back
loading skill details...
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。
# 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
1. 散户/新手学习量化交易全流程
2. 使用QMT进行A股量化策略开发
3. 利用AI辅助因子挖掘与策略优化
4. 搭建多智能体量化投研团队
5. 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
1. 联系券商客户经理获取QMT客户端
2. 安装后登录,启用「极速交易」权限
3. 获取API接口文档(迅投官网)
### 第二步:QuestDB安装
```bash
# 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
```bash
# 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)
```
```bash
# 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
```bash
# 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`)
```python
# 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**:
```sql
-- 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**:
1. 向Kimi描述需求,生成量化引擎代码
2. 用Trae打开代码并优化
3. 用UV创建Python环境
4. 阅读AI生成的使用说明书
5. 按说明书执行策略
6. 用AI继续优化和修改
```bash
# 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**:
```bash
# 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**:
1. **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
2. **配置权限**:权限管理 → 批量导入权限(参考 `feishu-permissions.json`)
3. **安装飞书插件**:
```bash
# 在OpenClaw安装目录执行
git clone https://github.com/openclaw/feishu-plugin.git
cd feishu-plugin
npm install
```
4. **配置插件**(三条命令):
```bash
openclaw config set channel.feishu.appId <APP_ID>
openclaw config set channel.feishu.appSecret <APP_SECRET>
openclaw channel connect
```
5. **配置事件回调**:添加基础事件 → 配置回调URL → 开启「使用长连接」
6. **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**:
1. **研究Agent**:市场信息、数据获取
2. **选股Agent**:标的筛选、因子排名
3. **策略Agent**:组合配置、权重分配
4. **风控Agent**:风险监控、仓位管理
5. **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**:
```bash
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
1. **QMT Token安全**:切勿将实盘API Token上传至公网
2. **回测≠实盘**:回测结果仅供参考,实盘需考虑滑点、流动性
3. **调仓频率**:不建议过于频繁,降低交易成本是关键
4. **AI输出质量**:AI生成的代码需审核后再使用
5. **多智能体成本**:合理配置思考深度,避免token过度消耗
6. **数据来源**:优先使用券商提供的QMT数据,确保完整性
---
## 相关技能
- `akshare-stock`:A股量化数据分析
- `backtest-expert`:交易策略回测指导
- `feishu-im-read`:飞书消息读取
- `market-sentiment`:市场情绪量化
don't have the plugin yet? install it then click "run inline in claude" again.