ClawQuant - OpenClaw量化交易策略优化系统

项目概述

基于OpenClaw的自动化量化策略生成、回测和优化系统。系统会自动生成多种策略，通过回测找到最优策略。

文件结构

Develop/clawquant/
├── README.md                    # 项目说明
├── main.py                      # 主程序入口
├── requirements.txt             # 依赖包
├── config/                      # 配置文件
│   ├── __init__.py
│   ├── settings.py             # 全局配置
│   └── strategy_config.py      # 策略参数配置
├── data/                        # 数据目录
│   ├── raw/                    # 原始数据
│   ├── processed/              # 处理后的数据
│   └── cache/                  # 缓存数据
├── strategies/                  # 策略模块
│   ├── __init__.py
│   ├── base_strategy.py        # 策略基类
│   ├── ma_strategy.py          # 均线策略
│   ├── macd_strategy.py        # MACD策略
│   ├── rsi_strategy.py         # RSI策略
│   ├── bollinger_strategy.py   # 布林带策略
│   ├── ma_cross_strategy.py    # 双均线交叉策略
│   └── strategy_factory.py     # 策略工厂
├── backtests/                   # 回测模块
│   ├── __init__.py
│   ├── backtest_engine.py      # 回测引擎
│   ├── analyzer.py             # 回测结果分析
│   └── optimizer.py            # 策略优化器
├── results/                     # 结果目录
│   ├── backtest_results/       # 回测结果
│   ├── optimization_results/   # 优化结果
│   └── best_strategies/        # 最优策略
└── utils/                       # 工具模块
    ├── __init__.py
    ├── data_fetcher.py         # 数据获取
    ├── data_processor.py       # 数据处理
    ├── logger.py               # 日志工具
    └── visualizer.py           # 可视化工具

功能特点

1. 策略自动生成：基于模板生成多种技术指标策略
2. 批量回测：并行运行多个策略回测
3. 参数优化：自动搜索最优参数组合
4. 结果分析：全面的绩效指标评估
5. 策略筛选：基于风险调整收益选择最优策略
6. 多策略支持：支持MA、MACD、RSI、BOLL、MA_CROSS等多种策略
7. 实时数据验证：支持A股实时数据验证

使用方法

# 安装依赖
pip install -r requirements.txt

# 运行主程序
python main.py

# 运行特定功能
python main.py --mode backtest      # 只运行回测
python main.py --mode optimize      # 只运行优化
python main.py --mode full          # 完整流程（默认）

当前进展

• 基础框架搭建
• 数据获取模块实现
• MA策略实现
• MACD策略实现
• RSI策略实现
• BOLL策略实现
• MA_CROSS策略实现
• 回测引擎开发
• 参数优化功能实现
• 实盘数据验证
• 性能分析工具
• 完整回测流程
• 可视化界面开发
• 风险管理模块
• 实盘交易接口

策略类型

1. MA策略: 基于移动平均线的趋势跟踪策略
2. MACD策略: 基于MACD指标的趋势和动量策略
3. RSI策略: 基于相对强弱指数的超买超卖策略
4. BOLL策略: 基于布林带的均值回归策略
5. MA_CROSS策略: 基于双移动平均线交叉的策略

最新成果

• 成功回测A股上证指数(000001.SH) 2014-2024年数据
• 默认策略(MA20, MA60): 总收益1.23%, 夏普比率0.050, 最大回撤-11.70%
• 优化后策略: 总收益61.38%, 夏普比率0.537, 最大回撤-9.82%
• 最优参数: fast_period: 5, slow_period: 70

性能指标

• 总收益率(Total Return)
• 年化收益率(Annual Return)
• 夏普比率(Sharpe Ratio)
• 最大回撤(Max Drawdown)
• 胜率(Win Rate)
• 盈亏比(Profit Factor)
• 交易次数(Number of Trades)

配置说明

在config/settings.py中可配置：

• 交易参数(初始资金、手续费率等)
• 回测参数(回测时间段、评估指标权重)
• 数据参数(缓存设置、数据源选择)
• 优化参数(参数搜索范围、优化目标权重)

数据源

• 默认使用akshare获取A股数据
• 备选tushare作为数据源
• 支持缓存机制提高数据访问效率

输出结果

系统会在results/目录下生成：

1. 各策略回测报告（CSV格式）
2. 策略绩效对比图表
3. 最优策略代码和配置
4. 详细的分析报告

注意事项

1. 回测结果仅供参考，实盘交易需谨慎
2. 注意过拟合风险，避免在历史数据上过度优化
3. 定期更新市场数据，确保策略有效性