夜雨聆风一个股票散户小白的AI实践记录。
起点：一个简单的想法
养龙虾正好一周了，不断踩坑，不断发现惊喜，上期我分享了自己对openclaw先进的架构理解，然后一直想测试一个相对比较复杂的任务而且要有一定实用价值，于是我给 OpenClaw 发了一段需求：
"我想利用大模型能力，制定一套适合自己的交易策略系统。AI 可以根据某只股票的历史数据，基于现有策略（海龟、动量、波动率等组合）进行分析，计算出最适合该股票的交易策略。具体买卖操作仍由人工判断完成。"
没想到，这个想法开启了一段意想不到的旅程。
从0到1：MVP的诞生
OpenClaw 开始为我搭建开发框架，设计了完整的智能体架构：
1. 项目目录结构
系统采用多智能体架构，包含：
• main_agent/: 主智能体（调度 & 用户接口） • data_agent/: 数据子智能体（Tushare数据抓取、清洗、特征工程） • strategy_agent/: 策略回测子智能体（8种交易策略 + 回测引擎） • ai_agent/: AI分析子智能体
2. 策略回测核心代码
策略回测引擎支持多种策略并行运行，自动计算年化收益、最大回撤、夏普比率等关键指标。
3. 系统架构设计
整体架构流程：
• 用户输入股票代码 → 飞书机器人 → 主控制智能体 • 数据获取智能体 → Tushare API • 策略回测智能体 → 8种交易策略 • 策略评分智能体 → 加权评分算法 • AI报告生成智能体 → 飞书文档输出 
4. 生成时间和token消耗：
想必这是大家很关心的事情，我虽然没有精确统计，但从发出指令到最后出Demo,我感觉大概30分钟左右吧，toekn消耗大约60元左右吧。
坦诚的困惑
说实话，作为一个金融投资小白，面对复杂的股市交易系统和海量交易因子，我无法验证测试数据的准确性。目前肯定不能用于实盘操作，但这真的重要吗？
不重要了。
真正的收获
这次实践的核心价值，不在于交易策略本身，而在于验证了一个普通人借助AI能走多远。
股市交易系统极其复杂，交易因子千变万化——这正是为什么过去只有专业机构才能涉足。但现在，借助 OpenClaw 的架构能力和大模型的智能，一个外行也能独立完成从前不敢想象的任务。
实际运行结果展示
系统对两只不同股票进行了策略回测，评分公式为：
Score = 年化收益 × 0.4 + 夏普比率 × 0.3 - 最大回撤 × 0.2 + 胜率 × 0.1
可以看到，同一策略在不同股票上的表现差异很大，这正说明了"因股制宜"的重要性。
下一步
继续迭代这套交易系统。
期待更多惊喜。
写于2026年3月14日
