Trump Code — 市场信号分析

技能由 ara.so 提供 — Daily 2026 Skills 系列。

Trump Code 是一个开源系统，通过暴力计算寻找特朗普在 Truth Social/X 上的发帖行为与标普 500 指数走势之间的统计显著模式。该系统已测试了 3150 万个模型组合，保留了 551 个存活规则，在 566 次预测中验证命中率达到 61.3%（z=5.39，p<0.05）。

安装

git clone https://github.com/sstklen/trump-code.git
cd trump-code
pip install -r requirements.txt

环境变量

# AI 简报和聊天机器人所需
export GEMINI_KEYS="key1,key2,key3"       # 逗号分隔的 Gemini API 密钥

# 可选：用于 Claude Opus 深度分析
export ANTHROPIC_API_KEY="your-key-here"

# 可选：用于 Polymarket/Kalshi 集成
export POLYMARKET_API_KEY="your-key-here"

CLI — 关键命令

# 今日检测到的特朗普发帖信号
python3 trump_code_cli.py signals

# 模型表现排行榜（全部 11 个命名模型）
python3 trump_code_cli.py models

# 获取多头/空头共识预测
python3 trump_code_cli.py predict

# 预测市场套利机会
python3 trump_code_cli.py arbitrage

# 系统健康检查（熔断器状态）
python3 trump_code_cli.py health

# 完整每日报告（三语）
python3 trump_code_cli.py report

# 以 JSON 格式导出所有数据
python3 trump_code_cli.py json

核心脚本

# 实时特朗普发帖监控器（每 5 分钟轮询）
python3 realtime_loop.py

# 暴力模型搜索（约 25 分钟，测试数百万种组合）
python3 overnight_search.py

# 单项分析
python3 analysis_06_market.py        # 发帖与标普 500 相关性分析
python3 analysis_09_combo_score.py   # 多信号组合评分

# Web 仪表板 + AI 聊天机器人，端口 8888
export GEMINI_KEYS="key1,key2,key3"
python3 chatbot_server.py
# → http://localhost:8888

REST API (实时服务地址 trumpcode.washinmura.jp)

import requests

BASE = "https://trumpcode.washinmura.jp"

# 一次调用获取所有仪表板数据
data = requests.get(f"{BASE}/api/dashboard").json()

# 今日信号 + 7 天历史
signals = requests.get(f"{BASE}/api/signals").json()

# 模型表现排名
models = requests.get(f"{BASE}/api/models").json()

# 最新 20 条特朗普发帖，带信号标签
posts = requests.get(f"{BASE}/api/recent-posts").json()

# 实时 Polymarket 特朗普预测市场（316+ 个）
markets = requests.get(f"{BASE}/api/polymarket-trump").json()

# 多头/空头操作手册
playbook = requests.get(f"{BASE}/api/playbook").json()

# 系统健康 / 熔断器状态
status = requests.get(f"{BASE}/api/status").json()

AI 聊天机器人 API

import requests

response = requests.post(
    "https://trumpcode.washinmura.jp/api/chat",
    json={"message": "今天触发了哪些信号？共识是什么？"}
)
print(response.json()["reply"])

MCP 服务器（Claude Code / Cursor 集成）

添加到 ~/.claude/settings.json：

{
  "mcpServers": {
    "trump-code": {
      "command": "python3",
      "args": ["/path/to/trump-code/mcp_server.py"]
    }
  }
}

可用的 MCP 工具：signals、models、predict、arbitrage、health、events、dual_platform、crowd、full_report

开放数据文件

所有数据位于 data/ 目录，每日更新：

import json, pathlib

DATA = pathlib.Path("data")

# 44,000+ 条 Truth Social 发帖
posts = json.loads((DATA / "trump_posts_all.json").read_text())

# 预标记信号的发帖
posts_lite = json.loads((DATA / "trump_posts_lite.json").read_text())

# 566 条已验证预测及结果
predictions = json.loads((DATA / "predictions_log.json").read_text())

# 551 条活跃规则（暴力搜索 + 进化）
rules = json.loads((DATA / "surviving_rules.json").read_text())

# 384 个特征 × 414 个交易日
features = json.loads((DATA / "daily_features.json").read_text())

# 标普 500 OHLC 历史数据
market = json.loads((DATA / "market_SP500.json").read_text())

# 熔断器 / 系统健康状态
cb = json.loads((DATA / "circuit_breaker_state.json").read_text())

# 规则进化日志（交叉/变异）
evo = json.loads((DATA / "evolution_log.json").read_text())

通过 API 下载数据

import requests

BASE = "https://trumpcode.washinmura.jp"

