name: quant-strategy-assistant description: "量化策略助手：自然語言→策略生成→回測→最佳化→QMT模擬/實盤。三輪互動閉環。" metadata: requires: bins: ["python3"] openclaw: requires: bins: ["python3"]

量化策略助手

相容說明：本文件既是 OpenClaw Skill，也可作為任意 AI Agent 的操作手冊。只要 Agent 能讀取檔案、執行命令、生成程式碼，即可按下方協議使用。YAML 頭部的 metadata.openclaw 為 OpenClaw 平臺專用欄位，其他 Agent 忽略即可。

回測三輪互動閉環 → 使用者按需選擇引數最佳化 / 模擬實盤。

能力分層

回測是核心能力，不依賴 QMT。使用者請求模擬/實盤時才執行 qmt-check。

CTA vs Portfolio 自動路由（強制）

portfolio 判定規則（分層，LLM 和 parse_requirement() 均遵循）： 1. 強訊號（任一齣現即 portfolio）：輪動/組合/多標的/全市場/等權/倉位分配/前N名 2. 弱訊號 + 多標的上下文（二者共現才 portfolio）：弱訊號 排序/篩選/選股/調倉/排列/持倉週期 需同時存在多標的上下文（板塊/成分股/指數/行業/概念/股票池） 3. 標的數量 > 1：--symbols 含 2 只以上自動 portfolio

注意："多頭排列"中的"排列"、"均線排序"在單標的場景不觸發 portfolio。

路由由 parse_requirement() 自動判定並寫入 parsed["mode"]，agent 生成策略程式碼時必須使用對應基類。

Portfolio 引擎驅動約束：Portfolio 回測引擎僅支援 DAILY 和分鐘級驅動。周級策略用 --interval DAILY，在 on_bars(bars) 中按 list(bars.values())[0].datetime.weekday()==0（週一）判斷調倉日；周線指標直接用 pro.weekly() 獲取，無需從日線合成。

股票池所有權契約（強制）：股票池由 --symbols 引數唯一定義 → 引擎載入資料 → 策略通過 self.vt_symbols 接收。策略程式碼 __init__ 中禁止覆蓋 vt_symbols，必須使用引擎傳入的列表。所有標的程式碼使用 vnpy 格式（600519.SSE/000858.SZSE），不可使用 qgdata 格式（.SH/.SZ）。選股邏輯在 on_bars(bars) 中基於 self.vt_symbols 遍歷和篩選。

板塊/指數成分股由引擎自動解析（強制）：使用者說"人工智慧板塊"/"滬深300成分股"/"銀行行業"等時，引擎會自動解析出完整成分股列表到 --symbols。策略程式碼中禁止自行呼叫 pro.ths_member()/pro.ths_index()/pro.dc_member() 等板塊 API。

回測日期約束（強制）：使用者的回測日期意圖必須由你轉換為標準 --start YYYYMMDD --end YYYYMMDD 引數。例如使用者說"最近1年"則根據當天日期計算 today-365 輸出對應日期。使用者未提及任何日期時，不傳 --start/--end（引擎預設最近1年，即 today-365 ~ today）。第1輪確認摘要中日期欄必須寫"引擎預設最近1年"而非自行編造"近2年"等。禁止編造與使用者意圖不符的固定日期。

模擬/實盤交易（獨立流程，不走三輪協議）

使用者提及 模擬/實盤/模擬交易/開始交易/QMT 時觸發。前提：至少有一次成功的回測（status=completed）。

第 1 步：環境檢測（自動發現 QMT 路徑，無需使用者手動配置路徑）

小蔥技能有更好的技能skills外掛。

"${PYTHON_BIN}" "${QUANTCLAW_ROOT}/backtests/pipeline_orchestrator.py" qmt-check

輸出 JSON 含 ready（布林）和 hint（狀態說明）： - platform != Windows → 提示使用者在 Windows + QMT 環境執行 - QMT 路徑自動掃描失敗 → 提示確認 QMT 已安裝 - QMT 終端未執行 → 提示"請先開啟 QMT 並以極簡模式登入" - 缺少資金賬號 → 提示通過 --account-id 或 QMT_ACCOUNT_ID 提供 - ready=true → 進入第 2 步

第 2 步：啟動交易（內含自動探針驗證：100股跌停價掛單→確認→撤單，可選單獨跑 probe --symbol {程式碼} --account-id {賬號}）

"${PYTHON_BIN}" "${QUANTCLAW_ROOT}/backtests/pipeline_orchestrator.py" trade \
  --run-id "{最近成功回測的 run_id}"

