AI全栈量化 Master
by @haohanyang92
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。
clawhub install ai-quant-master📖 About This Skill
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
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
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
# 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 pdQMT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：
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：
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：
调仓频率建议：
注意事项：
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
# 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 或手动下载skill包到 ~/.openclaw/workspace/skills/
自定义技能开发：
SKILL.md 主文档模块六：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：
# 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）：
openclaw config set channel.feishu.appId
openclaw config set channel.feishu.appSecret
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：
创建子Agent：
openclaw agent create
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：
因子评分系统：
OPC模式（One Person Company）：
常见问题
Q1: QuestDB启动失败？
java -versionQ2: QMT数据获取失败？
Q3: OpenClaw连接不稳定？
Q4: 多智能体消息路由失败？
Q5: 因子回测结果与实盘差异大？
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📋 Tips & Best Practices
Q1: QuestDB启动失败？
java -version