目的：排除资金极其微小的地址
• 意义：过滤无实际交易能力的钱包

1.2 利润规模筛选

• 总利润规则：total_profit_u < 0
• 7天利润规则：profit_7d < 15,000 USD
• 30天利润规则：profit_30d < 25,000 USD
• 目的：聚焦有实际盈利能力的地址
• 意义：排除长期亏损或微小收益的地址

2. 交易行为分析

2.1 交易频率过滤

• 规则：30天内交易次数 > 3,000次
• 计算方式：buy_count_30d + sell_count_30d > 3,000
• 目的：排除异常高频交易地址
• 意义：识别可能存在机器人交易或刷量行为

2.2 投资回报率分析

• 30天ROI规则：profit_30d / cost_30d < 0.1
• 买入/卖出利润率均值规则：两者均 < 0.1
• 目的：评估投资效率
• 意义：筛选出投资策略低效的地址

3. 代币交易多样性

3.1 代币数量过滤

• 规则：30天交易币种 < 10个
• 目的：确保地址有足够的交易多样性
• 意义：排除单一币种或交易范围狭窄的地址

3.2 代币利润异常检测

• 最大单币种利润规则：最大代币利润 < 10,000 USD
• 异常利润分布规则：最大利润 > 第2-10名利润总和
• 目的：识别利润分布不均衡的地址
• 意义：发现可能存在操纵市场的异常交易模式

4. 成本与交易成本

4.1 零成本交易过滤

• 7天成本为0规则
• 30天成本为0规则
• 目的：排除没有实际交易成本的地址
• 意义：过滤可能是测试或模拟交易的钱包

5. 状态管理

5.1 删除状态处理

• 已标记删除的地址直接跳过
• 满足任一放弃规则，将状态设置为 Delete
• 目的：高效管理地址生命周期

排除规则的设计哲学

1. 多维度评估
2. 平衡精确性和包容性
3. 动态调整阈值
4. 持续优化算法

规则应用流程

1. 顺序检查每个规则
2. 一旦满足任一规则，立即标记为放弃
3. 记录详细的放弃原因
4. 定期审核和调整规则

割跟单识别规则

1. 预筛选条件

• 仅分析非删除状态的地址
• 必须具备 address_activities 交易活动记录
• 过滤掉市值 >= 100,000 USD 的代币

2. 时间窗口规则（快速交易检测）

2.1 时间间隔限制

• 检测时间窗口：60秒内
• 目标：识别短时间内的异常交易行为

2.2 交易序列要求

• 必须是连续的买入-卖出交易
• 买入交易必须在卖出交易之前
• 交易时间间隔 <= 60秒

3. 交易数据一致性分析

3.1 数量一致性

• 比较买入和卖出交易的基础数量
• 允许的误差范围：±5%
• 计算公式：|卖出数量 - 买入数量| / 买入数量 <= 0.05

3.2 数据验证标准

• 买入金额必须为正
• 卖出金额必须为正
• 排除异常或无效交易记录

4. 割跟单特征识别

4.1 高风险特征

• 60秒内完成买入和卖出
• 交易数量高度一致
• 交易代币市值较低（< 100,000 USD）

4.2 风险标记

• 识别到割跟单特征的地址
• 自动标记为 Delete 状态
• 在备注中添加 "割跟单" 标签

5. 日志与监控

• 记录每次检测的详细信息
• 输出可疑地址、代币地址和市值
• 使用 logger 记录关键步骤和异常

6. 缓存策略

• 使用 TokenTradesCache 缓存交易记录
• 使用 TokenMarketCapCache 缓存市值信息
• 减少重复网络请求，提高检测效率

7. 异常处理

• 捕获并记录检测过程中的异常
• 确保单个地址检测失败不影响整体流程

8. 检测输出

• 返回 potential_harvest_addresses 列表
• 包含可疑地址、代币地址和市值信息

割跟单识别的意义

• 保护投资者利益
• 识别市场中的异常交易行为
• 提供区块链交易透明度
• 帮助投资者规避高风险交易

打分规则（总分7.5分）

评分维度详解

1. 30天胜率 (1分)

• 直接使用 win_rate_30d 作为得分
• 胜率越高，得分越高
• 反映交易成功率

2. 7天盈利 (1分)

• 0-5万美元线性得分
• 计算公式：min(1.0, max(0.0, profit_7d / 50000))
• 鼓励短期稳定盈利

3. 30天盈利 (1分)

• 0-10万美元线性得分
• 计算公式：min(1.0, max(0.0, profit_30d / 100000))
• 评估中期投资表现

4. 利润稳定性 (0.5分)

• 比较7天和30天盈利比例
  • 比例 >= 2：满分0.5分
  • 1.5 <= 比例 < 2：0.25分
  • 比例 < 1：扣1分
• 反映盈利的持续性和一致性