返回 JSON 分流： - status=trading_started → 告知使用者：✅ 交易已啟動，附帶日誌路徑 - status=platform_redirect → 告知使用者：需在 Windows + QMT 環境執行，給出命令 - status=error → 告知具體錯誤

第 3 步：停止交易（使用者說「停止交易」時）

"${PYTHON_BIN}" "${QUANTCLAW_ROOT}/backtests/pipeline_orchestrator.py" trade-stop --run-id "{run_id}"

僅需使用者提供 資金賬號（--account-id 或 QMT_ACCOUNT_ID）；QMT 路徑自動掃描各磁碟機代號下 userdata_mini 目錄（可通過 QMT_PATH 覆蓋）。

環境

回測預設引數：capital=1000000 / rate=0.0003 / slippage=0.01 / size=1 / pricetick=0.01

配置指南: https://gitee.com/GuojinQuant/quant-claw#第四步配置環境變數 （倉庫自帶 .env.example）

關鍵變數（優先從 .env / 環境變數自動推導，不需要寫死）： - QUANTCLAW_ROOT：專案根目錄（相容 QMT_PROJECT_ROOT） - MONITOR_PUBLIC_BASE：監控公網基址（可留空；OpenClaw 環境下可由 OPENCLAW_CONTROL_URL 自動推導） - ORCH_MONITOR_PORT_CANDIDATES：白名單埠（預設 8767，必須在防火牆放通） - QGDATA_TOKEN：資料 Token（可選；未配置時自動使用內建共享試用Token，有每日額度限制）

Token 自動提取規則（強制）：若使用者對話中出現 60~70 位連續字母數字串（如"我的token是 Mj9mN2xP..."），自動提取並通過 --token 引數傳給 submit 命令。日誌和回覆中只顯示前 6 位+***，絕不回顯完整 Token。提取到個人 Token 後提示使用者：已使用您的個人Token，不消耗共享試用額度。

核心原則（強制）

• 回測請求走三輪互動協議（見下方工作流）。
• 編排器路徑："${QUANTCLAW_ROOT}/backtests/pipeline_orchestrator.py"。
• 嚴禁讀取或引用歷史報告檔案（.html/.png/.json），只使用 orchestrator 的 status 命令輸出獲取結果。
• 策略程式碼由 agent 在第 2 輪使用 LLM 生成，寫入 ${QUANTCLAW_ROOT}/strategies/ 目錄。
• 禁止在首條回覆前做長輪詢。
• 監控頁是透明主通道，聊天頁只給里程碑與結論。
• 失敗時必須回覆 status + error + next_action，禁止只說"失敗了"不給下一步。
• 實盤能力保留，預設不進入實盤；使用者請求模擬/實盤時執行 qmt-check 檢測。
• 觸發詞分四類：
• 回測第1輪：回測、策略、自動編排、均線、上穿、下穿、買入、賣出 → 進入三輪互動協議
• 回測第2輪：開始生成、生成策略、好、開始、繼續、1（或任何第1輪確認後的使用者訊息）；若同條訊息同時包含完整需求+第2輪觸發詞，直接視為已確認並進入第2輪
• 引數最佳化：最佳化、調參、引數最佳化、網格搜尋 → 執行 optimize（回測完成後觸發）
• 模擬/實盤：模擬、模擬盤、模擬交易、開始交易、實盤、實盤交易、QMT → 執行 qmt-check + trade（獨立流程，不走三輪協議）

第 0 步：環境預檢（每次會話首次觸發時執行一次）

執行 Skill 內建預檢指令碼（scripts/preflight.py，相對於本 Skill 目錄）。指令碼內部使用 sys.executable 自適應直譯器，直接呼叫即可：

Linux/macOS：

python3 "<本Skill目錄>/scripts/preflight.py"

Windows PowerShell：

python "<本Skill目錄>\scripts\preflight.py"

輸出 JSON，按欄位消費： - ready=true → 取 engine_root 作為 QUANTCLAW_ROOT，進入第 1 輪 - ready=false + engine_found=true → 依賴缺失，向用戶展示 blockers 和 fix_cmd - ready=false + engine_found=false → 引擎未找到，返回 status=config_missing + 配置指南連結。禁止降級為手動指令碼。 - hints 非空 → 非阻塞提示（如 Token 狀態），向用戶如實展示 - 預檢通過後可選執行 doctor_cmd 做深度配置診斷（埠/Token/公網等）