# 列出可用数据集
catalog = requests.get(f"{BASE}/api/data").json()

# 下载特定文件
raw = requests.get(f"{BASE}/api/data/surviving_rules.json").content
rules = json.loads(raw)

代码示例

解析今日信号

import requests

signals_data = requests.get("https://trumpcode.washinmura.jp/api/signals").json()

today = signals_data.get("today", {})
print("今日触发的信号：", today.get("signals", []))
print("共识：", today.get("consensus"))        # "多头" / "空头" / "中性"
print("置信度：", today.get("confidence"))      # 0.0–1.0
print("活跃模型：", today.get("active_models", []))

从存活规则中查找表现最佳的规则

import json

rules = json.loads(open("data/surviving_rules.json").read())

# 按命中率降序排序
top_rules = sorted(rules, key=lambda r: r.get("hit_rate", 0), reverse=True)

for rule in top_rules[:10]:
    print(f"规则：{rule['id']} | 命中率：{rule['hit_rate']:.1%} | "
          f"交易次数：{rule['n_trades']} | 平均收益率：{rule['avg_return']:.3%}")

检查预测市场机会

import requests

arb = requests.get("https://trumpcode.washinmura.jp/api/insights").json()
markets = requests.get("https://trumpcode.washinmura.jp/api/polymarket-trump").json()

# 按交易量排序的市场
active = [m for m in markets.get("markets", []) if m.get("active")]
by_volume = sorted(active, key=lambda m: m.get("volume", 0), reverse=True)

for m in by_volume[:5]:
    print(f"{m['title']}：是={m['yes_price']:.0%} | 交易额=${m['volume']:,.0f}")

关联发帖特征与收益率

import json
import numpy as np

features = json.loads(open("data/daily_features.json").read())
market   = json.loads(open("data/market_SP500.json").read())

# 构建以日期为索引的收益率映射
returns = {d["date"]: d["close_pct"] for d in market}

# 示例：关联发帖数量与次日收益率
xs, ys = [], []
for day in features:
    date = day["date"]
    if date in returns:
        xs.append(day.get("post_count", 0))
        ys.append(returns[date])

correlation = np.corrcoef(xs, ys)[0, 1]
print(f"发帖数量与当日收益率：r={correlation:.3f}")

运行自定义信号的回测

import json

posts    = json.loads(open("data/trump_posts_lite.json").read())
market   = json.loads(open("data/market_SP500.json").read())

returns  = {d["date"]: d["close_pct"] for d in market}

# 查找美国东部时间上午 9:30 前触发 RELIEF 信号的日期
relief_days = [
    p["date"] for p in posts
    if "RELIEF" in p.get("signals", []) and p.get("hour", 24) < 9
]

hits = [returns[d] for d in relief_days if d in returns]
if hits:
    print(f"RELIEF 盘前信号：n={len(hits)}，平均收益率={sum(hits)/len(hits):.3%}，命中率={sum(1 for h in hits if h > 0)/len(hits):.1%}")

关键信号类型

模型参考

注意： C3 是一个反向指标——如果触发，熔断器会自动将其反转为多头（反转后准确率为 62%）。

系统架构流程

检测到 Truth Social 发帖（每 5 分钟）
    → 分类信号（RELIEF / TARIFF / DEAL / CHINA 等）
    → 双平台加成（仅 TS 上的中国相关 = 1.5 倍权重）
    → 快照 Polymarket + 标普 500 数据
    → 运行 551 条存活规则 → 生成预测
    → 在 1 小时 / 3 小时 / 6 小时跟踪
    → 验证结果 → 更新规则权重
    → 熔断器：如果系统性能下降 → 暂停/反转
    → 每日：规则进化（交叉 / 变异 / 精简）
    → 将数据同步到 GitHub

故障排除

realtime_loop.py 无法检测到新发帖

• 检查网络是否能访问 Truth Social 抓取端点
• 验证 data/trump_posts_all.json 的时间戳是否最新
• 运行 python3 trump_code_cli.py health 查看熔断器状态

chatbot_server.py 启动失败

• 确保已设置 GEMINI_KEYS 环境变量：export GEMINI_KEYS="key1,key2"
• 端口 8888 可能被占用：lsof -i :8888

overnight_search.py 内存不足

• 运行约 3150 万种组合 —— 需要约 4GB 内存
• 在 8GB+ 内存的机器上运行，或在脚本配置中缩小搜索空间

命中率降至 55% 以下

• 检查 data/circuit_breaker_state.json —— 系统可能已自动暂停
• 查看 data/learning_report.json 了解被降级的规则
• 重新运行 overnight_search.py 以刷新存活规则

data/ 目录中的数据过时

• 如果系统正在运行，每日流程会自动同步到 GitHub
• 手动触发：运行 python3 trump_code_cli.py report 强制刷新
• 或从远程拉取最新数据：git pull origin main