量化交易技能

面向加密货币市场的专业量化交易系统，支持回测、模拟交易、实盘交易及高级策略优化功能。

安装

步骤 1：安装技能

clawhub install quant-analyst

步骤 2：克隆并配置项目

# 克隆仓库
git clone https://github.com/ZhenRobotics/openclaw-quant.git ~/openclaw-quant
cd ~/openclaw-quant

# 安装依赖
pip install -r requirements.txt

# 设置 API 密钥（回测可选）
export BINANCE_API_KEY="your-key"
export BINANCE_API_SECRET="your-secret"

步骤 3：验证安装

cd ~/openclaw-quant
python -m openclaw_quant --help

核心功能

• 回测引擎：基于历史数据进行真实感强的策略测试
• 模拟交易：使用实时市场数据进行实时仿真
• 实盘交易：在真实交易所（Binance、OKX 等）自动执行交易
• 策略优化：采用贝叶斯方法进行参数优化
• 技术指标：内置 50+ 种常用指标（MA、RSI、MACD、布林带等）
• 风险管理：仓位控制、止损、止盈
• 绩效分析：夏普比率、最大回撤、胜率、盈利因子等
• 多交易所支持：通过 ccxt 库接入 100+ 交易所

适用场景

自动触发（AUTO-TRIGGER） 当用户消息中包含以下内容时：

• 关键词：backtest、trading strategy、quant、cryptocurrency trading、optimize strategy
• 请求示例：“测试该交易策略”、“回测均线交叉策略”、“对比特币进行模拟交易”
• 策略描述：“RSI < 30 时买入，RSI > 70 时卖出”
• 绩效问题：“夏普比率是多少？”、“计算最大回撤”

触发示例（TRIGGER EXAMPLES）：

• “在比特币上回测均线交叉策略”
• “针对过去 6 个月优化 RSI 参数”
• “使用我的动量策略启动模拟交易”
• “该策略的胜率是多少？”

不适用场景（DO NOT USE）：

• 仅需投资组合追踪（请使用 portfolio-tracker 技能）
• 仅需价格提醒（请使用 price-alert 技能）
• 通用加密货币新闻或信息查询

快速入门示例

示例 1：简单移动平均策略

from openclaw_quant import Strategy, Backtest

class MAStrategy(Strategy):
    # 参数（支持后续优化）
    fast_period = 10
    slow_period = 30

    def init(self):
        # 向量化指标计算
        self.fast_ma = self.I(SMA, self.data.Close, self.fast_period)
        self.slow_ma = self.I(SMA, self.data.Close, self.slow_period)

    def next(self):
        # 事件驱动逻辑
        if self.fast_ma[-1] > self.slow_ma[-1]:
            if not self.position:
                self.buy()
        else:
            if self.position:
                self.sell()

# 回测
bt = Backtest(MAStrategy, data, cash=10000, commission=0.001)
result = bt.run()
print(result)
result.plot()

示例 2：RSI 均值回归策略

class RSIStrategy(Strategy):
    rsi_period = 14
    oversold = 30
    overbought = 70

    def init(self):
        self.rsi = self.I(RSI, self.data.Close, self.rsi_period)

    def next(self):
        if self.rsi[-1] < self.oversold:
            if not self.position:
                self.buy()
        elif self.rsi[-1] > self.overbought:
            if self.position:
                self.sell()

bt = Backtest(RSIStrategy, data, cash=10000)
result = bt.run()

示例 3：参数优化

# 自动优化参数
result = bt.optimize(
    fast_period=range(5, 20, 2),
    slow_period=range(20, 60, 5),
    maximize='sharpe_ratio'  # 或 'total_return'、'profit_factor'
)

print(f"最优参数: {result.best_params}")
print(f"夏普比率: {result.sharpe_ratio:.2f}")

示例 4：模拟交易

from openclaw_quant import LiveTrading

# 使用实时数据进行模拟交易
live = LiveTrading(
    strategy=MAStrategy,
    exchange='binance',
    symbol='BTC/USDT',
    paper=True  # 模拟模式
)

live.run()

示例 5：实盘交易

# 实盘交易（请谨慎使用！）
live = LiveTrading(
    strategy=MAStrategy,
    exchange='binance',
    symbol='BTC/USDT',
    paper=False,  # 实盘模式
    api_key=os.getenv('BINANCE_API_KEY'),
    api_secret=os.getenv('BINANCE_API_SECRET')
)

live.run()