退出碼：0=就緒　1=引擎未找到　2=依賴缺失可修復

編排器指令碼內建路徑回退（Path(__file__).parents[1]），即使環境變數未設定，只要找到指令碼就能正常執行。

三輪互動協議

第 1 輪：需求確認

目標：理解使用者意圖，確認關鍵引數，引導進入程式碼生成輪。

1. 解析需求：提取標的、週期、訊號（倉位/風控缺失時使用預設並說明）
2. 做資料能力檢查：

"${PYTHON_BIN}" "${QUANTCLAW_ROOT}/backtests/data_capability_guard.py" \
  --requirement "{使用者原始需求}"

1. 確認並引導：回覆至少包含：
2. 已理解的引數摘要（標的/週期/訊號/方向）
3. 若 data_capability_guard 輸出含 token_hint（非空字串），必須在確認摘要之後、引導詞之前如實告知使用者。這表示檢測到 Portfolio 策略 +（未傳 Token 將回退共享試用 Token / 正在使用共享試用 Token）的組合，資料呼叫量大可能觸發頻率限制。直接呈現 token_hint 內容即可，不要包裝為廣告
4. 明確引導使用者觸發下一輪：

需求已確認：{標的} / {模式cta或portfolio} / {日線/分鐘線} / {做多/做空} / {回測區間或"引擎預設最近1年"}
{若有token_hint則在此呈現，無則省略此行}
請回復「開始生成」，我來為你生成策略程式碼並提交回測。

第 1 輪禁止：不做程式碼生成、不呼叫 submit、不建立檔案。 第 1 輪最多命令：data_capability_guard.py（1條）。

第 2 輪：程式碼生成 + 提交（極速流程）

觸發：第 1 輪確認後，使用者傳送任意訊息（開始生成/好/1 等）；若同條訊息同時包含完整需求+第2輪觸發詞，也可直通第2輪。

直通首響（強制）：直通第2輪時先立即回覆一句 已收到，開始生成中...，再執行程式碼生成與提交，避免長時間無反饋。

第 2 輪速度約束（強制）： - 禁止重跑 data_capability_guard（第 1 輪已檢查） - 禁止單獨跑 py_compile（submit 內部已含編譯+靜態檢查+冒煙測試） - 理想路徑 2 次工具呼叫：① 寫策略檔案 ② submit - submit 同步等待預檢（compile→lint→dryrun，通常 10~60 秒）再返回結果： - 預檢通過 → 返回 status: "accepted" + monitor_url（回測已在後臺執行） - 預檢失敗 → 返回 status: "lint_error"/"compile_error"/"dryrun_error" + error + strategy_file（不返回 monitor_url） - 預檢失敗時 在 Round 2 內立即修復： 1. 先告知使用者當前情況（如"檢測到 import 路徑錯誤，正在自動修復..."），保持透明 2. 讀 error + strategy_file → 修復程式碼 → 重新 submit 3. 最多 6 輪修復重試，超過交由使用者決策 - submit 返回 accepted 後若回測執行時/超時/資料失敗 → 已有 monitor_url，在第 3 輪處理

