QuantClaw

📌 核心价值：自然语言一句话 → LLM 自动生成 vnpy 策略 → 多周期回测 → 透明监控页，让不会写代码的人也能 5 分钟跑通 A 股回测

A 股量化长期被"先学 Python、再学 vnpy、再写策略"劝退。QuantClaw 把这条链路压成一句中文：从"贵州茅台 5 日线上穿 10 日线买入，下穿卖出"开始，让 LLM 直接写策略、回测全透明、过程全程可观测。本文仅作技术交流，不构成投资建议。股市有风险，投资需谨慎。

---

🚀 什么是 QuantClaw？

QuantClaw 是一个**"祛魅量化"的开源项目**，目标是把量化策略研究拆解成人人都能理解、复现、验证的流程：自然语言描述策略 → 自动生成代码 → 自动回测 → 透明监控与结果复盘。你只需要给一句自然语言需求，系统就会自动完成数据能力检查、自动判定策略类型、LLM 编写 vnpy 策略代码、跑回测、并把全过程实时推到监控页。

核心定位：把"专业 Quanter 才能跑的回测"变成"想到就能跑、会看就能复"

它和传统回测框架最大的区别在于：策略生成 + 过程透明。传统回测要手写几十行 Python，并且跑起来是个黑盒；QuantClaw 把"策略想法 → 策略代码 → 回测执行 → 监控页"做成了同一条完整链路，并且把每一阶段的中间产物都暴露在 Web 监控页上，从进度到收益曲线、从交易记录到每日持仓变化，一目了然。

⚠️ 风险提示：本文仅作技术交流，不构成投资建议。QuantClaw 是一个量化研究与学习框架，所有代码、示例、回测结果和模拟交易结果仅供技术研究参考。作者与本文不对任何投资亏损、交易风险或法律责任负责。任何策略在用于实盘前，请自行充分回测、风险评估，并遵守所在国家/地区的法律法规。

---

✨ 核心功能一览

QuantClaw 的能力按"输入 → 处理 → 输出 → 透明"四个层级拆解：

层级	模块	一句话能力
输入	自然语言转策略	零代码门槛，写中文需求即可
处理	LLM 生成 vnpy 策略代码	内部封装 vnpy CTA / Portfolio 模板
处理	多周期回测	日线 / 5min / 15min / 30min / 小时 / 周线（qgdata 提供分钟线）
风控	A 股 T+1 合规兜底	分钟级回测自动启用；当日买入锁定，隔日自动解锁
风控	4 层防御	手数合规取整 + T+1 锁定 + load_bar 兜底 + capital 注入
输出	透明监控页	实时净值曲线 + 交易记录 + 每日持仓变化 + 进度百分比

亮点：CTA / Portfolio 双模式自动路由——你不需要告诉系统"这是单标的还是组合"，系统会用 data_capability_guard 自动判定模式。

---

🛠️ 快速上手：5 分钟跑通示例

1. 安装与启动

# 1. 克隆（含 OpenClaw Skill + QMT 交易端）
git clone https://github.com/Listolany/QuantClaw
cd QuantClaw

# 2. 安装 vnpy 引擎（含 vnpy_qmt 本地包）
pip install qgdata filelock vnpy_portfoliostrategy
pip install -e QMT-TradingClaw/vnpy_qmt

# 3. 启动监控页（默认端口 8767）
python QMT-TradingClaw/backtests/monitor_server.py

2. 用 Agent 一句话触发回测

# 触发一个"招商银行 5 分钟线 SMA3/SMA10 交叉策略"
import subprocess
result = subprocess.run([
    "python", "QMT-TradingClaw/backtests/pipeline_orchestrator.py",
    "submit",
    "--requirement", "招商银行 5 日线上穿 10 日线买入，下穿卖出；5 分钟线",
    "--period", "5m",
    "--start", "2025-03-01",
    "--end", "2026-01-30",
])
print(result.stdout.decode())

系统会自动完成这些事：

1. 数据能力检查——qgdata 是否具备 5 分钟线数据接口
2. 策略类型自动路由——判定为 CTA 单标的策略
3. LLM 写策略代码——根据 SKILL.md 规范生成 vnpy 模板
4. A 股 T+1 兜底——分钟级回测启用风控锁
5. 回测执行 + 实时推送——监控页能立刻看到进度

3. 用 OpenClaw / 任意兼容 Agent 触发

# OpenClaw Skill 调用（兼容各类 LLM Agent / Claude Desktop 都可触发）
- name: "quant-strategy-assistant"
  repo: "Listolany/QuantClaw"
  trigger: "natural_language_requirement"
  spec: "skills/quant-strategy-assistant/SKILL.md"

只要把 skills/quant-strategy-assistant/SKILL.md 喂给任意兼容 Agent，Agent 就能执行相同 python 命令，得到相同的回测结果。