智能体使用指南

命令行接口（CLI）

# 回测策略
openclaw-quant backtest --strategy ma_cross --symbol BTCUSDT --days 365

# 参数优化
openclaw-quant optimize --strategy rsi --symbol ETHUSDT --metric sharpe_ratio

# 模拟交易
openclaw-quant paper --strategy ma_cross --symbol BTCUSDT

# 实盘交易
openclaw-quant live --strategy ma_cross --symbol BTCUSDT --confirm

# 查看结果
openclaw-quant results --backtest-id abc123

自然语言交互（通过 OpenClaw Agent）

智能体可理解如下请求：

• “在比特币上对均线交叉策略进行为期一年的回测”
• “优化 RSI 参数以最大化夏普比率”
• “使用我的动量策略，以 10,000 USDT 启动模拟交易”
• “展示最近一次回测的绩效指标”
• “我的实盘账户最大回撤是多少？”

绩效指标

系统自动计算全面的绩效指标：

内置策略

系统预置多种开箱即用策略：

1. MA Cross：移动平均线交叉策略
2. RSI Mean Reversion：超卖买入、超买卖出
3. MACD Momentum：MACD 快慢线交叉
4. Bollinger Bounce：布林带触边交易
5. Breakout：支撑/阻力突破策略
6. Grid Trading：区间网格交易
7. DCA (Dollar Cost Average)：定投策略
8. Mean Reversion：统计套利策略

技术指标

通过 self.I() 方法可调用 50+ 种指标：

趋势类指标：

• SMA、EMA、WMA、DEMA、TEMA
• MACD、ADX、Aroon、Supertrend

动量类指标：

• RSI、Stochastic、CCI、Williams %R
• ROC（变动速率）、Momentum

波动率类指标：

• 布林带（Bollinger Bands）、ATR、Keltner Channels
• 标准差、历史波动率

成交量类指标：

• OBV、Volume SMA、MFI、VWAP
• 累积/派发指标（Accumulation/Distribution）、CMF

风险管理

内置风险管理功能示例：

class MyStrategy(Strategy):
    def init(self):
        # 设置风控参数
        self.risk_per_trade = 0.02  # 单笔风险 2% 资金
        self.stop_loss = 0.05       # 止损 5%
        self.take_profit = 0.10     # 止盈 10%

        self.ma = self.I(SMA, self.data.Close, 20)

    def next(self):
        if self.ma[-1] > self.data.Close[-1]:
            if not self.position:
                # 根据风控参数计算仓位
                size = self.calculate_position_size(
                    risk=self.risk_per_trade,
                    stop_loss=self.stop_loss
                )
                self.buy(size=size)
                self.set_stop_loss(self.stop_loss)
                self.set_take_profit(self.take_profit)

数据源

支持多种数据源：

1. 交易所 API：Binance、OKX、Bybit 等（通过 ccxt）
2. CSV 文件：从本地文件加载历史数据
3. 数据库：PostgreSQL、SQLite（用于缓存）
4. 实时 WebSocket：获取实时行情数据

# 示例：从 Binance 加载数据
from openclaw_quant import DataFetcher

fetcher = DataFetcher('binance')
data = fetcher.fetch_candles(
    symbol='BTC/USDT',
    timeframe='1h',
    since='2023-01-01',
    limit=1000
)

配置

配置文件示例（config.yaml）：

backtest:
  initial_capital: 10000
  commission: 0.001  # 0.1%
  slippage: 0.0005   # 0.05%

strategy:
  name: ma_cross
  parameters:
    fast_period: 10
    slow_period: 30

exchange:
  name: binance
  testnet: false

risk:
  max_position_size: 0.1  # 仓位上限为资金的 10%
  max_drawdown: 0.2       # 回撤达 20% 时停止
  daily_loss_limit: 0.05  # 单日亏损达 5% 时停止

notification:
  telegram:
    enabled: true
    bot_token: "your-token"
    chat_id: "your-chat-id"

项目结构

openclaw-quant/
├── src/
│   ├── openclaw_quant/
│   │   ├── __init__.py
│   │   ├── strategy.py         # 策略基类
│   │   ├── backtest.py         # 回测引擎
│   │   ├── live.py             # 实盘交易引擎
│   │   ├── broker.py           # 订单执行模块
│   │   ├── data.py             # 数据获取模块
│   │   ├── indicators.py       # 技术指标模块
│   │   ├── optimizer.py        # 参数优化模块
│   │   ├── metrics.py          # 绩效指标模块
│   │   └── risk.py             # 风险管理模块
│   └── strategies/
│       ├── ma_cross.py
│       ├── rsi.py
│       └── ...
├── examples/
│   ├── backtest_example.py
│   ├── optimization_example.py
│   └── paper_trading_example.py
├── tests/
├── docs/
├── requirements.txt
└── README.md