5. 买入利润均值 (0.3分)

• 评估每次买入的平均盈利情况
• 根据平均买入成本和利润计算

6. 买入利润率均值 (0.7分)

• 评估买入交易的盈利率
• 关注相对收益

7. 卖出利润均值 (0.3分)

• 评估每次卖出的平均盈利情况
• 根据平均卖出成本和利润计算

8. 卖出利润率均值 (0.7分)

• 评估卖出交易的盈利率
• 关注相对收益

9. 买卖风格 (1分)

• 比较买入和卖出利润
• 如果卖出利润/买入利润 > 1.5，给予额外加分
• 奖励高效的交易策略

10. 总盈利 (1分)

• 1-5万美元线性得分
• 计算公式：min(1.0, max(0.0, (total_profit_u - 10000) / (50000 - 10000)))
• 评估整体盈利能力

11-16. 盈亏TOP占比 (各0.166分，共1分)

TOP盈利占比

• TOP1盈利占比 (0-50%)
• TOP5盈利占比 (0-75%)
• TOP10盈利占比 (0-100%)

TOP亏损占比

• 亏损TOP1占比 (0-50%)
• 亏损TOP5占比 (0-75%)
• 亏损TOP10占比 (0-100%)

评分标准

• 满分：7.5分
• 优秀：> 5分
• 良好：3-5分
• 一般：1-3分
• 较差：< 1分

评分目的

• 全面评估地址的投资能力
• 识别高效交易策略
• 量化投资风险和收益

缓存策略

1. 市值缓存 (TokenMarketCapCache)

• 缓存有效期：24小时
• 减少重复网络请求
• CSV持久化存储

2. 交易记录缓存 (TokenTradesCache)

• 缓存有效期：24小时
• 支持按代币地址和钱包地址缓存
• CSV持久化存储

错误处理与重试机制

1. 网络请求重试

• 最大重试次数：3次
• 指数退避策略
• 详细日志记录

性能优化

1. 缓存机制
2. 批量处理地址
3. 异常处理与快速失败

安全考虑

1. 不存储敏感个人信息
2. 使用安全的网络请求方式
3. 日志脱敏

未来改进方向

1. 机器学习风险预测模型
2. 实时监控系统
3. 更复杂的缓存淘汰策略
4. 多维度风险评分算法

技术栈

• Python
• Peewee ORM
• MySQL
• loguru
• requests/curl

注意事项

• 代码模块化
• 简洁明了的注释
• 类型提示
• 枚举类型增强可读性

项目操作SOP

环境准备

1. Python版本：3.8+
2. 安装依赖库

pip install peewee loguru requests pandas

项目文件结构

• dao_gmgn.py：数据获取层
• service_gmgn.py：核心服务层
• service_gmgn_storage.py：存储服务
• service_gmgn_ut_*：单元测试和功能验证脚本

单元测试脚本执行顺序

1. 获取利润Top 100地址

python service_gmgn_ut_1_获取利润top100地址.py

• 目的：获取盈利最高的100个地址
• 输出：Top 100地址列表

2. 地址统计信息

python service_gmgn_ut_2_地址统计信息.py

• 目的：统计地址的基本信息
• 输出：地址统计报告

3. 初步筛选地址

python service_gmgn_ut_3_初步筛选地址.py

• 目的：根据初步规则过滤地址
• 输出：筛选后的地址列表

4. 所有币的盈亏

python service_gmgn_ut_4_所有币的盈亏.py

• 目的：分析所有代币的盈亏情况
• 输出：代币盈亏详细信息

5. JSON数据检查

python service_gmgn_ut_5_检查是不是json.py

• 目的：验证JSON数据的有效性
• 输出：JSON数据检查报告

6. 二次筛选地址

python service_gmgn_ut_6_二次筛选地址.py

• 目的：进行更严格的地址筛选
• 输出：二次筛选后的地址列表

7. 地址打分

python service_gmgn_ut_7_打分.py

• 目的：对地址进行综合评分
• 输出：地址评分结果

8. 获取地址操作记录

python service_gmgn_ut_8_获取地址操作记录.py

• 目的：获取地址的详细操作历史
• 输出：地址操作记录

9. 检测割跟单地址

python service_gmgn_ut_9_检测割跟单地址.py

• 目的：识别可能的割跟单地址
• 输出：可疑割跟单地址列表

注意事项

1. 确保网络连接正常
2. 检查API密钥和权限
3. 关注日志输出
4. 定期备份数据

故障排除

• 网络错误：检查网络连接
• API限流：增加重试机制
• 数据解析错误：检查数据格式

性能优化建议

1. 使用缓存机制
2. 并行处理数据
3. 优化数据库查询
4. 定期清理缓存