AI全栈量化 Master

Other

提供从QMT行情数据获取、因子构建、回测分析到多智能体协作与实盘交易的全流程AI量化交易解决方案。

Audits

Warn

ClawScanWarn

Agentic behavior and permission review.

Static analysisPass

Pattern checks against bundled files.

VirusTotalPending

Multi-engine malware detections and file reputation.

Install

openclaw skills install ai-quant-master

AI全栈量化 Master Skill

基于B站「教育量化站」AI全栈量化8集系列视频整理的完整技能包涵盖：QMT数据获取 → 因子加工 → 回测分析 → AI因子框架 → OpenClaw部署 → 多智能体架构 → 实盘交易

技能简介

本技能提供一套完整的AI量化交易解决方案，通过8集系列视频的系统讲解，覆盖从数据准备、因子研究、回测分析到多智能体实盘交易的全流程。

核心能力

QMT数据获取：从QMT获取历史/实时行情数据
因子加工：使用pandas/TALib加工因子宽表
数据库存储：QuestDB时序数据库配置与写入
因子回测：Backtrader框架，IC/IR/T值分析
AI因子框架：Kimi+Trae对话式因子研究
OpenClaw部署：全平台安装、飞书机器人配置
多智能体架构：主Agent+5个子Agent协作
实盘交易：QMT API下单、定时任务

适用场景

散户/新手学习量化交易全流程
使用QMT进行A股量化策略开发
利用AI辅助因子挖掘与策略优化
搭建多智能体量化投研团队
实现7×24小时自动化量化交易

快速开始

环境要求

Python 3.8+ (推荐3.10+)
QMT客户端（用于获取行情数据）
Linux服务器或本地Windows/Mac
飞书账号（用于机器人配置）

核心工具栈

工具	用途	费用
QMT（迅投）	A股行情数据获取/实盘下单	免费（券商提供）
QuestDB	时序数据库存储因子	免费版足够
Backtrader	量化回测框架	免费开源
TALib	技术指标计算	免费
OpenClaw	多智能体框架	开源免费
飞书	消息交互/机器人	免费

安装步骤

第一步：QMT安装

联系券商客户经理获取QMT客户端
安装后登录，启用「极速交易」权限
获取API接口文档（迅投官网）

第二步：QuestDB安装

# Windows（本地）
# 1. 从GitHub下载：https://github.com/questdb/questdb/releases
# 2. 解压到本地目录（如 D:\questdb）
# 3. Shift+右键打开PowerShell窗口

# 启动QuestDB
java -p questdb.jar -m io.questdb.server.ServerMain \
  -d /path/to/data

# 访问 http://localhost:9000 查看Web控制台
# 连接端口：HTTP 9000，PGwire 8812，TCP ILP 9009

第三步：安装OpenClaw

# Windows (PowerShell 管理员模式)
# 要求：Node.js >= 22

iwr https://raw.githubusercontent.com/openclaw/openclaw/main/install.ps1 -UseBasicParsing | iex

# 安装完成后按引导配置：
# 1. 同意风险提示
# 2. 选择 Quick Start 快速安装
# 3. 配置大模型（推荐Kimi或阿里通义）
# 4. 配置飞书机器人（见飞书配置章节）

# Linux服务器
npm install -g openclaw
openclaw gateway start

# 或使用官方一键部署
curl -fsSL https://openclaw.sh/install.sh | bash

第四步：安装Python依赖

# 推荐使用UV管理Python环境
pip install uv

# 创建项目环境
uv venv quant_env
source quant_env/bin/activate  # Linux/Mac
# quant_env\Scripts\activate  # Windows

# 安装核心依赖
uv pip install pandas numpy akshare backtrader ta-lib

模块详细说明

模块一：QMT数据获取

功能：获取A股历史K线、财务数据、板块信息

核心代码示例（见 examples/qmt-api-example.py）

# 基础数据获取模板
import pandas as pd

# QMT数据结构
# 订阅行情：subscribe_quote(symbols)
# 获取历史：get_history_data(symbol, period, start, end)
# 账户查询：get_account_info()

注意事项：

API token需妥善保管，切勿外泄
建议将token存放在配置文件中
历史数据建议先存储到本地再处理

模块二：因子加工与存储

流程：QMT数据 → 因子计算 → 宽表整理 → QuestDB存储

因子类型示例：

量价因子：OBV能量潮、MFI资金流量、EMV波动指标
趋势类：MFI、EMV、VAD威廉变异量
反转类：VPT量价趋势、KDJ
情绪类：VR成交量比率、VRO3

QuestDB存储：

-- 创建因子宽表
CREATE TABLE factor_wide_table (
    symbol STRING,
    trade_date TIMESTAMP,
    obv DOUBLE,
    mfi DOUBLE,
    emv DOUBLE,
    mom DOUBLE,
    rsi DOUBLE,
    close DOUBLE,
    volume DOUBLE
) TIMESTAMP(trade_date) PARTITION BY DAY;

-- 插入数据
INSERT INTO factor_wide_table VALUES ...