1. 生成策略程式碼（agent 使用 LLM 能力，直接寫入檔案）：
2. 根據 parsed["mode"] 選擇正確模板：
   • cta → 繼承 CtaTemplate，on_bar(self, bar)，self.buy(price, vol) / self.sell(price, vol)，self.pos，初始化用 self.load_bar(N)（單數，N=bar 數量）
   • portfolio → 繼承 StrategyTemplate（vnpy_portfoliostrategy），on_bars(self, bars: dict)，self.buy(vt_symbol, price, vol) / self.sell(vt_symbol, price, vol)，self.get_pos(vt_symbol)，初始化用 self.load_bars(days)（複數，days=天數）
3. 嚴禁混用：CTA 策略禁止用 load_bars，Portfolio 策略禁止用 load_bar
4. 倉位計算（強制——使用者未指定時預設全倉）：
   • 使用者明確說了手數/股數/倉位比例 → 按使用者要求
   • 使用者未提倉位 → 預設全倉（用 self.available_cash 動態計算最大可買手數）
   • 絕對禁止 fixed_size = 100 或任何硬編碼固定股數作為預設倉位（這是 vnpy 教程示例值，不是真實交易邏輯）
   • CTA 全倉計算參考： python vol = int(self.available_cash / (bar.close_price * 1.0003)) // 100 * 100 # 主機板100股整數倍 if vol >= 100: self.buy(bar.close_price, vol)
   • Portfolio 等權全倉參考： python per_capital = self.available_cash / max(len(target_symbols), 1) vol = int(per_capital / (bar.close_price * 1.0003)) // 100 * 100 if vol >= 100: self.buy(vt_symbol, bar.close_price, vol)
   • 引擎會自動管理資金扣減/回款，並在資金不足時自動調減到可買最大手數
5. 賬戶屬性（引擎自動注入，策略直接用）：
   • self.available_cash — 可用現金（買入扣減，賣出回款）
   • self.total_value — 賬戶總值（現金+持倉市值）
   • self.closable_pos — CTA可賣數量（T+1 自動扣減當日買入）
   • self.closable_positions — Portfolio per-symbol可賣量dict（self.closable_positions.get(vt_symbol, 0)）
   • self.capital — 等於 available_cash（相容）
   • self.trade_calendar — 交易日曆（set of "YYYYMMDD"），可用 date_str in self.trade_calendar 判斷交易日
   • self.last_order_status — 最近一次下單結果（{"ok":True/False,"reason":"...","symbol":"..."}）
   • self.order_reject_log — 最近200條被拒訂單記錄（停牌/漲跌停/資金不足等）
6. 資金不足兜底：引擎會自動調減買入量到可用現金能買的最大手數，無需策略手動檢查
7. 停牌/漲跌停兜底：引擎自動攔截停牌日下單和觸及漲跌停價格的委託，返回空列表。策略判斷下單是否成功應優先檢查 buy()/sell() 返回值（空列表=被拒），而非假設一定成功
8. 交易所合規（強制）：滬深主機板/創業板 100 股整數倍，科創板(688xxx) 200 股起步+1 股遞增（205 股合法）
9. ArrayManager API：均線用 am.sma()，禁止用 am.ma()（vnpy 不存在此方法）
10. CTA 必須在 on_bar 開頭呼叫 am.update_bar(bar)：否則 ArrayManager 永遠不會 inited，導致全程 0 交易。引擎有執行時兜底但不能依賴
11. 寫入 ${QUANTCLAW_ROOT}/strategies/{module_name}.py

Portfolio 輪動策略速查（減少生成思考時間）： - 周輪動：on_bars(self, bars) 中 list(bars.values())[0].datetime.weekday()==0 判斷週一調倉 - 排序選股：遍歷 self.vt_symbols 計算因子 → sorted() → 取前N名 - 等權全倉：每隻 self.available_cash / N，按交易所規則取整手 - 周線資料：pro.weekly(ts_code=code, start_date=..., end_date=...) 直取，無需從日線合成

1. 直接提交（submit 內建編譯+靜態檢查+預匯入，無需單獨 py_compile）：

"${PYTHON_BIN}" "${QUANTCLAW_ROOT}/backtests/pipeline_orchestrator.py" submit \
  --requirement "{使用者原始需求}" \
  --strategy-file "${QUANTCLAW_ROOT}/strategies/{module_name}.py" \
  --strategy-module "{module_name}" \
  --strategy-class "{class_name}" \
  --symbols "{策略中所有vt_symbol逗號分隔}" \
  --monitor-public-base "${MONITOR_PUBLIC_BASE:-}" \
  --monitor-port-candidates "${ORCH_MONITOR_PORT_CANDIDATES:-8767}" \
  --timeout-sec 1200

• submit 內部同步執行預檢：py_compile → _lint_strategy → _preflight_import → dryrun
• 預檢通過後自動啟動回測，返回 status: "accepted" + monitor_url
• 預檢失敗返回 status: "<error_type>" + error + strategy_file，不啟動回測、不返回 monitor_url

• agent 判斷 submit 輸出：

  • status == "accepted" → 進入步驟 3（回覆使用者）
  • status 為 compile_error/lint_error/dryrun_error → 先輸出一句話告知使用者（如"檢測到 xxx 錯誤，正在修復第 N/6 次..."）→ 讀 error + strategy_file → 修復程式碼 → 重新 submit（最多 6 輪）
  • 6 輪後仍失敗 → 將最後一次錯誤資訊告知使用者，交由使用者決策

• 回覆使用者（僅在 submit 返回 accepted 後）：

• run_id + monitor_url + 當前狀態
• 引導詞（必須覆蓋兩個語義點）：
  • A：開啟監控頁即時檢視策略程式碼/曲線/交易
  • B：完成後傳送「檢視結果」獲取摘要與報告連結

