用途：该技能用强化学习（RL）优化大额订单的执行，让智能体在实时市场状态下动态决定拆分与择时，以最小化总市场冲击，而非固定按TWAP、VWAP等时间表执行。
主要能力：提供执行成本分解（价差成本、临时冲击、永久冲击、择时风险）；给出RL执行框架的状态空间（剩余数量、剩余时间、当前价格、价差、波动率、成交量）、离散动作空间（剩余量的0%、10%、25%、50%、100%）与奖励函数（相对到达价的执行成本惩罚）；介绍TWAP、VWAP、Almgren-Chriss最优执行及RL自适应执行；使用临时与永久两部分价格冲击模型；并说明与slippage-modeling、position-sizing、liquidity-analysis、volatility-modeling、jupiter-swap等技能的集成关系。
使用方式：无需API密钥，脚本以模拟/演示模式运行。依赖安装：uv pip install numpy。对比执行策略：python scripts/execution_simulator.py；计算Almgren-Chriss最优轨迹：python scripts/almgren_chriss.py。参考文件包括references/execution_algorithms.md与references/rl_framework.md。
适用场景：订单规模相对流动性较大（超过日成交量1%）、市场冲击显著（薄DEX池、低市值代币）、执行窗口灵活（分钟到小时级）、成本节省足以支撑复杂度时。小额零售订单（如流动性好的交易对低于1000美元）用市价单或基础滑点限制即可。
限制：存在模拟到现实的差距（队列位置、对抗性流、MEV）；市场微观结构非平稳；链上执行为区块粒度（Solana约400ms）且需支付gas/优先费；训练需要历史订单簿或成交数据。该技能仅提供教育性分析工具，不构成投资建议，模拟结果不保证真实表现。