模块三：因子回测

核心指标：

IC（信息系数）：因子排序与未来收益排序的相关性
IR（信息比率）：IC均值/IC标准差，衡量稳定性
T值：IC均值/标准误，显著性检验（<0.05显著）

调仓频率建议：

不建议每日调仓，过于频繁
推荐5天/周度/月度调仓
选股数量20-30只效果较优

注意事项：

使用前一天因子值选股，用当天收益计算（避免未来函数）
T+1交易：用前一天收盘后因子值，次日开盘价交易

模块四：AI因子框架

工具：Kimi（代码生成）+ Trae（本地IDE）

6步操作流程：

向Kimi描述需求，生成量化引擎代码
用Trae打开代码并优化
用UV创建Python环境
阅读AI生成的使用说明书
按说明书执行策略
用AI继续优化和修改

# Kimi生成代码示例需求：
# "请给我生成一个量化引擎代码，包括因子处理、因子检验和因子回测"

# Trae本地环境配置
uv init ai_quant
cd ai_quant
uv add pandas numpy backtrader akshare
uv run python main.py

模块五：OpenClaw Skills技能系统

技能市场：https://clawhub.com（每日增长大量新技能）

安装技能：

# 通过OpenClaw CLI安装
openclaw skills install <skill-name>

# 或手动下载skill包到 ~/.openclaw/workspace/skills/

自定义技能开发：

每个技能包含 SKILL.md 主文档
技能目录结构：主文档 + references/ + examples/
技能可组合生成新的复合技能

模块六：飞书机器人配置

完整配置流程：

创建企业自建应用：飞书开放平台 → 创建应用 → 添加「机器人」能力
配置权限：权限管理 → 批量导入权限（参考 feishu-permissions.json）
安装飞书插件：

# 在OpenClaw安装目录执行
git clone https://github.com/openclaw/feishu-plugin.git
cd feishu-plugin
npm install

配置插件（三条命令）：

openclaw config set channel.feishu.appId <APP_ID>
openclaw config set channel.feishu.appSecret <APP_SECRET>
openclaw channel connect

配置事件回调：添加基础事件 → 配置回调URL → 开启「使用长连接」
发布版本：创建版本 → 提交审核 → 等待审批通过

模块七：多智能体架构

5个子Agent分工：

研究Agent：市场信息、数据获取
选股Agent：标的筛选、因子排名
策略Agent：组合配置、权重分配
风控Agent：风险监控、仓位管理
执行Agent：交易执行、委托下单

架构特点：

主Agent负责任务分发与协调
各子Agent独立工作空间（避免冲突）
通过飞书群作为协作载体
通过AGENT.md文档定义工作流程

创建子Agent：

openclaw agent create <agent-name>
openclaw agent reset

关键配置：在 ~/.openclaw/openclaw.js 中配置路由和绑定

模块八：盘中定时任务与OPC模式

定时任务配置：

建议15分钟执行一次
关闭深度思考（节省token）
开启Light Context模式

因子评分系统：

程序分值 + 趋势分值 + 强势判断
通过固定文件（如CSV/TXT）传递信号
Agent读取文件后进行综合判断

OPC模式（One Person Company）：

个人借助AI Agent实现高效运营
7×24小时自动运行
飞书推送实时报告

常见问题

Q1: QuestDB启动失败？

检查Java环境：java -version
确认端口9000未被占用
查看日志文件排查具体错误

Q2: QMT数据获取失败？

确认QMT客户端已登录
检查API Token是否有效
网络代理是否影响连接

Q3: OpenClaw连接不稳定？

检查服务器网络状态
确认API Key额度充足
尝试重启Gateway

Q4: 多智能体消息路由失败？

确认飞书机器人已发布且审核通过
检查群组会话ID是否正确配置
确认每个Agent的绑定信息准确

Q5: 因子回测结果与实盘差异大？

避免使用当天因子值计算当天收益（T+1问题）
考虑交易滑点和手续费
检查是否存在未来函数

注意事项

QMT Token安全：切勿将实盘API Token上传至公网
回测≠实盘：回测结果仅供参考，实盘需考虑滑点、流动性
调仓频率：不建议过于频繁，降低交易成本是关键
AI输出质量：AI生成的代码需审核后再使用
多智能体成本：合理配置思考深度，避免token过度消耗
数据来源：优先使用券商提供的QMT数据，确保完整性