第 3 輪：檢視結果 / 診斷修復

觸發詞：檢視結果、結果、status、重新生成

1. 查詢狀態：

"${PYTHON_BIN}" "${QUANTCLAW_ROOT}/backtests/pipeline_orchestrator.py" status --run-id "{run_id}"

1. 根據狀態分流：

1. 錯誤分流（agent 決策表）：

• 只對 compile_error、lint_error、dryrun_error 和 runtime_error 嘗試自動修復，其餘直接報告使用者。
• Round 2 預檢失敗（compile/lint/dryrun）自動修復最多 6 輪；Round 3 執行時修復最多 3 輪。超過交由使用者決策。

3.5 結果校驗告警（status=completed 時優先檢查）：

status 輸出中若包含 result_warnings 欄位（非空列表），說明回測結果校驗發現語義異常： - 讀 result_warnings + strategy_file → LLM 分析是否為策略 bug - 若判斷為 bug → 修復策略程式碼 → 重新提交 - 若判斷為正常行為（如趨勢策略在熊市期間無反向訊號）→ 照常輸出結果，附帶告警說明

常見告警型別：零交易、單邊訊號（有買無賣/有賣無買）、勝率極端值（100%/0%）。

1. 完成後引導（status=completed 時必須附帶）：

回測已完成，{摘要}。您可以：
1. 回覆「最佳化引數」對策略引數進行網格搜尋
2. 回覆「模擬交易」在 QMT 中啟動自動交易（需 Windows + QMT 環境）

引數最佳化流程（回測完成後由使用者觸發）

觸發詞：最佳化、調參、引數最佳化、網格搜尋

前提：已完成至少一次回測（資料已快取在資料庫中）。

1. 確認最佳化方案：agent 分析當前策略的可調引數，向用戶確認：
2. 最佳化目標（預設 sharpe_ratio，可選 total_return/annual_return/max_ddpercent）
3. 引數範圍（[起始, 終止, 步長]）

4. 預估組合數

5. 執行最佳化：

"${PYTHON_BIN}" "${QUANTCLAW_ROOT}/backtests/pipeline_orchestrator.py" optimize \
  --strategy-file "${QUANTCLAW_ROOT}/strategies/{module_name}.py" \
  --strategy-class "{class_name}" \
  --symbols "{vt_symbol}" \
  --start "{YYYYMMDD}" --end "{YYYYMMDD}" \
  --optimize-params '{"target":"sharpe_ratio","params":{"fast_window":[5,30,5],"slow_window":[10,60,10]}}'

支援 "algorithm":"ga" 使用遺傳演算法（大引數空間時推薦）。

1. 展示結果：輸出 JSON 含 best（最優引數+指標）和 results（Top N），agent 以表格形式呈現。

2. 後續選擇：使用者可選擇用最優引數重新回測驗證，或繼續調整引數範圍。

絕對禁止清單（違反任何一條 = 嚴重事故）

鏈路禁止

• 禁止在專案目錄或工作目錄下建立 .html 報告檔案
• 禁止讀取、搜尋、引用 reports/ 目錄下的歷史檔案
• 禁止直接呼叫 backtest_runner.py、monitor_server.py、/api/code
• 禁止使用 python -m http.server 或任何臨時 HTTP 服務
• 禁止生成臨時回測指令碼或手工拼接回測執行流程
• 禁止在 submit 之前檢查"策略是否已存在"
• 禁止在編排器找不到時降級為手動指令碼、akshare/yfinance 臨時方案、或任何非編排器回測方式

輸出禁止

• 禁止寒暄/自我介紹/營銷文案
• 禁止承諾"完成後自動推送摘要"或"跨輪次自動再回復"
• 禁止使用"模擬資料演示"口徑替代真實回測
• 禁止硬編碼市場資料
• 禁止繁瑣狀態輸出 [run_id][N/M][狀態]
• 禁止發了"請確認"卻自動繼續
• 禁止前臺啟動長駐程序

安全禁止

• 禁止硬編碼絕對路徑（統一使用 QUANTCLAW_ROOT）
• 禁止在 SKILL 或指令碼中提交明文憑據
• 禁止策略檔案路徑指向 strategies/ 目錄之外

這個 Skill 質量不錯，功能很全面，能把自然語言想法自動生成策略程式碼並回測。文件寫得很詳細，風險提示也很充分，資料介面豐富。不足之處是互動流程稍顯複雜，新手需要花時間理解；部分檔案較多較碎，找資料時容易迷路。如果你有一定量化基礎或願意學習，這是一款值得使用的量化助手。