运行要求

Python >= 3.9
pandas >= 2.0.0
numpy >= 1.24.0
ccxt >= 4.0.0
optuna >= 3.0.0
matplotlib >= 3.7.0
pydantic >= 2.0.0

故障排查

问题 1：API 连接错误

错误：ccxt.NetworkError 或连接超时

解决方案：

# 检查网络连接
# 确认 API 密钥正确无误
# 测试阶段建议使用测试网：
exchange = ccxt.binance({'enableRateLimit': True, 'options': {'defaultType': 'future', 'testnet': True}})

问题 2：数据不足

错误：策略所需 K 线数量不足

解决方案：

# 增加预热周期（跳过前 N 根 K 线）
bt = Backtest(strategy, data, warmup=100)  # 跳过前 100 根 K 线

# 或获取更多历史数据
data = fetcher.fetch_candles(symbol='BTC/USDT', limit=5000)

问题 3：参数优化耗时过长

解决方案：

# 缩小搜索空间
result = bt.optimize(
    fast_period=range(5, 20, 5),  # 增大步长
    slow_period=range(20, 60, 10),
    max_tries=50  # 限制迭代次数
)

安全准则

回测阶段

• 务必优先在历史数据上测试
• 使用符合实际的手续费与滑点设置
• 警惕过拟合风险
• 推荐使用滚动向前验证（Walk-forward Validation）

模拟交易阶段

• 至少持续测试 1–2 周
• 监控滑点与成交情况
• 验证策略在不同行情下的表现

实盘交易阶段

• 初始资金应尽量小额
• 设定严格的风控限额
• 首周需持续监控
• 必须配备紧急熔断机制
• 切勿投入无法承受损失的资金

性能优化建议

1. 向量化计算：使用 self.I() 计算指标（一次性完成，避免重复）
2. 数据缓存：缓存历史数据，减少重复 API 请求
3. 优化算法：优先选用贝叶斯优化，而非穷举式网格搜索
4. 并行回测：同时对多个交易对执行回测
5. WebSocket 接入：使用 WebSocket 获取实时行情（比 REST 更快）

文档资源

• GitHub 仓库：https://github.com/ZhenRobotics/openclaw-quant
• 快速入门指南：~/openclaw-quant/QUICKSTART.md
• API 参考文档：~/openclaw-quant/docs/API.md
• 策略开发指南：~/openclaw-quant/docs/STRATEGIES.md
• 完整 README：~/openclaw-quant/README.md

路线图

版本 0.1.0（当前）

• 基础回测引擎
• 简易策略（MA、RSI）
• Binance 支持

版本 0.2.0

• 模拟交易功能
• 参数优化模块
• 新增技术指标

版本 0.3.0

• 实盘交易功能
• 多交易所支持
• 高级风险管理

版本 1.0.0

• 生产就绪版本
• Web 仪表盘
• 策略市场（Strategy Marketplace）

成本说明

• 开发成本：免费开源（MIT License）
• 数据成本：免费（使用交易所公开 API）
• 交易费用：依交易所而定（通常为 0.1%）
• API 成本：主流交易所均提供免费额度

许可证

MIT License —— 个人与商业用途均免费

技术支持

• 问题反馈（Issues）：https://github.com/ZhenRobotics/openclaw-quant/issues
• 社区讨论（Discussions）：https://github.com/ZhenRobotics/openclaw-quant/discussions
• ClawHub 页面：https://clawhub.ai/ZhenStaff/openclaw-quant

智能体行为规范

使用本技能时，智能体应遵守以下原则：

应当（DO）：

• 使用前检查项目是否已安装
• 在实盘交易模式下明确提示相关风险
• 校验策略参数的有效性与合理性
• 清晰展示关键绩效指标
• 解释参数优化结果及其含义

禁止（DON'T）：

• 未经用户明确确认即执行实盘交易
• 主动推荐特定交易策略
• 承诺或保证任何盈利或收益
• 忽略或绕过风险警告提示
• 提供任何形式的金融投资建议

状态：开发中（Alpha 版本）

作者：@ZhenStaff

最后更新日期：2026-03-05