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
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