注意：QMT 交易端是可选的——只用 vnpy 引擎就能跑回测；要连实盘才需要 QMT。

---

💡 适用场景

场景 1：把"想法"快速落地成可回测的策略

QuantClaw 的最大价值是降低从"想法"到"第一次回测"的时间成本。以前，写一个双均线策略至少要 30 分钟：装 vnpy、写策略模板、配数据、调参数；现在，一句话就让 LLM 写出来，5 分钟看到第一版净值曲线。

下面的截图都是项目自带 monitor_demo.mp4（8 秒演示视频）抽帧的真实画面，可以看到"招商银行 5 分钟线 SMA3/SMA10 交叉策略"在四个不同进度的实时状态：

画面解读：进度 12%，回测刚启动 30 天，策略净值 0.6978，相对沪深 300 收益 -30.22%，累计交易 118 笔（买 90 / 卖 28）。

画面解读：进度 36%，策略净值从 0.70 一路跌至 0.53，最大回撤已到 -46.96%，累计交易 150 笔（买 112 / 卖 38）。监控页同步显示基准沪深 300 曲线。

画面解读：进度 61%，净值从 0.40 底部反弹到 0.69，最大回撤收敛到 -30.95%——透明监控页让"为什么策略净值从 0.4 反弹到 0.69"的过程完整可追溯。

画面解读：进度 86%，净值收在 0.7121，最大回撤 -28.79%。过程化追溯才是量化策略可信的来源。

场景 2：过程透明，不再"盲信回测结果"

传统回测的最大问题是黑盒——跑完告诉你"年化 30%"，但你不知道中途发生了什么、回撤是什么时候出的、交易记录是怎样的。QuantClaw 的监控页把进度、净值曲线、交易记录、每日持仓、代码全部实时展示：

画面解读：下方的蓝色成交量柱直观展示回测期内每笔交易的时间分布；上方叠加沪深 300 基准线，方便对比"策略是不是真的跑赢基准"。

场景 3：Agent 集成，做"用户一句话 → 自动回测"的产品

QuantClaw 把回测的整套流程封装成 SKILL.md 协议，任何兼容 Agent（OpenClaw Skill 协议、Claude Desktop 以及各类 LLM Agent）只要读这份技能文件，就能执行相同 python 命令。这意味着：

• AI 投顾产品：用户输入"我想做个 MACD 金叉策略"，Agent 直接调用 QuantClaw 跑回测
• 量化教学平台：学生用自然语言描述策略，平台自动生成代码 + 回测
• 团队协作：策略想法 → 自动跑版本 → 监控页链接分享，全流程透明

---

📊 与竞品对比

下表是 QuantClaw 与传统回测框架的对比：

维度	QuantClaw	Backtrader / vnpy 手写
策略生成	自然语言一句话	手写 Python 代码
上手时间	5 分钟	30 分钟～数小时
A 股 T+1 合规	自动兜底	需手动实现
监控页	内置实时 Web	无（需自建 SSE）
多周期切换	6 周期一键切换	改代码
Agent / Skill 集成	SKILL.md 协议	无
过程透明度	进度+净值+交易+持仓全展示	终态报告

---

🏗️ 工作流架构

整个工作流分四步：

1. 自然语言需求（用户输入一句话）→ data_capability_guard 检查数据接口
2. LLM 策略生成 → 按 SKILL.md 规范输出 vnpy CTA / Portfolio 策略代码
3. 回测引擎执行（vnpy）→ 多周期 + T+1 兜底 + 4 层风控
4. 透明监控页（Web :8767）→ 实时净值曲线 + 交易记录 + 持仓变化 + 进度

---

🎯 总结

QuantClaw 用一句话概括："让 A 股量化回测回归'想法先行、过程透明'"。它把"专业 Quanter 才能跑的回测"压缩成一句中文需求，背后是 LLM 写代码 + vnpy 跑回测 + Web 实时监控，5 分钟即可看到第一版净值曲线。

推荐指数：⭐⭐⭐⭐（4/5）——扣 1 分因为分钟线数据依赖 qgdata，部分场景需要 token 升级；但作为 AI 量化策略生成 + 透明回测的入门工具，它做到了"想法 → 策略 → 验证"全链路打通。

适合人群：

• ✅ 想快速验证策略想法的量化研究者
• ✅ 做"用户一句话 → 自动回测"的 AI / Agent 集成开发者
• ✅ 希望回测过程全程透明可追溯的团队
• ❌ 不适合追求高频 / Tick 级响应的日内交易者

GitHub 仓库： Listolany/QuantClaw

技术栈： Python 3.10+ / vnpy / qgdata / OpenClaw Skill / OpenAI 兼容 LLM

开源协议： 仓库含 LICENSE 文件（MIT-style）

---

数据截至 2026-08-14，最新信息请以 GitHub 仓库为准。